Application of a deep learning image classifier for identification of Amazonian fishes.
Ecol Evol
; 13(5): e9987, 2023 May.
Article
in En
| MEDLINE
| ID: mdl-37143991
RESUMEN
Dado el aumento del desarrollo agrícola e infraestructura y la escasa información disponible para apoyar la toma de decisiones con respecto al manejo y la conservación de la fauna, es necesario contar con una herramienta más rápida y precisa para la identificación de peces en el ecosistema de agua dulce más grande del mundo, la Amazonía. Las estrategias actuales para la identificación de peces de agua dulce requieren altos niveles de capacitación y experiencia taxonómica para la identificación morfológica o las pruebas genéticas para el reconocimiento de especies a nivel molecular. Para superar estos desafíos, construimos un modelo de enmascaramiento de imágenes (UNet) y una red neuronal convolucional (CNN) para clasificar los peces amazónicos en las fotografías. Los peces utilizados para generar datos de entrenamiento fueron recolectados y fotografiados en afluentes de bosques inundables de la cuenca alta del río Morona en Loreto, Perú en 2018 y 2019. Las identificaciones de especies en las imágenes de entrenamiento (n = 3.068) fueron verificadas por ictiólogos expertos. Estas imágenes se complementaron con fotografías tomadas de ejemplares adicionales de peces amazónicos alojados en la colección ictiológica del Museo Nacional de Historia Natural del Smithsonian en Washington, DC. Se generó un modelo CNN que identificó 33 géneros de peces con una precisión media del 97,9%. Una mayor disponibilidad de herramientas precisas de reconocimiento de imágenes de peces de agua dulce, como la que se describe aquí, permitirá a los pescadores, las comunidades amazónicas y los "científicos ciudadanos" participar de manera más efectiva en la recopilación y el intercambio de datos de sus territorios para informar las políticas y decisiones de gestión que los afectan directamente.
Full text:
1
Collection:
01-internacional
Database:
MEDLINE
Type of study:
Diagnostic_studies
/
Prognostic_studies
Language:
En
Journal:
Ecol Evol
Year:
2023
Type:
Article