E-mail | SIS | Moodle | Helpdesk | Knihovny | cuni.cz | CIS Více

česky | english Přihlášení



Není moucha jako moucha

Hmyz má zásadní význam jak z hlediska fungování ekosystému Země, tak z pohledu vlivu na lidskou společnost. Přesné rozpoznání konkrétního druhu však mnohdy není jednoduché a často bývá i časově náročné. Skupina vědců spolu s Dominikem Vondráčkem z Katedry zoologie se proto zaměřili na možnost vytvoření automatického identifikačního systému s využitím moderních technologií.
Moucha domácí, nejčastější druh dvoukřídlých. Foto: Lucie Fraindová.

V současné době je známo přes milion druhů hmyzu, přičemž v rámci jednoho druhu lze často pozorovat značnou variabilitu z důvodu pohlaví, stadia vývoje či zbarvení. Jeho přesná identifikace je však velmi důležitá. Hmyz tvoří značnou část biologické diverzity, zároveň hraje významnou, často i nezastupitelnou roli ve fungování jednotlivých ekosystémů Země. Na druhou stranu se zde vyskytuje mnoho druhů hmyzu, kteří jsou přenašeči různých chorob nebo se jedná o škůdce zemědělských plodin. Pro zjištění konkrétního druhu je potřeba dlouholetých znalostí expertů na tuto problematiku, zároveň je identifikace často časově náročná. Proto již v minulosti byly snahy o zautomatizování a zjednodušení identifikace hmyzu, které však byly často nepřesné a vyžadovaly mnoho vstupních dat.  S rozvojem nové metody-tzv. konvolučních neuronových sítí došlo k možnostem zpřesnění a vyřešení většiny problémů s automatickou identifikací hmyzu. 

Konvoluční neuronové sítě (CNN) jsou praktickým nástrojem pro rozpoznání obrazu, pro který je potřeba vstupních parametrů zásadně redukována. Stručně řečeno dochází při konvoluční části k automatickému předzpracování obrazu do formy vektoru, který vstupuje dále do neuronových sítí, které s nimi pracují a dochází ke klasifikaci. 

Rozpoznání tří příbuzných druhů zlatohlávka rodu Oxythyrea bylo v pokusu úspěšné z 97,3 %. Foto: Dominik Vondráček.

Jelikož se jedná o nadějnou metodu, vědci se ve svém bádání zaměřili na určení přesnosti automatické identifikace hmyzu právě s pomocí konvolučních neuronových sítí. Pro svůj výzkum použili čtyři různé fotografické datové sety. První dva datasety skládající se z fotografií různých čeledí byly použity ke zjištění, zda je možné automatický systém „naučit“ rozpoznat různé vyšší skupiny brouků a dvoukřídlých. Zbylé dva datasety byly zaměřené na rozpoznávání jedinců na druhové úrovni. V prvním datasetu bylo obsaženo 884 jedinců dvoukřídlých z 11 čeledí fotografovaných z předního pohledu na hlavu, přičemž úspěšnost zde byla 92,7 %. U brouků (2936 různých jedinců ze 14 čeledí fotografovaných z hřbetního pohledu) byla úspěšnost již 96,1 %. U dalších dvou datasetů se vědci snažili testovat úspěšnost automatického rozpoznání druhů, které jsou si velmi podobné a jsou těžko identifikovatelné i pro lidské odborníky. V tomto případě se podařilo správně automaticky rozpoznat 97,3 % pro tři příbuzné druhy zlatohlávků rodu Oxythyrea (339 jedinců, pohled na hřbet) a 98.6 % pro devět druhů larválních stádií pošvatek (3845 fotografií-více obrázků od jednoho vzorku z různých pohledů). 

Výsledky výzkumu jsou nadmíru uspokojivé, neboť dokázaly, že pomocí moderních technologií je možné určit konkrétní druhy hmyzu s přesností více než 90 %. Podařilo se tak i na velmi malých datasetech, přičemž se výsledky mohly rovnat s vyhodnoceními expertů na entomologii. S použitím konvolučních neuronových sítí by tak bylo možné plně zautomatizovat taxonomický identifikační systém. 

Použití konvolučních neuronových sítí v oblasti biodiverzity je teprve v počátcích, ale již dnes je možné pozorovat značné úspěchy. Autoři upozorňují, že by s pomocí této metody bylo v budoucnu možné kromě identifikace stávajících druhů odhalit i druhy ještě nepopsané, případně tzv. kryptické druhy, které se odlišují jen méně patrnými znaky a bývají dnes identifikovány zejména pomocí DNA.

Kateřina Fraindová

Valan, M., Makonyi, K., Maki, A., Vondráček, D., Ronquist, F. (2019): Automated Taxonomic Identification of Insects with Expert-Level Accuracy Using Effective Feature Transfer from Convolutional Networks. Systematic Biology 68(6): 876–895.

Publikováno: Pátek 21.02.2020 20:40

Akce dokumentů