Loading...
Approaches for the recognition and classification of marine sponges: Leveraging deep learning in underwater environments
Portalatin, Andy
Portalatin, Andy
Citations
Altmetric:
Abstract
Marine sponges (Phylum Porifera) are known to be an integral part of marine ecosystems, as they provide essential functions such as nutrient cycling, water filtration, and species-specific niches. These resilient organisms can thrive in various temperature zones and depths, even adapting to freshwater environments. Beyond their ecological significance, sponges possess valuable natural compounds with proven applications in medicine, evolutionary analysis, commercial resources, and many other fields. Nonetheless, marine sponges face escalating threats from climate change, overfishing, coastal development, land-based runoff, to different types of pollution. Accurate identification and classification are thus critical for a better understanding of their roles and implementing conservation strategies. Traditional classification methods alone are labor-intensive and depend on expertise, limiting their scalability. To address these challenges, we developed the “Porifera Classifier”, a deep learning, computer vision model trained on a curated dataset of 16,915 labelled images that allows it to detect and classify up to 126 species of marine sponges. Established through a YOLOv8 architecture, the model ensures state-of-the-art accuracy benchmarks based on the detection of amorphous and highly varying structural objects. It further evaluates the integration of algorithms that compensate for light scattering in underwater recordings. The annotated dataset also serves as a valuable resource for future studies. Moreover, this thesis elucidates the growing role of machine learning in oceanography and environmental research. Computer vision enhances research precision and efficiency, extending to critical areas like ecology, evolution, microbiology, and genetics, contributing to a comprehensive understanding of marine and terrestrial biology.
Las esponjas marinas (Filo Porifera) desempeñan un papel integral en los ecosistemas marinos, proporcionando funciones esenciales como el ciclo de nutrientes, la filtración de agua y nichos específicos para diversas especies. Estos organismos resistentes prosperan en diferentes zonas de temperatura y profundidades, adaptándose incluso a entornos de agua dulce. Más allá de su importancia ecológica, las esponjas poseen compuestos naturales valiosos con aplicaciones comprobadas en medicina, análisis evolutivo, recursos comerciales y otros campos. Sin embargo, enfrentan amenazas crecientes debido al cambio climático, la sobreexplotación pesquera, el desarrollo costero, escorrentías terrestres y diversos tipos de contaminación. La identificación y clasificación precisas son cruciales para comprender mejor sus roles e implementar estrategias de conservación. Los métodos tradicionales de clasificación son laboriosos y dependen del conocimiento de taxónomos, limitando su escalabilidad. Para abordar estos desafíos, desarrollamos el "Porifera Classifier", un modelo de aprendizaje profundo y visión por computadora entrenado con un conjunto de 16,915 imágenes etiquetadas que le permite detectar y clasificar hasta 126 especies de esponjas marinas. Establecido a través de la arquitectura YOLOv8, el modelo garantiza avances de precisión de última generación basados en la detección de objetos estructurales amorfos y altamente variables. Además, evalúa la integración de algoritmos que compensan la dispersión de luz en grabaciones submarinas. El conjunto de imágenes anotadas también sirve como una librería valiosa para futuros estudios. Además, esta tesis aclara el creciente rol del aprendizaje automático dentro de la oceanografía e investigación ambiental. La visión por computadora mejora la precisión y eficiencia de las investigaciones, abarcando áreas críticas como ecología, evolución, microbiología y genética, contribuyendo a una comprensión integral de la biología marina y terrestre.
Las esponjas marinas (Filo Porifera) desempeñan un papel integral en los ecosistemas marinos, proporcionando funciones esenciales como el ciclo de nutrientes, la filtración de agua y nichos específicos para diversas especies. Estos organismos resistentes prosperan en diferentes zonas de temperatura y profundidades, adaptándose incluso a entornos de agua dulce. Más allá de su importancia ecológica, las esponjas poseen compuestos naturales valiosos con aplicaciones comprobadas en medicina, análisis evolutivo, recursos comerciales y otros campos. Sin embargo, enfrentan amenazas crecientes debido al cambio climático, la sobreexplotación pesquera, el desarrollo costero, escorrentías terrestres y diversos tipos de contaminación. La identificación y clasificación precisas son cruciales para comprender mejor sus roles e implementar estrategias de conservación. Los métodos tradicionales de clasificación son laboriosos y dependen del conocimiento de taxónomos, limitando su escalabilidad. Para abordar estos desafíos, desarrollamos el "Porifera Classifier", un modelo de aprendizaje profundo y visión por computadora entrenado con un conjunto de 16,915 imágenes etiquetadas que le permite detectar y clasificar hasta 126 especies de esponjas marinas. Establecido a través de la arquitectura YOLOv8, el modelo garantiza avances de precisión de última generación basados en la detección de objetos estructurales amorfos y altamente variables. Además, evalúa la integración de algoritmos que compensan la dispersión de luz en grabaciones submarinas. El conjunto de imágenes anotadas también sirve como una librería valiosa para futuros estudios. Además, esta tesis aclara el creciente rol del aprendizaje automático dentro de la oceanografía e investigación ambiental. La visión por computadora mejora la precisión y eficiencia de las investigaciones, abarcando áreas críticas como ecología, evolución, microbiología y genética, contribuyendo a una comprensión integral de la biología marina y terrestre.
Description
Date
2023-12-12
Journal Title
Journal ISSN
Volume Title
Publisher
Collections
Keywords
Porifera, Deep learning, Coomputer vision, Porifera classifier, Underwater imaging