Automated morphometry and weight prediction of juvenile Chinook Salmon leveraging open-source deep learning models

Die Studie stellt ein automatisiertes, auf Open-Source-Deep-Learning-Modellen basierendes Framework namens HandsFreeFishing vor, das durch Segmentierung von 2D-Bildern morphometrische Merkmale von juvenilen Chinook-Lachsen extrahiert und deren Gewicht mit hoher Präzision vorhersagt, um die physische Handhabung bedrohter Fischarten zu minimieren.

Das Wesentliche

Titel: Wie man Fische wiegt, ohne sie jemals zu berühren – Eine digitale Waage aus dem Computer

Stellen Sie sich vor, Sie möchten wissen, wie schwer ein kleiner Fisch ist. Normalerweise müssten Sie ihn aus dem Wasser holen, auf eine Waage legen und wieder zurücksetzen. Das ist stressig für den Fisch und kann ihn verletzen. Aber was, wenn Sie ihn einfach nur fotografieren könnten und ein Computer Ihnen sofort sagt: „Ah, dieser Fisch wiegt genau 5 Gramm"?

Genau das ist es, was Brian Knight und sein Team mit ihrem neuen Programm „HandsFreeFishing" (auf Deutsch: „Fischen mit freien Händen") entwickelt haben. Hier ist die Geschichte, wie sie das gemacht haben, ganz einfach erklärt:

1. Das Problem: Der stressige Fisch-Check

Jungfische, wie der Chinook-Lachs, sind oft bedroht. Wenn Wissenschaftler sie untersuchen wollen, müssen sie sie normalerweise aus dem Wasser nehmen, um Länge und Gewicht zu messen. Das ist wie ein Arzt, der einen Patienten aus dem Bett hebt, um ihn zu wiegen, statt ihn einfach auf der Liege zu lassen. Das stresst die Tiere und kann sie krank machen.

2. Die Lösung: Ein digitaler „Fisch-Spion"

Die Forscher haben ein Programm gebaut, das wie ein super-intelligenter Fotograf funktioniert.

• Der Fisch bleibt im Wasser: Der Fisch wird in einen speziellen Behälter mit Wasser gelegt, der wie ein kleiner Aquarium-Fenster aussieht.
• Das Foto: Ein normales Handy oder eine Kamera macht ein Foto von der Seite.
• Der Zaubertrick (KI): Hier kommt die künstliche Intelligenz ins Spiel. Sie nutzen ein sehr bekanntes, kostenloses Programm von Meta (dem Mutterkonzern von Facebook) namens „Segment Anything" (SAM).

3. Wie funktioniert der „Zaubertrick"?

Stellen Sie sich vor, Sie haben ein Foto von einem Fisch und zeichnen mit dem Finger einen Kasten um ihn herum. Das ist alles, was der Mensch tun muss.

• Der KI-Maler: Sobald Sie den Kasten gezogen haben, übernimmt die KI. Sie malt den Fisch wie mit einem unsichtbaren Pinsel exakt aus dem Hintergrund heraus. Sie weiß genau, wo der Kopf ist, wo der Schwanz ist und wo die Flossen sind.
• Der „Flossen-Entferner": Flossen sind tricky. Wenn ein Fisch seine Flossen bewegt, sieht er auf dem Foto mal dick, mal dünn aus. Das Programm erkennt die Flossen und schneidet sie digital quasi weg. Es betrachtet nur den eigentlichen Körper des Fisches, als wären die Flossen unsichtbar. So wird die Messung viel genauer.
• Die digitale Waage: Der Computer misst nun die Fläche des Fischkörpers auf dem Foto. Er stellt sich vor, der Fisch sei eine Art 3D-Ei (ein Ellipsoid). Wenn man weiß, wie groß die Fläche ist und wie hoch der Fisch ist, kann man das Volumen berechnen. Und da Wasser und Fischfleisch eine ähnliche Dichte haben, bedeutet Volumen fast automatisch auch Gewicht.

4. Das Ergebnis: Schnell, genau und schonend

Das Programm hat an 149 Fischen getestet. Die Ergebnisse waren erstaunlich:

• Es hat das Gewicht fast perfekt vorhergesagt (zu 99 % genau!).
• Der Fehler lag im Durchschnitt nur bei 0,16 Gramm. Das ist weniger als das Gewicht eines einzigen kleinen Wassertropfens!
• Der Fisch wurde dabei niemals aus dem Wasser geholt.

Warum ist das so wichtig?

Stellen Sie sich vor, Sie müssten jeden Tag 100 Patienten wiegen. Wenn Sie sie jedes Mal aus dem Bett heben müssten, wären sie am Ende des Tages völlig erschöpft. Mit dieser Methode können die Wissenschaftler einfach ein Foto machen und haben sofort alle Daten.

• Für die Fische: Kein Stress, keine Verletzungen.
• Für die Wissenschaft: Sie können viel mehr Daten sammeln, viel schneller und ohne Fehler, die durch menschliche Müdigkeit entstehen.
• Für die Zukunft: Da das Programm „Open Source" (frei verfügbar) ist, können andere Forscher es leicht anpassen, um auch andere Tierarten zu messen.

Zusammenfassend:
Dieses Programm ist wie ein digitaler Assistent, der es Wissenschaftlern erlaubt, die Gesundheit von bedrohten Fischarten zu überwachen, ohne sie jemals zu berühren. Es ist ein Gewinn für den Tierschutz und ein großer Sprung für die moderne Fischereiwissenschaft.

Technische Zusammenfassung

Technische Zusammenfassung: Automatisierte Morphometrie und Gewichtsprognose bei juvenilem Chinook-Lachs

1. Problemstellung
Der Bestand des bedrohten Chinook-Lachses (Oncorhynchus tshawytscha) an der Küste Kaliforniens ist durch Überfischung und Lebensraumverlust gefährdet. Für das Management und den Schutz dieser Populationen ist die Erfassung morphometrischer Daten (z. B. Länge, Gewicht, Konditionsfaktor) entscheidend. Herkömmliche Methoden erfordern jedoch oft das Herausfangen und manuelle Wiegen sowie Messen der Fische. Dies ist zeitaufwendig, fehleranfällig und verursacht Stress für die Tiere, was insbesondere bei geschützten Arten problematisch ist. Zudem stellt die manuelle Digitalisierung von Messpunkten auf jedem einzelnen Fisch einen Engpass im Datenverarbeitungsprozess dar.

2. Methodik
Das Papier stellt das "HandsFreeFishing"-Programm vor, ein Framework zur automatisierten Bildanalyse, das den Umgang mit den Fischen minimiert, indem sie während der gesamten Messung im Wasser bleiben.

• Datenerfassung:

  • Bilder werden mit einer einfachen Digitalkamera in einem speziellen "Fish Viewer" aufgenommen.
  • Der Viewer enthält ein 5x5-mm-Raster im Hintergrund zur Skalierung und Beleuchtung für scharfe Aufnahmen.
  • Die Fische (Gabelänge 27–90 mm, Gewicht 0,31–7,74 g) werden im Wasser fotografiert und anschließend zurück in ihren Tank gesetzt.

• Verarbeitungs-Pipeline:

  1. Manuelle Vorverarbeitung: Der Nutzer zeichnet einen Bounding Box um den Fisch und gibt minimale Orientierungsdaten an (Richtung: links/rechts; Lage: aufrecht/verkehrt).
  2. Segmentierung (Deep Learning): Das Open-Source-Modell Segment Anything Model (SAM) von Meta wird eingesetzt, um eine initiale Maske des Fisches zu erstellen.
  3. Verfeinerung & Kontur:
     • Mittels elliptischer Fourier-Analyse wird eine glatte 2D-Kontur berechnet.
     • Das Raster im Hintergrund wird per Template Matching genutzt, um den Pixel-zu-Millimeter-Skalierungsfaktor zu bestimmen.
     • Flossen-Entfernung: Da Flossen in verschiedenen Positionen (hoch/runter) die Seitenprofilfläche und damit die Gewichtsprognose verfälschen können, werden Flossen (Caudal-, Adipose-, Dorsal-, etc.) automatisch segmentiert und aus der Hauptmaske entfernt ("No-Fin"-Segmentierung).
     • Um Artefakte zu bereinigen, wird nur die größte zusammenhängende Komponente behalten und eine konvexe Hülle (Convex Hull) berechnet, falls die Segmentierung Lücken aufweist.
  4. Feature-Extraktion:
     • Gabelänge (Fork Length): Bestimmung von Schnauzenspitze bis zur Mitte der Schwanzgabel.
     • Oberfläche (Surface Area): Berechnung der Seitenflächen des "Flossen-freien" Profils.
     • Weitere Merkmale: Augendurchmesser, Landmarkenpunkte (Truss-Lattice) und Anpassung einer Ellipse an die Kontur (Haupt- und Nebenachsen $a$ und $b$).

• Gewichtsprognose-Modelle:
  Basierend auf den extrahierten Merkmalen wurden mehrere lineare und multiple lineare Regressionsmodelle (MLR) in Python (Scikit-Learn) trainiert. Die Modelle basieren auf der Annahme, dass der Fischkörper einem 3D-Ellipsoid ähnelt.

  • Annahme: Das Volumen $V$ ist proportional zum Gewicht.
  • Vereinfachung: Wenn die Tiefe (Girth) proportional zur Höhe ist, gilt $V \propto \text{Oberfläche} \times \text{Höhe}$.
  • Modell 1 (Bestes Modell): Lineare Regression mit der Variable $V_1 = \text{Oberfläche (SA)} \times \text{Höhe (b)}$.
  • Andere Modelle testeten Kombinationen aus $SA^{3/2}$, $a \times b^2$, partitionierten Oberflächen und Landmarkenlängen (gepotenziert).

3. Wichtige Beiträge

• Automatisierung: Entwicklung eines vollständig automatisierten Pipelines von der Rohbildaufnahme bis zur Gewichtsprognose, das nur minimale menschliche Eingaben erfordert.
• Open-Source-Integration: Erfolgreiche Anwendung des Meta-SAM-Modells für die biologische Fischsegmentierung, was eine Anpassung an andere Arten ermöglicht.
• Minimierung des Stresses: Das Verfahren eliminiert das Herausnehmen der Fische aus dem Wasser, was den Stress für bedrohte Arten drastisch reduziert.
• Reproduzierbarkeit: Der gesamte Code und die Installationsanleitungen sind auf GitHub verfügbar.

4. Ergebnisse
Das Modell wurde an einem Datensatz von 149 Bildern (davon 109 in einer "bereinigten" Version ohne schlechte Segmentierungen) getestet.

• Genauigkeit (Modell 1 auf bereinigtem Datensatz):
  • Bestimmtheitsmaß ($R^2$): 0,99
  • Mittlere absolute Abweichung (MAE): 0,16 g
  • Mittlere absolute prozentuale Abweichung (MAPE): 12 %
  • Akaike-Informationskriterium (AIC): -19,98
• Vergleich: Modell 1 (Oberfläche $\times$ Höhe) lieferte die besten Ergebnisse, auch wenn Modell 2 ($SA^{3/2}$) auf dem bereinigten Datensatz einen besseren AIC-Wert hatte. Modell 1 wurde bevorzugt, da es weniger restriktive Annahmen über die Proportionalität von Länge und Höhe trifft.
• Robustheit: Selbst mit dem ungesäuberten Datensatz (149 Bilder) blieben die Ergebnisse hochpräzise ($R^2 = 0,98$), was die Robustheit des Ansatzes trotz potenzieller Segmentierungsfehler unterstreicht.

5. Bedeutung und Ausblick
Die Studie demonstriert, dass Deep-Learning-Methoden in Kombination mit einfachen Bildaufnahmen eine hochpräzise, nicht-invasive Alternative zu traditionellen Fischmessungen bieten.

• Ökologischer Nutzen: Ermöglicht die Sammlung großer Mengen an morphometrischen Daten (Gewicht, Konditionsfaktor) ohne Gefährdung der Fische.
• Skalierbarkeit: Da die Software Open-Source ist und anpassbare Heuristiken für die Flossen- und Augensegmentierung bietet, kann das System leicht auf andere Fischarten und Lebensstadien übertragen werden.
• Zukünftige Arbeiten: Potenzielle Verbesserungen umfassen die Segmentierung der Mittellinie zur besseren Orientierung, die Vorhersage des Konditionsfaktors und die Erweiterung des Trainingsdatensatzes für komplexere Modelle.

Zusammenfassend stellt "HandsFreeFishing" einen bedeutenden Fortschritt im Bereich des Fischereimanagements dar, der Technologie und Naturschutz effektiv verbindet.