Computer vision-based estimation of invertebrate biomass

Dit artikel introduceert computer vision-methoden, waaronder lineaire modellen en deep learning, die gebruikmaken van beelden en zinksnelheid van invertebraten om hun droge biomassa nauwkeurig te schatten zonder destructieve handmatige weging.

De kern

Stel je voor dat je een enorme berg onzichtbare schatten wilt tellen: duizenden kleine insecten, spinnen en waterdieren die door onze ecosystemen zwermen. Om te begrijpen hoe gezond onze natuur is, moeten wetenschappers niet alleen weten hoeveel er zijn, maar ook hoe zwaar ze zijn. Dit gewicht (de biomassa) vertelt ons hoeveel energie er in een ecosysteem zit.

Maar hier zit het probleem: om het gewicht van een insect te weten, moet je het meestal eerst drogen in een oven en het vervolgens op een ultra-precieze weegschaal leggen. Dit is tijdverslindend, vernietigend (het insect gaat dood) en onmogelijk om te doen voor duizenden dieren tegelijk.

De auteurs van dit paper hebben een slimme oplossing bedacht: laat de camera het werk doen. Ze hebben een systeem ontwikkeld dat het gewicht van een insect kan "schatten" op basis van alleen foto's.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De "Badkuip" van de Camera

Stel je een heel klein badje voor, gevuld met alcohol. Een mens laat een insectje vallen in dit badje. Terwijl het insectje langzaam zakt naar de bodem, nemen twee camera's (die haaks op elkaar staan) een reeks foto's op.

Het systeem kijkt naar twee dingen:

• Hoe groot is het? (Het oppervlak op de foto).
• Hoe snel zakt het? (Hoeveel foto's zijn er gemaakt terwijl het zakte?).

2. De Analogie: De Parachutist en de Steen

Om het gewicht te raden, gebruiken de onderzoekers een slimme truc die lijkt op het vergelijken van een parachutist en een steen.

• Als je een veer en een steen van dezelfde grootte (oppervlak) laat vallen, valt de veer veel langzamer dan de steen. Waarom? Omdat de veer minder zwaar is voor zijn formaat (minder dichtheid).
• In dit experiment is de "val" het zinken in de alcohol.
  • Snel zinken = Dicht en zwaar (zoals een steen).
  • Langzaam zinken = Luchtig en licht (zoals een veer).

Door te kijken naar hoe groot het insect is én hoe snel het zakt, kan het computerprogramma een heel goed schatting maken van het gewicht, zonder dat ze het ooit hoeven aan te raken.

3. Twee Manieren om te Leren

De onderzoekers hebben getest met twee verschillende "hersenen" (algoritmen) om dit te leren:

• De Slimme Rekenaar (Lineair Model): Dit is als een ervaren leraar die een simpele formule heeft: "Als het oppervlak X is en de snelheid Y, dan is het gewicht Z." Dit werkt heel goed als je te maken hebt met een groepje dieren die op elkaar lijken (zoals alleen muggen of alleen vissen).
• De Kunstenaar (Neuraal Netwerk / Deep Learning): Dit is als een kunstenaar die duizenden foto's heeft gezien en patronen leert die een rekenaar niet ziet. Een vlieg heeft bijvoorbeeld vleugels die groot zijn op de foto, maar heel licht wegen. Een kever heeft een hard pantser dat klein is op de foto, maar zwaar weegt. De "kunstenaar" leert deze subtiele verschillen. Dit werkt het beste als je een enorme, diverse mix van dieren hebt (spinnen, kevers, vliegen, etc. door elkaar).

4. De Resultaten: Hoe goed is het?

Het systeem is verrassend goed.

• Voor individuele dieren ligt de foutmarge vaak tussen de 10% en 20%. Dat betekent dat als een insectje 100 gram weegt, het systeem schat dat het ergens tussen de 80 en 120 gram weegt.
• Als je kijkt naar hele groepen (bijvoorbeeld "alle vliegen in deze emmer"), is de schatting zelfs nog nauwkeuriger.
• Het systeem kan zelfs de dieren automatisch herkennen (bijv. "dit is een kever") en tegelijkertijd het gewicht schatten.

5. Waarom is dit belangrijk?

Vroeger moesten onderzoekers urenlang zitten met pincetten en weegschalen. Nu kunnen ze duizenden monsters scannen in een paar uur.

• Schaalbaarheid: Je kunt nu enorme gebieden monitoren.
• Niet-destructief: Je hoeft de dieren niet te doden om hun gewicht te weten (hoewel ze in dit experiment wel gedroogd werden voor de test, is de methode in theorie niet-destructief).
• Toekomst: Dit helpt ons sneller te zien of onze natuur gezond is of dat er iets misgaat.

Kortom: De onderzoekers hebben een manier gevonden om de "zwaarte" van de natuur te meten met een camera en een beetje wiskunde, net zoals je zou raden of een doos met veren of met stenen is, door te kijken hoe snel hij zakt in water. Het is een enorme stap voorwaarts voor het beschermen van onze biodiversiteit.

Technische samenvatting

Probleemstelling

Het monitoren van biodiversiteit vereist een nauwkeurige schatting van de biomassa (droge massa) van ongewervelde dieren. De traditionele methode, het handmatig drogen en wegen van specimens, is tijdrovend, vernietigend voor het specimen en niet schaalbaar voor grote datasets. Bestaande niet-destructieve methoden vertrouwen vaak op heuristische regressiemodellen gebaseerd op handmatige metingen van lengte en breedte, wat eveneens veel mankracht kost. Er is behoefte aan geautomatiseerde methoden die biomassa kunnen schatten op basis van afbeeldingen, zonder extra handmatige ingrepen, om biodiversiteitsmonitoring op grote schaal mogelijk te maken.

Methodologie

De auteurs presenteren een nieuwe dataset en twee benaderingen voor het schatten van de droge massa van ongewervelden, gebruikmakend van het BIODISCOVER-apparaat. Dit apparaat neemt beeldsequenties op van specimens die door een ethanolkolom zinken, waarbij twee camera's (90 graden ten opzichte van elkaar) beelden vastleggen.

1. Dataset:

• Order-dataset: 980 specimens van 5 ordes (Araneae, Coleoptera, Diptera, Hemiptera, Hymenoptera) uit Denemarken.
• Species-dataset: 136 specimens van 3 soorten (Asellus aquaticus, Caenis horaria, Kageronia fuscogrisea) uit Finland.
• Beide datasets bevatten gepaarde data van droge massa (microgram) en beeldsequenties.

2. Voorspellende Kenmerken:
Naast de traditionele oppervlakte (in pixels) introduceerden de auteurs de zinksnelheid als nieuwe predictor. Omdat de frame-rate vaststaat, kan de zinksnelheid worden berekend op basis van het aantal beelden dat nodig is om een bepaalde afstand af te leggen. Snelheid fungeert als een proxy voor dichtheid, wat cruciaal is omdat een groot oppervlak niet altijd overeenkomt met een grote massa (bijv. dunne vleugels).

3. Modellering Benaderingen:

• Lineaire Modellen: Gewone kleinste-kwadraten regressie (OLS) met als voorspellers:
  • Alleen gemiddelde oppervlakte.
  • Oppervlakte + zinksnelheid.
• Deep Learning (Convolutional Neural Networks - CNN):
  • Single-view CNN: Verwerkt één afbeelding per specimen.
  • Multi-view CNN: Verwerkt twee afbeeldingen (van de twee camera's) en voegt de features samen.
  • Metadata-aware CNN: Combineert beeldfeatures met metadata (oppervlakte en zinksnelheid) via een aparte encoder.
  • Architecturen: Voornamelijk ResNet18, met tests op EfficientNet (B0, B2).
  • Training: Gebruik van log-transformaties op de doelen, verschillende verliesfuncties (L1, L2, percentage errors) en data-augmentatie (vooral flips en 90° rotaties; vervormende augmentaties bleken schadelijk).

4. Evaluatie:
De modellen werden getest op binnen-distributie (in-distribution), fijnafstemming (fine-tuning) en buiten-distributie (out-of-distribution, OOD). Er werden zowel absolute fouten (MAE, RMSE) als percentage fouten (MAPE, MdAPE) gebruikt, omdat deze verschillende eigenschappen meten.

Belangrijkste Bijdragen

1. Innovatieve Predictor: Het introduceren van zinksnelheid als een automatisch berekende predictor voor biomassa, wat de relatie tussen oppervlakte en massa verbetert door dichtheidsverschillen te vangen.
2. Grote Dataset: De publicatie van een grote, hoogwaardige dataset van 1.116 individueel gewogen en afgebeelde specimens, wat zeldzaam is in dit domein.
3. Vergelijkende Analyse: Een uitgebreide vergelijking tussen traditionele lineaire modellen en state-of-the-art deep learning modellen, inclusief de impact van metadata en multi-view input.
4. End-to-End Pipeline: Een demonstratie van een volledig geautomatiseerd systeem dat zowel taxonomische classificatie als biomassa-schatting uitvoert, waarbij de verdelingen van de geschatte massa de werkelijke verdelingen nauwkeurig nabootsen.
5. Methodologische Richtlijnen: Aanbevelingen voor evaluatiemetrics (het belang van zowel absolute als percentage fouten) en trainingstrategieën (bijv. het vermijden van vervormende augmentaties bij massa-schatting).

Resultaten

• Prestaties per Dataset:
  • Op de kleine, homogene Species-dataset presteerden lineaire modellen (vooral met oppervlakte + snelheid) het beste. Deep learning modellen leden hier onder overfitting.
  • Op de grote, heterogene Order-dataset presteerden CNN's aanzienlijk beter dan lineaire modellen, omdat ze complexe visuele relaties kunnen leren die lineaire modellen niet kunnen vangen.
• Optimalisatie:
  • De metadata-aware CNN (ResNet18 met oppervlakte en snelheid als input) leverde over het algemeen de beste resultaten, met een mediaan percentage fout (MdAPE) van 10-20% voor individuen.
  • Log-L1 en Log-L2 verliesfuncties presteerden beter dan niet-gelogarithmeerde versies.
  • Eenvoudige augmentaties (flips + 90° rotaties) waren superieur aan complexe, vervormende augmentaties (zoals TrivialAugment), omdat de fysieke afmetingen van het object direct correleren met de massa.
• Generalisatie (OOD):
  • Lineaire modellen toonden een sterkere generalisatie naar onbekende taxonomische groepen dan CNN's, hoewel CNN's met metadata de prestaties verbeterden.
  • Fijnafstemming (fine-tuning) van een model getraind op de Order-dataset op de Species-dataset (met slechts ~50 specimens per soort) resulteerde in goede prestaties.
• End-to-End: Het gecombineerde classificatie- en schattingssysteem produceerde massaverdelingen die statistisch niet significant verschilden van de werkelijke verdelingen (Kolmogorov-Smirnov test), wat aantoont dat fouten in classificatie de algehele biomassa-schatting op groepsniveau niet sterk beïnvloeden.

Betekenis en Conclusie

Dit onderzoek toont aan dat computer vision een haalbaar en nauwkeurig alternatief is voor het handmatig wegen van ongewervelden. De combinatie van beeldanalyse met fysieke metingen (zinksnelheid) via het BIODISCOVER-systeem maakt het mogelijk om biomassa te schatten met een mediane foutmarge van 10-20% op individueel niveau, en met hoge nauwkeurigheid op groepsniveau.

De studie benadrukt dat de keuze van het model afhangt van de datasetgrootte en -diversiteit: lineaire modellen zijn efficiënt voor kleine, homogene datasets, terwijl deep learning (vooral metadata-aware CNN's) superieur is voor grote, diverse datasets. Deze aanpak kan de schaalbaarheid van biodiversiteitsmonitoring drastisch verbeteren, waardoor grootschalige studies naar ecosysteemprocessen en energieflow mogelijk worden zonder de beperkingen van destructieve bemonstering.