eLasmobranc Dataset: An Image Dataset for Elasmobranch Species Recognition and Biodiversity Monitoring

Dit paper introduceert de eLasmobranc-dataset, een publiek beschikbare verzameling van expert-gevalideerde afbeeldingen van zeven haai- en roggensoorten uit de oostelijke Middellandse Zee, die is ontworpen om nauwkeurige soortherkenning en biodiversiteitsmonitoring te ondersteunen via kunstmatige intelligentie.

De kern

Stel je voor dat de zee een enorme, drukke bibliotheek is, vol met boeken over verschillende soorten haaien en roggen. Het probleem is dat veel van deze "boeken" (de dieren) verdwijnen, en we hebben dringend nodig om te weten wie er precies nog in de bibliotheek zit om ze te beschermen. Maar tot nu toe was het moeilijk om ze te herkennen, vooral omdat de foto's vaak vaag, wazig of onder water genomen waren, waar het licht slecht is en het water troebel.

Dit artikel introduceert een nieuw, speciaal gemaakt foto-album genaamd het eLasmobranc Dataset. Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: Een Verkeerde Lijst

Stel je voor dat je een zoektocht houdt naar specifieke vogels in een bos. Als je alleen foto's hebt die onder water zijn genomen, of foto's waar je alleen de staart van een dier ziet, kun je de vogel niet goed identificeren. Bestaande databases voor haaien waren vaak zo: ze waren gemaakt om te detecteren ("oh, daar is een haai!"), niet om te herkennen ("oh, dat is een specifieke, bedreigde haaiensoort"). Ze waren ook vaak onduidelijk of beperkt tot grote groepen in plaats van specifieke soorten.

2. De Oplossing: Een Scherp, Gecurated Fotoalbum

De onderzoekers van de Universiteit van Alicante hebben een nieuw album samengesteld. In plaats van wazige onderwaterfoto's, hebben ze zich gefocust op kristalheldere foto's die vaak buiten het water zijn genomen.

• De Analogie: Denk aan het verschil tussen een wazige foto van een auto die voorbijrijdt in de regen (onderwater) en een scherpe foto van dezelfde auto in de showroom met de motorkap open (buiten water). Voor wetenschappers is de "showroom-foto" veel waardevoller om de details (de vorm van de vin, de vlekken, de tanden) te zien.
• De Inhoud: Het album bevat foto's van 7 specifieke soorten haaien en roggen die voorkomen langs de oostkust van Spanje. Sommige van deze soorten staan op de "rode lijst" als bedreigd, net als een zeldzame bloemsoort die we niet mogen laten uitsterven.

3. Hoe hebben ze het gemaakt? (De Verzamelaars)

De onderzoekers waren als detective's die hun sporen zorgvuldig verzamelden:

• Samenwerking: Ze werkten samen met lokale vismarkten en vissers. Als een visser een zeldzame haai ving, maakten ze er een duidelijke foto van voordat deze de markt bereikte.
• De Digitale Schat: Ze scanden ook enorme online databases (zoals iNaturalist en GBIF) door. Maar ze waren streng: ze gooiden alle wazige, slecht gelabelde of dubbele foto's weg.
• De Expert-Check: Net als een museumconservator die een schilderij controleert op echtheid, keken experts van de zeebiologie elke foto na. Zagen ze de kenmerken duidelijk? Was het de juiste soort? Zo niet, dan ging de foto de prullenbak in.

4. Waarom is dit album zo belangrijk?

Dit dataset is niet zomaar een mapje met plaatjes; het is een trainingsboek voor kunstmatige intelligentie (AI).

• De AI als Student: Stel je voor dat je een computer wilt leren om haaien te herkennen. Als je die computer leert met wazige onderwaterfoto's, zal hij in de echte wereld veel fouten maken. Maar als je hem leert met dit nieuwe, scherpe album, wordt hij een expert.
• Toekomstige Toepassing: Zodra de AI goed getraind is, kunnen we hem gebruiken om automatisch te tellen hoeveel haaien er zijn, waar ze zich bevinden, en of ze in gevaar zijn. Dit helpt bij het maken van betere regels om de zee te beschermen (zoals het aanwijzen van "veilige zones" voor haaien).

5. De Belangrijkste Regels voor Gebruik

Het artikel geeft ook een paar belangrijke tips voor wie dit album gaat gebruiken:

• Geen Data-Lekkage: Soms zijn er meerdere foto's van exact hetzelfde dier. Als je een computer test, zorg dan dat alle foto's van dat ene dier in dezelfde groep zitten (bijvoorbeeld allemaal in de "trainingsgroep"). Anders "leert" de computer het dier simpelweg uit het hoofd in plaats van de soort te herkennen.
• Diversiteit: Het album bevat niet alleen foto's uit Spanje, maar ook uit andere delen van de wereld, zodat de AI leert dat een haai er soms anders uitziet afhankelijk van waar hij is, maar toch dezelfde soort blijft.

Samenvatting

Kortom: De onderzoekers hebben een superhelder, zorgvuldig geselecteerd fotoalbum gemaakt van zeldzame haaien en roggen. Ze hebben de "slechte foto's" weggegooid en alleen de beste, duidelijkste beelden overgehouden. Dit album is nu gratis beschikbaar voor iedereen (via Zenodo) om AI-systemen te trainen, zodat we in de toekomst beter kunnen tellen, beschermen en begrijpen wat er gebeurt met deze prachtige, maar kwetsbare zeedieren. Het is een stap van "wazig zien" naar "helder begrijpen" voor de bescherming van onze oceanen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het paper "ELASMOBRANC DATASET: AN IMAGE DATASET FOR ELASMOBRANCH SPECIES RECOGNITION AND BIODIVERSITY MONITORING" in het Nederlands.

Probleemstelling

Elasmobranchiën (haaien, roggen en pijlstaartroggen) ondergaan wereldwijd een significante populatieafname, waarbij veel soorten als bedreigd zijn ingedeeld door de IUCN. Betrouwbare monitoring en soort-specifieke identificatie zijn cruciaal voor behoudsinitiatieven en ruimtelijke planning, zoals het definiëren van "Important Shark and Ray Areas" (ISRAs).

Er is echter een tekort aan geschikte visuele datasets voor dit doel:

• Bestaande datasets zijn vaak gericht op detectie in plaats van fijnkorrelige (fine-grained) classificatie op soortniveau.
• Datakwaliteit: Veel bestaande beelden zijn onderwater genomen, wat leidt tot wazigheid, variabele verlichting en obstructies die het zicht op diagnostische morfologische kenmerken beperken.
• Taxonomische resolutie: Veel datasets beperken zich tot grove categorieën of focussen op algemene soorten, terwijl zeldzame of bedreigde soorten vaak ondervertegenwoordigd zijn.
• Toegankelijkheid: Grote collecties zijn soms niet openbaar, wat reproduceerbaar onderzoek belemmert.

Methodologie

De auteurs hebben de eLasmobranc Dataset ontwikkeld, een zorgvuldig samengestelde en publiek toegankelijke beeldcollectie. De methodologie omvatte de volgende stappen:

1. Selectie van Soorten: De dataset focust op zeven ecologisch relevante soorten langs de oostkust van Spanje (een gebied met twee ISRAs):

   • Haaien: Galeorhinus galeus, Galeus melastomus, Mustelus mustelus, Oxynotus centrina, Scyliorhinus canicula.
   • Roggen: Leucoraja naevus (niet expliciet in de tekst genoemd als Raja undulata in de lijst, maar wel in de taxonomische figuur), en Torpedo marmorata.
   • Opmerking: De lijst in de tekst noemt Raja undulata in Tabel 1, maar de datasetbeschrijving en Figuur 4 noemen Leucoraja naevus. De dataset bevat in totaal 7 soorten.

2. Datacollectie en Bronnen:

   • Buitenwateropnames: Beelden zijn overwegend buiten het water verzameld om vervorming en omgevingsruis te minimaliseren en diagnostische morfologische kenmerken duidelijk zichtbaar te maken.
   • Bronnen: Data komt uit drie hoofdcategorieën:
     • Interne bronnen: Veldwerk, samenwerkingen met lokale vismarkten en projecten (gevolgd door een gestandaardiseerd protocol voor beeldkwaliteit en positie).
     • Externe bronnen: Openbare databases zoals GBIF, iNaturalist en DeepFish.
     • Webbronnen: Geselecteerde beelden van openbare platforms.
   • Licenties: Alle bronnen werden geverifieerd op Creative Commons-licenties die hergebruik toestaan.

3. Cureringsproces (Filtering):

   • Een strikte filterstrategie werd toegepast, zowel op basis van basiscriteria als expertbeoordeling.
   • Criteria: Beelden moesten de doelsoort tonen, buiten water zijn genomen, voldoende visuele kwaliteit hebben, het dier volledig of voldoende zichtbaar maken, en enkelvoudige exemplaren bevatten.
   • Expertvalidatie: Mariene wetenschappers met expertise in elasmobranchiën verifieerden de taxonomische labels. Bij twijfel of onvoldoende visueel bewijs werden beelden verwijderd.
   • Resultaat: Van de oorspronkelijke ~11.500 kandidaat-beelden uit grote datasets bleven slechts 844 over na expertvalidatie, wat de intensiteit van het filterproces benadrukt.

4. Dataset Samenstelling:

   • Totaal: 1.117 beelden.
   • Individuen: Deze beelden vertegenwoordigen 807 unieke individuen (niet 1-op-1 met beelden).
   • Metadata: Beelden zijn voorzien van ruimtelijke (land, regio) en temporele (datum) metadata, genormaliseerd naar DD-MM-JJJJ.

Belangrijkste Bijdragen

• Eerste Fijnkorrelige Dataset: De eerste publiek beschikbare dataset die specifiek is ontworpen voor supervised species-level classification (fijnkorrelige classificatie) van elasmobranchiën onder gestandaardiseerde condities.
• Kwaliteit en Duidelijkheid: In tegenstelling tot onderwater-datasets, biedt deze collectie beelden met hoge scherpte en duidelijke morfologische kenmerken, essentieel voor het onderscheiden van sterk op elkaar lijkende soorten.
• Behoudsgerichte Focus: De dataset bevat bedreigde en ondervertegenwoordigde soorten (zoals Galeorhinus galeus en Oxynotus centrina) en integreert IUCN-statussen en ISRAs.
• Open Science: De dataset is volledig openbaar beschikbaar via Zenodo en GitHub, inclusief attributiedata, citaties en taxonomische sleutels.
• Data-integriteit: Een uniek identificatiesysteem koppelt beelden aan unieke individuen, wat data-lekkage tijdens machine learning splitsing voorkomt.

Resultaten

• Dataset Statistieken: De uiteindelijke dataset bevat 1.117 beelden verdeeld over 7 soorten. De verdeling is ongelijk (bijv. Scyliorhinus canicula heeft 575 beelden, terwijl Oxynotus centrina er slechts 32 heeft), wat de realiteit van de beschikbare data weerspiegelt.
• Validatie: Alle annotaties zijn gevalideerd door een team van experts. De dataset is technisch gevalideerd voor gebruik in AI-systemen voor biodiversiteitsmonitoring.
• Structuur: De data is georganiseerd in mappen per soort, met bijbehorende CSV-bestanden voor metadata (datum, locatie, bron, licentie) en een attributie-bestand.

Betekenis en Toekomstperspectief

De eLasmobranc Dataset vult een kritieke lacune in de computer vision-literatuur voor mariene biologie.

• Onderzoek: Het stelt onderzoekers in staat om nauwkeurige modellen te trainen voor soortherkenning, wat essentieel is voor het monitoren van populaties en het evalueren van de effectiviteit van beschermingsgebieden (ISRAs).
• Reproduceerbaarheid: Door de standaardisatie en openbaarheid wordt vergelijkend onderzoek en reproduceerbaarheid bevorderd.
• Toepassing: De dataset ondersteunt de ontwikkeling van AI-systemen voor geautomatiseerde identificatie, wat kan leiden tot efficiëntere monitoringmethoden in de toekomst.
• Ethisch: Het onderzoek benadrukt dat geen levende dieren zijn geofferd; alle beelden zijn afkomstig van dieren die al dood waren door commerciële of recreatieve visserij.

Kortom, dit paper introduceert een hoogwaardige, expert-gevalideerde dataset die de brug slaat tussen mariene ecologie en geavanceerde beeldherkenningsalgoritmen, met als doel de bescherming van bedreigde haaien- en roggensoorten te ondersteunen.