Low Cost Machine Vision for Insect Classification

要約

昆虫の数と多様性を保存することは、環境の持続可能性の分野における私たちの社会の最も重要な目標の 1 つです。
このための前提条件は、相関関係を検出し、対策を特定するための体系的かつ大規模な監視です。
そのため、生きた罠による監視の自動化が重要ですが、これまで昆虫学的な分類に十分な詳細情報を画像データとして提供するシステムはありませんでした。
この研究では、古典的なトラップ タイプに適応できる、低コストでスケーラブルなオープンソース システムとして開発されたマルチセンサー システムの一部としてのイメージング手法を紹介します。
画質は、分類ツリーでの分類に必要な要件を満たしています。
したがって、照明と解像度が最適化され、モーションアーティファクトが抑制されました。
このシステムは、同じおよび異なる属、科、目の昆虫 16 種からなるデータセットで例示的に評価されます。
ResNet50 (iNaturalist データで事前トレーニング済み) や MobileNet などの標準 CNN アーキテクチャが、再トレーニング後の予測タスクで非常にうまく機能することを実証します。
小規模なカスタムメイドの CNN も有望な結果につながります。
$>96\%$ の分類精度が達成されました。
さらに、昆虫の画像トリミングは、クラス間の類似性が高い種の分類に必要であることが証明されました。

要約(オリジナル)

Preserving the number and diversity of insects is one of our society’s most important goals in the area of environmental sustainability. A prerequisite for this is a systematic and up-scaled monitoring in order to detect correlations and identify countermeasures. Therefore, automatized monitoring using live traps is important, but so far there is no system that provides image data of sufficient detailed information for entomological classification. In this work, we present an imaging method as part of a multisensor system developed as a low-cost, scalable, open-source system that is adaptable to classical trap types. The image quality meets the requirements needed for classification in the taxonomic tree. Therefore, illumination and resolution have been optimized and motion artefacts have been suppressed. The system is evaluated exemplarily on a dataset consisting of 16 insect species of the same as well as different genus, family and order. We demonstrate that standard CNN-architectures like ResNet50 (pretrained on iNaturalist data) or MobileNet perform very well for the prediction task after re-training. Smaller custom made CNNs also lead to promising results. Classification accuracy of $>96\%$ has been achieved. Moreover, it was proved that image cropping of insects is necessary for classification of species with high inter-class similarity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google