Thölen, Claudia (2020) Optimization of image processing operators for the AI-based discrimination of planktonic morphotypes. Masters, Institut für Chemie und Biologie des Meeres.

[img]
Preview
- Accepted Version

Volltext (4Mb)

Abstract

Investigating the abundance, distribution and diversity of plankton organisms holds a key element in understanding complex, marine food web structures, nutrient cycling, climate change effects and anthropological influences on the world’s largest habitat. Over the past years, plankton research has developed from discrete, integrating net samples to fine-scale, in situ, optical detection of organisms. Camera systems like the Lightframe On-Sight Keyspecies Investigation (LOKI) system allow a high resolution in capturing organisms below the size of 60 µm, while connecting the image data with environmental measurements. In this thesis the processing of LOKI plankton images, recorded 2014 in the Sognefjord, Norway, is investigated and improved from edge detection over feature selection to the classification of morphological groups with multivariate and machine learning classifiers. For the classifications, a subset of calculated image features is determined individually for each method by evaluating a decreasing number of image feature ranked by their Gini Index significance. Transfer learning is used to implement a fine-tuned AlexNet convolutional neural network (CNN) as a first approach towards deep learning classification of LOKI images. The improvement of the image processing and edge detection was successful, as the implementation of a Canny edge detection algorithm detects the edges much closer to the organism. With the selected features the highest classification accuracy of 88.72 % is achieved with a random Forest classification while the transfer learning CNN results achieve a classification accuracy of 87.75 %. This thesis has laid out new approaches for LOKI plankton image classification, which will help to progress providing a complete processing chain from image capturing towards autonomous classification and presorting of major morphological groups.

["eprint_fieldname_title_plus" not defined]

Optimierung von Bildverarbeitungsoperatoren für die KI-basierte Unterscheidung von planktonischen Morphotypen

["eprint_fieldname_abstract_plus" not defined]

Die Untersuchung der Abundanz, Verteilung und Diversität von Planktonorganismen ist ein Schlüsselelement für das Verständnis komplexer, mariner Nahrungsnetzstrukturen, Nährstoffkreisläufe, Auswirkungen des Klimawandels und anthropologischer Einflüsse auf den größten Lebensraum der Welt. In den letzten Jahren hat sich die Planktonforschung von der diskreten, integrierenden Netzprobe bis hin zur feinskaligen, in situ optischen Detektion von Organismen entwickelt. Kamerasysteme wie das Lightframe On-Sight Keyspecies Investigation (LOKI)-System ermöglichen die hochauflösende Erfassung von Organismen unterhalb einer Größe von 60 µm und verbinden die Bilddaten mit gemessenen Umweltparametern. In dieser Studie wird die Verarbeitung von LOKI-Planktonbildern, die 2014 im Sognefjord, Norwegen, aufgenommen wurden, untersucht und von der Kantendetektion über die Merkmalsauswahl bis zur Klassifizierung morphologischer Gruppen mit multivariaten und maschinell lernenden Klassifikatoren verbessert. Für die Klassifikationen wird eine Untermenge von berechneten Bildmerkmalen individuell für jede Methode bestimmt, indem eine abnehmende Anzahl von Bildmerkmalen ausgewertet wird, die nach ihrer Gini-Index-Signifikanz gereiht werden. Transfer-Lernen wird verwendet, um ein fein abgestimmtes AlexNet (faltendes neuronales Netz) als ersten Ansatz für eine „Deep-Learning“ Klassifikation von LOKI-Bildern zu implementieren. Die Verbesserung der Bildverarbeitung und Kantenerkennung war erfolgreich, da die Implementierung eines Canny-Kantenerkennungsalgorithmus die Kanten viel näher am Organismus erkennt. Mit den ausgewählten Merkmalen wird bei einer „random Forest“ Klassifikation die höchste Klassifikationsgenauigkeit von 88,72 % erreicht, während die Ergebnisse des Transfer Lernens eine Klassifikationsgenauigkeit von 87,75 % erreichen. In dieser Arbeit wurden neue Techniken für die LOKI-Planktonbildklassifikation vorgestellt, die dazu beitragen werden, eine vollständige Verarbeitungskette von der Bilderfassung bis zur autonomen Klassifikation und Vorsortierung der morphologischen Hauptgruppen voranzubringen.

Item Type: Thesis (Masters)
Additional Information: Find R code here: https://gitlab.uni-oldenburg.de/gorm2097/loki-image-processing-and-classification/
Uncontrolled Keywords: Machine Learning, Multivariate Statistics, CNN, Convolutional Neural Network, Zooplankton, Image Recognition, Edge Detection, Transfer Learning
Subjects: Generalities, computers, information > Computer science, internet
Science and mathematics > Mathematics
Science and mathematics > Physics
Science and mathematics > Life sciences, biology
Science and mathematics > Animals (zoology)
Divisions: Faculty of Mathematics and Science > Institute for Chemistry and Biology of the Marine Environment (ICBM)
Date Deposited: 01 Feb 2021 12:14
Last Modified: 01 Feb 2021 12:21
URI: https://oops.uni-oldenburg.de/id/eprint/4741
URN: urn:nbn:de:gbv:715-oops-48220
DOI:
Nutzungslizenz:

Actions (login required)

View Item View Item

Document Downloads

More statistics for this item...