Un sistema de inteligencia artificial reconoce y clasifica corales marinos

Arrecifes de coral. Foto: F. Descubre.

Investigadores de la Universidad de Granada, la Virginia Commonwealth University de Estados Unidos y el Technical University of Denmark han desarrollado un método de reconocimiento y clasificación de los corales basado en inteligencia artificial. Con él podrían reconocerse de forma automática los miles de tipos de especies de coral existentes y así poder realizar el seguimiento de los cambios que se producen en las colonias para una mejor conservación.

 

F. Descubre / El sistema utiliza una técnica donde neuronas artificiales funcionan de una manera muy similar a las de la corteza visual de un cerebro, denominada arquitectura de redes neuronales convolucionales. En el artículo ‘Towards highly accurate coral texture images classification using deep convolutional neural networks and data augmentation’ publicado en la revista Expert Systems with Applications los científicos parten de las imágenes submarinas tomadas por un vehículo submarino autónomo y con ellas crean un sistema que reconoce las diferentes texturas en las que se conforman los corales y que es capaz de aprender por sí mismo.

El sistema utiliza una técnica donde neuronas artificiales funcionan de una manera muy similar a las de la corteza visual de un cerebro

De esta manera, el sistema analiza las imágenes, extrae las características relevantes de cada especie de coral, las aprende, y las usa después para clasificar nuevas imágenes de corales según su especie. “A través del modelo de aprendizaje automático y por transferencia, se desarrolla la capacidad de adquirir las características clave de cada especie de coral que sirven de partida para clasificar por especie nuevos corales fotografiados por otros vehículos autónomos, automatizando todo el proceso.”, indica a la Fundación Descubre la investigadora de la Universidad de Granada Anabel Gómez, autora del artículo.

Partiendo de dos bases de datos públicas pertenecientes a uno de los investigadores que ha participado en el estudio (EILAT y RSMAS), han confirmado que este modelo es una alternativa a los sistemas clásicos utilizados actualmente para la clasificación de imágenes de textura coral. Estos requieren de la presencia humana continuada y contempla un rango de error mayor. Los expertos han logrado mejorar la precisión utilizando diferentes variaciones de ResNet, un tipo de red neuronal especializada que ayuda a manejar tareas y modelos de aprendizaje más sofisticados.

 

Clasificar para conservar

Los arrecifes de coral son complejos ecosistemas marinos típicos de los mares poco profundos del trópico. Se forman por la acumulación de carbonato cálcico procedente de esqueletos de otros corales. Tardan miles de años en formarse y acogen a dos millones de especies y una cuarta parte de la vida marina, según el informe de Especies en Peligro de Extinción Internacional de 2017. Además, son una barrera para la protección de costas frente a desastres naturales.

Según los expertos, ya se ha perdido un 19% de las áreas de arrecifes de coral desde la década de 1950

Según los expertos, ya se ha perdido un 19% de las áreas de arrecifes de coral desde la década de 1950 y, de acuerdo con la ‘Lista Roja de la Unión Internacional para la Conservación de la Naturaleza’ (UICN) en 2017 había 237 especies amenazadas. Esto se debe a que los arrecifes de coral son muy sensibles a los cambios de temperatura. El aumento de las emisiones de dióxido de carbono, que es en parte absorbido por el océano, la contaminación del agua y otras acciones humanas son las principales causas de la desaparición de corales.

Además, es complicado mantener un registro de todos los tipos de coral porque hay miles de ellos y la taxonomía es mutable. Las especies tienen diferentes tamaños, formas y colores, pero algunas de ellas pueden parecer idénticas para un observador humano. “Si podemos automatizar la clasificación utilizando la cantidad de imágenes de coral que se recopilan, podemos ayudar a los biólogos expertos a estudiar más de cerca esa cantidad de datos, dando un paso importante hacia el proceso de descubrimiento automático de conocimiento”, afirma la investigadora.

Los científicos apuntan a la necesidad de tomar muestras de distintas localizaciones en el mundo para crear una referencia internacional

Las capas de redes neuronales convolucionales son capaces de observar características muy complejas aumentando así la cantidad de datos que puede procesar y la dificultad de los sistemas. Los científicos apuntan a la necesidad de tomar muestras de distintas localizaciones en el mundo para crear una referencia internacional que permita el seguimiento en el crecimiento o disminución de los arrecifes y poder actuar a tiempo para su conservación.

Las investigaciones se han financiado a través del proyecto de excelencia de la Consejería de Economía, Conocimiento, Empresas y Universidad de la Junta de Andalucía ’Reducción de datos en Minería de datos con técnicas de Soft Computing’ y ‘Smart-Dasci: Modelos de ciencia de datos e inteligencia computacional. Tendiendo el puente entre big data y smart data’ del Ministerio de Ciencia, Innovación y Universidades.

Referencia bibliográfica: 
Anabel Gómez Ríos, Siham Tabik,Julián Luengo, A.S.M. Shihavuddin, Bartosz Krawczyk y Francisco Herrera. ‘Towards highly accurate coral texture images classification using deep convolutional neural networks and data augmentation’. Expert Systems with Applications. 2018

Dejar comentario

Deja tu comentario
Pon tu nombre aquí