FishNet - Überwachung von Fischbeständen für die Klimaforschung

Klimaveränderung ist eine globale Herausforderung. Korallenriffe können besonders von der Klimaveränderung betroffen sein. Hinweise darauf geben Veränderungen in den Fischbeständen. Biologen des Global Change Instituts (GCI) der University of Queensland, Australien, und Informatiker des Instituts für Optische Systeme (IOS) der HTWG Konstanz arbeiten deshalb innerhalb des internationalen Forschungsprojekts XL CATLIN Seaview Survey an der Erfassung und Klassifikation von solchen Fischbeständen.

Bisher war die Erfassung von Fischbeständen nur in kleinen Meeresbereichen möglich, da Taucher für die Zählung die entsprechenden Gebiete abschwimmen und Fischbestände manuell während des Tauchgangs zählen mussten. Im Rahmen des XL-CATLIN-Projekts wird ein eigens entwickeltes Unterwasserkamerasystem zur digitalen Aufzeichnung von Korallenriffen eingesetzt, um reproduzierbare Auswertungen der Fischbestände auf den Bilddaten durchführen zu können. Frau Dr. Ulrike Siebeck vom GCI und Prof. Dr. Matthias O. Franz vom IOS arbeiten derzeit an einer technischen Unterstützung bei der Erfassung und Klassifikation der Fischbestände. Im Rahmen dieser Kooperation forschen Michael Grunwald, Doktorand am IOS und an der Universität Tübingen, und sein Team an der automatisierten Erkennung von Fischen mit Methoden des maschinellen Lernens.

Um später Fische automatisch auf Riffbildern erkennen zu können, benötigen die Informatiker eine repräsentative Menge an markierten und gekennzeichneten Fischen. Damit die beteiligten Biologen der University of Queensland die Fische im digitalen Bildmaterial markieren und mit der entsprechenen Fischart kennzeichnen können, entwickelten Sonja Futterknecht, Tobias Birkle, Benjamin Kugler und Robin Mattes, Masterstudierende der Informatik, in ihrem Teamprojekt die Software LabelImage. Mit Hilfe dieser Software können Fische auf dem digitalen Bildmaterial von Biologen markiert und klassifiziert werden.

Nachdem die manuelle Zählung und Klassifikation der Fische durch die Anwendung im Zuge des Projektes etabliert werden konnte und die bestehende Fischdatenbank kontinuierlich ergänzt wird, arbeitet Michael Grunwald an der automatischen Klassifikation der Fische. Im Zuge der Analyse des maschinellen Lernprozesses zur Klassifikation von Fischen werden gängige Bildmerkmale aus der Literatur zur Objekterkennung untersucht. Ein besonderer Schwerpunkt wird dabei auf die Analyse und die Entwicklung von visuellen Merkmalen in Unterwasseraufnahmen gelegt. Hierfür werden im ersten Schritt Merkmale untersucht, die die unterschiedlichen Formen der Fische beschreiben. Da die Form alleine nicht ausreicht, um einen Fisch eindeutig zu klassifizieren, wird im zweiten Schritt die Merkmalsliste um Farb- und Textur-Informationen erweitert. Für die automatisierte Klassifikation werden verschiedene methodische Ansätze untersucht, beispielsweise die Verwendung von Supportvektormaschinen und künstlichen neuronalen Netzen.

Ein weiterer Schwerpunkt des Projektes liegt bei der Visualisierung der verwendeten Merkmale des maschinellen Systems. Unter der Visualisierung kann allgemein die Darstellung der im maschinellen Klassifikationsprozesses verwendeten Merkmale im ursprünglichen Bildraum verstanden werden. Zu diesem Zweck wird die verwendete Merkmalsliste bestmöglich „invertiert“ bzw. näherungsweise in den Bildraum zurückgerechnet (Beispiel s. Abbildung HOG-VIS und LSTM-VIS).  Eine solche Visualisierung dient zur Analyse und Verdeutlichung des Klassifikationsprozesses sowie zu dessen Optimierung.

   

Veröffentlichung:

Michael Grunwald, Ulrike Siebeck und Matthias O. Franz (2016): FishNet – Automatisierte Erfassung von Fischbeständen für die Klimaforschung, in: horizonte, Forschung an den Hochschulen für Angewandte Wissenschaften in Baden-Württemberg, 47/April 2016, online verfügbar: https://www.koord.hs-mannheim.de/fileadmin/user_upload/projekte/koord/horizonte/h47_komplett.pdf

Förderung:

Das Projekt wird gefördert durch XL Catlin, Australian Research Council grant (ARC DP140100431).

 

Kooperationspartner: