Baek, J.-W., J.-I. Kim & C.-B. Kim (2023): Deep learning-based image classification of turtles imported into Korea. – Scientific-reports 13(1): 21677.
Eine auf mehrstufigen Lernen-basierte Bildklassifizierung für Schildkröten, die nach Korea importiert werden.
DOI: 10.1038/s41598-023-49022-3 ➚
Chelonoidis carbonaria,
© Hans-Jürgen Bidmon
Obwohl Schildkröten eine Schlüsselrolle bei der Aufrechterhaltung einer gesunden und ausgewogenen Umwelt spielen, sind sie aufgrund des weltweiten Handels zur Deckung der hohen Nachfrage nach Nahrungsmitteln, Medizin und Haustieren in Asien gefährdet. Darüber hinaus wurden importierte nicht heimische Schildkröten in verschiedenen Ländern, darunter auch Korea, als gebietsfremde invasive Arten bekämpft. Daher ist eine schnelle und genaue Klassifizierung eingeführter Schildkröten erforderlich, um sie in heimischen Ökosystemen zu erkennen. In dieser Studie wurden acht Single Shot MultiBox Detector (SSD)-Modelle mit verschiedenen Backbone-Netzwerken verwendet, um 36 importierte Schildkröten in Korea zu klassifizieren. Die Bilder dieser Arten wurden von Google gesammelt und anhand morphologischer Merkmale identifiziert. Anschließend wurden sie zu 70 % für das Training, 15 % für die Validierung und 15 % für den Test unterteilt. Zusätzlich wurde die Trainingsmenge mit Daten angereichert, um eine Überanpassung zu verhindern. Unter den acht Modellen wies das Modell Resnet18 mit 88,1 % die höchste durchschnittliche Präzision (mAP) und mit 0,024 s die schnellste Inferenzzeit auf. Die durchschnittliche korrekte Klassifizierungsrate von 36 Schildkröten in diesem Modell betrug 82,8 %. Die Ergebnisse dieser Studie könnten bei der Verwaltung des Schildkrötenhandels helfen, insbesondere bei der besseren Erkennung gebietsfremder invasiver Arten in freier Wildbahn.
Galerien
Chelonoidis carbonaria – Köhlerschildkröte