[論文レビュー] Vision meets algae: A novel way for microalgae recognization and health monitor

Shizheng Zhou, Juntao Jiang+3 more|arXiv (Cornell University)|Nov 14, 2022

Water Quality Monitoring Technologies被引用数 10

ひとこと要約

本論文は、Symbiodiniaceaeを含む6種の海洋微細藻類を、通常状態、白化状態、移動状態で含む、顕微鏡画像における海洋微細藻類検出のための新規データセットを紹介している。バウンディングボックスによるアノテーションが施されたこのデータセットは、537枚の画像で学習し、430枚の画像でテストしたTOODオブジェクト検出モデルが、mAP(0.5:0.95) 0.425の最高値を記録し、海洋生態系における自動化された微細藻類認識および健康モニタリングの強力なベースラインを確立した。

ABSTRACT

Marine microalgae are widespread in the ocean and play a crucial role in the ecosystem. Automatic identification and location of marine microalgae in microscopy images would help establish marine ecological environment monitoring and water quality evaluation system. We proposed a new dataset for the detection of marine microalgae and a range of detection methods, the dataset including images of different genus of algae and the same genus in different states. We set the number of unbalanced classes in the data set and added images of mixed water samples in the test set to simulate the actual situation in the field. Then we trained, validated and tested the, TOOD, YOLOv5, YOLOv8 and variants of RCNN algorithms on this dataset. The results showed both one-stage and two-stage object detection models can achieve high mean average precision, which proves the ability of computer vision in multi-object detection of microalgae, and provides basic data and models for real-time detection of microalgal cells.

研究の動機と目的

• 顕微鏡画像における海洋微細藻類検出のための標準的で高品質なデータセットが不足しているという問題に対処すること。
• コンピュータビジョンを用いて微細藻類の自動認識および健康モニタリングを可能にし、時間のかかる手作業による同定に依存するのを減らすこと。
• 機械学習ベースの検出を活用して、リアルタイムでの海洋生態モニタリングおよび水質評価を支援すること。
• 自然なサンプルにおけるクラスの不均衡、小さなオブジェクト検出、複数種の共存といった課題を調査すること。
• 今後の研究における海洋微細藻類検出分野のベンチマークデータセットおよびベースラインモデルを確立すること。

提案手法

• Bacillariophyta、Chlorella pyrenoidosa、Platymonas、Dunaliella salina、Chrysophyta、Symbiodiniaceaeの6種の海洋微細藻類のリアルタイム顕微鏡画像を収集した。
• Labelmeソフトウェアを用いてバウンディングボックスによるアノテーションを実施し、検出タスクにおける正確な局所化を確保した。
• 実際の現場状態を再現するため、混合種のサブセットを含む、学習用（537枚の画像）とテスト用（430枚の画像）にデータセットを分割した。
• トレーニング中にMin IoU Random Crop、Random Flip、Photometric Distortionなどのデータオーグメンテーション技術を適用した。
• PyTorch上で動作するmmdetectionツールボックスを用いて、Faster R-CNN、YOLOv3、TOODなどの最先端オブジェクト検出モデルを学習・評価した。
• バウンディングボックスの正確性を評価するため、IoU閾値を用いたmAP(0.50:0.95)およびmAP(0.50)を性能指標として用いた。

実験結果

リサーチクエスチョン

• RQ1 既存のオブジェクト検出モデルは、顕微鏡画像からの多様な海洋微細藻類の種の識別にどの程度効果的か？
• RQ2 実際の現場状態を反映する複雑な混合種サンプルに対し、モデルは一般化できるか？
• RQ3 Bacillariophytaのようなレアな種において顕著なクラスの不均衡が、検出性能に与える影響はどの程度か？
• RQ4 Symbiodiniaceaeの生理的状態（通常、白化、移動）をコンピュータビジョンでどの程度区別できるか？
• RQ5 顕微鏡画像における極めて小さな高解像度の微細藻類オブジェクトを検出する際の主な課題は何か？

主な発見

• TOODモデルは、テストセットでmAP(0.5:0.95) 0.425を記録し、Faster R-CNN や YOLOv3 など他のモデルを上回った。
• ResNet101バックボーンを搭載したFaster R-CNNは、mAP(0.5:0.95) 0.338を達成し、このデータセットでは中程度の性能を示した。
• VGG16バックボーンを搭載したSSDモデルは、mAP(0.5) 0.702を記録し、低IoU閾値での優れた性能を示した。
• FCOSモデルは、mAP(0.5:0.95) 0.107にとどまり、この文脈では小さなオブジェクト検出に苦戦した。
• データセットには、4201個のアノテーション済みの微細藻類オブジェクトを含む937枚の画像が含まれており、そのうち430枚は混合種および生理的状態を含む。
• TOODの一部の失敗は、mmdetectionツールボックス内のコードベースの問題に起因するとされ、実装の改善の余地があることが示唆された。