[논문 리뷰] Computer vision-based estimation of invertebrate biomass

Mikko Impiö, Philipp M. Rehsen외 6명|arXiv (Cornell University)|2026. 03. 06.

Cell Image Analysis Techniques인용 수 0

한 줄 요약

논문은 이미지를 통해 무척추동물의 건조 질량을 추정하는 두 가지 경로를 개발·평가한다: (i) 이미지에서 도출된 새로운 예측변수(침강 속도와 면적)를 사용하는 선형 모델, (ii) BIODISCOVER 이미지 시퀀스에서 학습된 엔드-투-엔드 CNN 모델(단일 시점 뷰, 다중 시점 뷰, 메타데이터 인식)을 통해 파손 없이 그룹 수준 생물량 추정치를 보여준다.

ABSTRACT

The ability to estimate invertebrate biomass using only images could help scaling up quantitative biodiversity monitoring efforts. Computer vision-based methods have the potential to omit the manual, time-consuming, and destructive process of dry weighing specimens. We present two approaches for dry mass estimation that do not require additional manual effort apart from imaging the specimens: fitting a linear model with novel predictors, automatically calculated by an imaging device, and training a family of end-to-end deep neural networks for the task, using single-view, multi-view, and metadata-aware architectures. We propose using area and sinking speed as predictors. These can be calculated with BIODISCOVER, which is a dual-camera system that captures image sequences of specimens sinking in an ethanol column. For this study, we collected a large dataset of dry mass measurement and image sequence pairs to train and evaluate models. We show that our methods can estimate specimen dry mass even with complex and visually diverse specimen morphologies. Combined with automatic taxonomic classification, our approach is an accurate method for group-level dry mass estimation, with a median percentage error of 10-20% for individuals. We highlight the importance of choosing appropriate evaluation metrics, and encourage using both percentage errors and absolute errors as metrics, because they measure different properties. We also explore different optimization losses, data augmentation methods, and model architectures for training deep-learning models.

연구 동기 및 목표

• 다양한 생물다양성 모니터링을 지원하기 위한 무척추생물의 scalable하고 비파괴적인 생물량 추정의 동기를 부여한다.
• BIODISCOVER에서 면적(area)과 침강 속도(sinking speed)와 같은 이미징 도출 예측변수를 biomass 모델링의 입력으로 도입한다.
• 건조 질량 추정에 대해 선형 모델과 CNN 기반 접근법(단일 뷰, 다중 뷰, 메타데이터 인식)을 개발하고 비교한다.
• 계통군 간의 성능 및 분포를 벗어난(out-of-distribution) 시나리오에서 평가한다.
• 공정한 모델 비교를 가능하게 하는 평가 지표와 보고 지침을 제안한다.

제안 방법

• BIODISCOVER 이미지 시퀀스를 이용해 시편 면적(area)과 침강 속도(sinking speed) 등 예측변수를 계산한다(프레임 수 및 위치 데이터에서 도출).
• (a) 면적만을, (b) 면적과 침강 속도를 예측변수로 사용하는 일반 최소제곱(ordinary least squares) 선형 모델을 적합시킨다.
• 엔드 투 엔드 CNN을 학습시킨다(단일 뷰 ResNet18, 두 입력을 받는 다중 뷰, 그리고 메타데이터 인식 버전으로 구성) 이미지(및 선택적 메타데이터)를 건조 질량으로 매핑한다.
• 다양한 손실 함수(L1, L2, 로그 스케일의 백분율 오차), 데이터 증강, 모델 아키텍처(ResNet18 및 EfficientNet 변종)를 실험한다.
• 모델을 다수의 지표(MAPE, MdAPE, MAE, RMSE, 로그 변환 대상의 R2)와 bootstrap 신뢰구간으로 평가한다.

(a) Araneae (O)

실험 결과

연구 질문

• RQ1 BIODISCOVER에서 도출된 이미지 특성이 다양한 무척추동물 형태에서 건조 질량을 정확히 예측할 수 있는가?
• RQ2 CNN 기반 모델이 이미징 예측변수를 사용하는 단순 선형 모델보다 biomass 추정에 있어 우수한가?
• RQ3 다중 뷰와 메타데이터 인식 아키텍처가 단일 뷰 모델과 비교해 biomass 예측에서 어떤 차이를 보이는가?
• RQ4 분포 밖의 분류군으로 일반화할 때 모델의 동작은 어떠한가?
• RQ5 biomass 추정에서 백분율 기반 오차와 절대 오차 지표를 모두 보고하는 것이 유익한가?

주요 결과

• 면적과 침강 속도(이미지 시퀀스에서 추출)를 함께 사용하는 선형 모델은 면적만 사용하는 모델에 비해 RMSE와 MAE를 크게 향상시킨다.
• 최고의 선형 모델(면적+속도)은 RMSE 0.950 ± 0.20, MAE 0.222 ± 0.03, MdAPE 0.263 ± 0.01, R2 0.921 ± 0.01를 달성했다.
• 손실 함수 실험 중 백분율 오차 목표가 강한 성능을 보였다(MAPE 0.331 ± 0.01, MdAPE 0.267 ± 0.01, R2 0.906 ± 0.01).
• CNN 기반 모델은 추가로 성능을 향상시켰으며, 로그-L1 손실(뒤집기+90°)에서 학습된 메타데이터 인식 ResNet18이 최적화 그룹에서 최상의 성능을 보였다.
• 대형 이질적인 Order 데이터셋과 더 작은 Species 데이터셋에서의 Ground-truth 평가가 경쟁력 있는 성능을 보였고 엔드투엔드 분류계 지식 기반 biomass 추정의 가능성을 시사했다.

(b) Coleoptera (O)