In che modo l’intelligenza artificiale sta trasformando la ricerca sugli insetti?

La tecnologia dei sensori avanzata abbinata all’intelligenza artificiale offre un enorme potenziale per i progressi nella ricerca entomologica.

Gli insetti costituiscono la maggior parte degli organismi del mondo. La ricerca suggerisce che il loro numero è in declino, con molte specie che si estinguono. Tuttavia, il monitoraggio degli ecosistemi degli insetti è difficile, poiché i metodi attuali sono laboriosi e inefficienti.

Ma grazie ai progressi nell’intelligenza artificiale, ora gli entomologi utilizzano modelli di apprendimento profondo per la classificazione degli insetti. Convolution Neural Networks (CNN) mostra un grande potenziale nel rilevamento automatico e nella classificazione degli insetti dai video e persino dalle immagini time-lapse.

Anche la raccolta delle immagini è diventata facile utilizzando sensori avanzati . I microcomputer utilizzano quindi processori avanzati per il rilevamento basato su oggetti in tempo reale. I sensori radar consentono anche lo studio degli insetti su scala.

Qui, approfondiamo la ricerca recente per esaminare i vari modi in cui i sensori e le tecniche di apprendimento profondo possono essere utilizzati per spostare l’ago nella ricerca entomologica.

Applicazioni
Le informazioni acquisite attraverso vari sensori possono essere analizzate utilizzando vari metodi di apprendimento profondo per scomporre i dati in informazioni biologicamente rilevanti.

Il monitoraggio basato su immagini può mappare la biodiversità degli insetti per identificare le specie minacciate di essere spazzate via e creare soluzioni per salvarle dall’estinzione. La combinazione di dati di immagine con dati acustici potrebbe aiutare a distinguere gli insetti più difficili da rilevare. È anche possibile analizzare i dati di movimento degli insetti nelle variazioni microclimatiche per disegnare le curve di prestazione termica della specie.

L’interazione delle specie tra insetti e fiori è fondamentale per il funzionamento dell’ecosistema. Monitorare tali interazioni nel corso delle stagioni o dei periodi pluriennali è complicato poiché avvengono in un lampo. A tal fine, i dati time-lapse possono essere utilizzati per analizzare i dati spaziali e stagionali.

L’identificazione tassonomica è una delle principali applicazioni in entomologia. I modelli di deep learning per l’identificazione degli insetti hanno raggiunto un livello di accuratezza eccezionale. Per un’ulteriore classificazione, la mappatura dell’attivazione della classe ponderata in gradiente può anche visualizzare le caratteristiche morfologiche dell’insetto.

I modelli di apprendimento profondo possono potenzialmente prevedere la biomassa di campioni di insetti sfusi in un ambiente di laboratorio, utilizzando le caratteristiche geometriche del campione estratto dalle immagini. L’ottenimento di informazioni sulla biomassa specifiche del campione da campioni di massa offrirà informazioni sostanziali sulla popolazione di insetti e sulle dinamiche della comunità.

Una delle principali sfide nel monitoraggio degli insetti è catturarli nei loro habitat casuali in condizioni di luce variabili. La visione artificiale dipende dal rilevamento iniziale preciso dell’oggetto da tracciare, da un’eccellente capacità di distinguere visivamente tra più oggetti tracciati e da un movimento fluido.

Gli insetti tendono ad assomigliarsi e mostrano comportamenti di nascondersi frequenti, rendendo difficile il monitoraggio. Parametri di apprendimento inadeguati per i modelli di deep learning e il fatto che possano essere eseguiti solo su modelli a bassa risoluzione aggravano i problemi. Tuttavia, l’utilizzo di modelli non lineari o modelli di apprendimento compatti / compressi può aiutare a superare questo problema.

Sebbene la classificazione basata su immagini possa essere ottenuta con elevata precisione e velocità utilizzando algoritmi di apprendimento profondo, questi modelli si basano su grandi quantità di set di dati di addestramento. Ciò rappresenta un problema per l’identificazione tassonomica degli insetti poiché vi è un elevato squilibrio nei set di dati poiché le immagini delle specie più rare potrebbero essere insufficienti per addestrare una rete neurale. Tuttavia, gli entomologi usano il ricampionamento delle classi (sottocampionamento delle classi più grandi o sovracampionamento delle classi più piccole) come soluzione.

Un altro ostacolo è rappresentato dalle specie per le quali i dati di immagine non sono disponibili. Queste specie rare possono essere rilevate utilizzando, un approccio discriminativo o generativo, utilizzando metodi di riconoscimento in set aperto. I modelli discriminatori utilizzano il deep learning per il rilevamento dei valori anomali, mentre i modelli generativi producono campioni di formazione positivi o negativi.

Cosa serve per creare una società di data science all’estero in India?
Con così tante classificazioni, i set di dati sugli insetti hanno una distribuzione a grana fine. Ciò rende difficile l’identificazione poiché le differenze fenotipiche delle specie sono così minime e le variazioni intra-specifiche grandi. I modelli di apprendimento profondo basati su immagini possono essere combinati con tecniche di codici a barre del DNA per classificare meglio gli insetti per superare queste sfide. Ciò può aiutare sia nell’assegnazione delle sequenze al singolo campione sia nella fornitura di stime della biomassa.

È difficile acquisire esemplari rari poiché compaiono solo per microsecondi nelle immagini time-lapse. Uno studio suggerisce di utilizzare l’apprendimento profondo per rilevare tutte le specie di insetti volanti in una classe come soluzione. Successivamente, gli entomologi possono utilizzare l’estrazione manuale delle caratteristiche, una tecnica di apprendimento automatico che richiede meno dati di addestramento rispetto alle CNN, per eseguire una classificazione dettagliata.

Sebbene esistano soluzioni alternative a varie limitazioni nell’utilizzo del deep learning per studiare l’ecologia e il monitoraggio degli insetti, il campo è ancora in una fase nascente.

I dati indipendenti per il DNA degli insetti dovrebbero essere raccolti utilizzando tracce di insetti lasciate sui fiori o su altre entità, o catturando insetti visibili alla telecamera. Questo può aiutare a convalidare i risultati basati su immagini che non sono stati in grado di identificare in modo definitivo gli insetti e, allo stesso tempo, aggiungere ai dati di addestramento.

I ricercatori utilizzano dispositivi di imaging automatizzati per generare grandi set di dati di addestramento, che consentono di visualizzare gli insetti in gran numero in un ambiente fisso. Per catturarli in un’ampia gamma di condizioni ed evitare di creare set di dati distorti con sfondi individuali, è possibile implementare tecniche come l’apprendimento multi-task e il trasferimento di stili.

Rendere i set di dati sugli insetti aggiornati, pubblicamente disponibili per la formazione con un’adeguata infrastruttura hardware, metadati e classificazione sono molto importanti per superare i limiti. Grandi sforzi coordinati per promuovere l’accesso aperto per questi set di dati sono la necessità del momento.

Di ihal