Clasificación Automática para Animales en Peligro de Extinción de Colombia Usando Redes Neuronales Convolucionales

Introducción

Las redes neuronales son un modelo inspirado en el funcionamiento del cerebro humano. Está formado por un conjunto de nodos conocidos como neuronas artificiales que están conectadas y transmiten señales entre sí. Estas señales se transmiten desde la entrada hasta generar una salida. Su objetivo es aprender modificándose automáticamente a si mismo de forma que puede llegar a realizar tareas complejas que no podrían ser realizadas mediante la clásica programación basada en reglas. De esta forma se pueden automatizar funciones que en un principio solo podrían ser realizadas por personas [1].

Un tipo de red es la red neuronal convolucional (CNN), un algoritmo de Deep Learning que está diseñado para trabajar con imágenes, asignándole importancia a elementos en la imagen para diferenciar unos de otros. Este es uno de los principales algoritmos que ha contribuido en el desarrollo y perfeccionamiento del campo de Visión por computadora. Las redes convolucionales contienen varias hidden layers, donde las primeras puedan detectar líneas, curvas y así se van especializando hasta poder reconocer formas complejas como un rostro, siluetas, etc. Las tareas comunes de este tipo de redes son detección o categorización de objetos, clasificación de escenas y clasificación de imágenes en general [2]-[7].

La incorporación de la informática en las ciencias de la biología ha estado progresando rápidamente con la finalidad de proporcionar metodologías que beneficien a esta misma o que a su vez les provee una solución a distintos problemas que posea esta misma, tales como, la extinción de algunas especies de animales. Actualmente, más de 1.200 especies endémicas de animales de Colombia se encuentran en peligro de extinción o en estado de vulnerabilidad, sin contar aquellas especies de las que no se han podido obtener datos. El cuidado y la conservación de los animales amenazados se hace cada vez más necesario para la sostenibilidad del planeta y por el bien de todos los seres vivos que en él habitan [8].

Con el fin de suministrar un método de clasificación de imágenes de animales en peligro de extinción, en este documento se desarrollar una investigación que usa una red neuronal convolucional para proporcionar un avance en el cuidado y bienestar animal, para usarse como motor de búsqueda de ejemplares en peligro de extinción para su vigilancia y protección. En la Sección 2, se establece los avances y principales resultados en investigaciones relacionadas con el tema; en la Sección 3, se establece el entrenamiento de la red neuronal artificial; en la Sección 4, los resultados; finalmente, en la Sección 5 las respectivas conclusiones.

Avances en Clasificación de Imágenes

El avance de clasificación de imágenes usando redes neuronales es de gran interés, por esto se realiza una tabla (ver Tabla 1) comparando investigaciones relacionadas con la clasificación de imágenes, en cuanto a datos, entrenamiento y resultados. Por ejemplo, en [4] mediante un conjunto de datos de caras de ovejas que utiliza el aprendizaje por transferencia para realizar la clasificación de imágenes de caras de ovejas normales (sin dolor) y anormales (dolor), utilizando CNN; en [5], se busca el reconocimiento a la raza de ganado Pantaneira, utilizaron cámaras en los cercos para tomar 27.849 imágenes del ganado y utilizaron CNN con tres arquitecturas DenseNet-201, Resnet50 e Inception-Resnet-V; en [6], se proponen algoritmos de visión por computadora, aprendizaje automático y técnicas de aprendizaje profundo para el reconocimiento de cerdos mediante las distintas características físicas; en [7], desarrollan una aplicación móvil basada en la visión para clasificar especies de loros en peligro de extinción utilizando CNN; en [8], preparan un conjunto de datos especializado basado en Google Open Images y conjuntos de datos COCO, resultando en aproximadamente 20000 imágenes de animales de 10 clases y probaron las arquitecturas YOLOv3, RetinaNet R-50-FPN, Faster R-CNN R-50-FPN y Cascade RCNN R-50-FPN; en [9], se presentan métodos de clasificación para razas basado mediante CNN con aprendizaje por transferencia; en [10], se propone un método que combina un sistema integrado y aprendizaje profundo basado en MobileNetV2 y el aprendizaje por transferencia para clasificar las imágenes de animales marinos; en [11], determinan que es aconsejable el uso de CNN para clasificar los animales con imágenes digitales; en [12], utilizan redes neuronales convolucionales profundas (D-CNN) y k Nearest Neighbors (kNN) para la clasificación de leopardo de las nieves, oveja Marco polo, oso del Himalaya y otros animales, utilizando D-CNN como AlexNet, ResNet-50, VGG-19 e inception v3 para extraer funciones; en [13], usan procesamiento de imágenes y aprendizaje profundo para estimar el puntaje de condición corporal de la vaca, usando 5470 imágenes de muestra y el método Faster RegionConvolutional Neural Networks (Faster R-CNN).

Asimismo, en algunas investigaciones usan imágenes dimensionalmente pequeñas siempre y cuando se trabajen con modelos que se adecuen a sus características. También, se observa que INCEPTIONV3 es una arquitectura usada en varias investigaciones y con este tipo de red siempre se obtienen buenos resultados de validación, consiguiendo en todos sus casos un porcentaje superior al 90%.Entrenamiento de la red neuronal convolucional.

Entrenamiento de la red neuronal convolucional

Mediante el uso de Google Images, Yandex y Kaggle, se obtienen 3026 imágenes de 11 tipos de animales (ver Tabla 2), la iguana, la tortuga marina Laúd, el Condor de los andes, el armadillo, el puma, el jaguar, el titi cabeciblanco, el manatí del caribe, el tapir centroamericano, el mono araña y el funcionamiento de la arquitectura Alexnet implementada se muestra en la Fig. 1. La arquitectura consta de ocho capas: cinco capas convolucionales y tres capas completamente conectadas. AlexNet permite el uso de procesadores gráficos (GPU) para el entrenamiento y utiliza unidades lineales rectificadas (ReLU) [19].

La combinación de capas ayuda a reducir la dimensionalidad de las imágenes. Las capas de agrupación superpuestas funcionan de manera similar, excepto que el bloque de filtro adyacente sobre el que se realiza la operación de agrupación se superpone entre sí [20]. Dicha arquitectura se encuentra disponible en el software de programación Matlab; para su funcionamiento esta arquitectura exige que nuestra base de datos posea imágenes con dimensiones 227x227 y que se encuentren en formato RGB. Las imágenes de los animales en extinción se muestran en las Figuras 2 a 14.

Resultados y discusiónx

Considerando la cantidad de imágenes, se utiliza el 80% del dataset para entrenamiento, y el 20% para validación. También, se establece un máximo de 15 épocas, una tasa de aprendizaje inicial de 0.001 y se utiliza la metodología de entrenamiento mostrada en la Figura 13 y los resultados se muestran en la Tabla III. Luego, se realiza el proceso de validación, usando como base la red entrenada y las imágenes establecidas para validación (ver Figura 14) previamente cargadas, logrando un porcentaje de validación igual a 97,52%.

Conclusiones

En esta investigación se emplea la técnica de redes de neuronas artificiales convolucionales para desarrollar un sistema de clasificación de imágenes para animales en extinción. Se utilizan 3026 imágenes distribuidas en 80% para entrenamiento y 20% para validación.

En el entrenamiento del sistema de clasificación se obtiene un 98,82% de acierto en la clasificación de las imágenes. Asimismo, al realizar pruebas en la validación con imágenes que no se usaron en el entrenamiento del sistema, se obtiene un 97,52% de acierto en la clasificación de imágenes. Esto permite establecer que el sistema tanto en el entrenamiento como en la validación tiene gran precisión para la clasificación de las imágenes de 11 tipos de animales en extinción, la iguana, la tortuga M. Laúd, el Condor de los andes, el armadillo, el puma, el jaguar, el titi cabeciblanco, el manatí del caribe, el tapir centroamericano, el mono araña y el oso de anteojos.

Referencias Bibliografícas

[1] “Que son las redes neuronales y sus funciones,” 22 Oct 2019 . [En línea]. Disponible en: https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus-funciones/#:~:text=Las%20redes%20neuronales%20artificiales%20son,entrada%20hasta%20generar%20una%20salida

[2] S. Silva and E. Freire “Intro a las redes neuronales convolucionales”, 23 Nov 2019. [En línea]. Disponible en: https://bootcampai.medium.com/redes-neuronales-convolucionales-5e0ce960caf8

[3] G. Li, L. Bai, C. Zhu, E. Wu and R. Ma, "A Novel Method of Synthetic CT Generation from MR Images Based on Convolutional Neural Networks", 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1-5, 2018. doi: 10.1109/CISP-BMEI.2018.8633142

[4] K. Singh, A. Seth, H. S. Sandhu and K. Samdani, "A Comprehensive Review of Convolutional Neural Network based Image Enhancement Techniques", IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), pp. 1-6, 2019. doi: 10.1109/ICSCAN.2019.8878706

[5] B. Chen, J. Li, B. Ma and G. Wei, "Convolutional sparse coding classification model for image classification", IEEE International Conference on Image Processing (ICIP), pp. 1918-1922, 2016. doi: 10.1109/ICIP.2016.7532692

[6] Z. Gong, C. Sun, W. Guo, W. Tan, W. Zhou and G. Zhang, "Automated Thalamus Segmentation in MR Images Using Convolutional Networks", IEEE 3rd International Conference of Safe Production and Informatization (IICSPI), pp. 158-161, 2020. doi: 10.1109/IICSPI51290.2020.9332452

[7] C. Jia, X. Zhang, J. Zhang, S. Wang and S. Ma, "Deep convolutional network based image quality enhancement for low bit rato image compression", Visual Communications and Image Processing (VCIP), pp. 1-4, 2016. doi: 10.1109/VCIP.2016.7805504

[8] N. Manjón “16 animales en peligro de extinción en Colombia”, 10 Agosto 2020. [En línea]. Disponible en: https://www.ecologiaverde.com/16-animales-en-peligro-de-extincion-en-colombia-1909.html

[9] A. Noor, Y. Q. Zhao, A. Koubaa, L. W. Wu, R. Khan and F. Y. O. Abdalla, “Automated sheep facial expression classification using deep transfer learning”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_cheurlFromRightClick=no

[10] F. de Lima, de Moraes V. Aparecida, Menezes, G. Vilharva, “Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.oc=4&cacheurlFromRightClick=no

[11] M. Mathieu, M. Jiangqiang, S. Xiaocai, “An adaptive pig face recognition approach using Convolutional Neural Networks” COMPUTERS AND ELECTRONICS IN AGRICULTURE [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=11&cacheurlFromRightClick=no

[12] C. Daegyu, C. Eunjeong, K. Dong Keun, “The Real-Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning” MOBILE INFORMATION SYSTEMS. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_c=24&cacheurlFromRightClick=no

[13] Y. Dmitry; S. Anton; K. Andrey, “Detection of Big Animals on Images with Road Scenes using Deep Learning” Conferencia: International Conference on Artificial Intelligence - Applications and Innovations (IC-AIAI). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=76&cacheurlFromRightClick=no

[14] B. Arnginn, P. Thongkanchorn, K. Kanchanapreechakorn, “Breakthrough Conventional Based Approach for Dog Breed Classification Using CNN with Transfer Learning”, Conferencia: 11th International Conference on Information Technology and Electrical Engineering (ICITEE). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=79&cacheurlFromRightClick=no

[15] X. Liu, Z. Jia, X. Hou, M. Fu, L. Ma, Q. Sun, “Real-time Marine Animal Images Classification by Embedded System Based on Mobilenet and Transfer Learning”, OCEANS. 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/8867190/

[16] N. K. El Abbadi, E. Mohammed Thabit A. Alsaadi, “An Automated Vertebrate Animals Classification Using Deep Convolution Neural Networks”, International Conference on Computer Science and Software Engineering (CSASE), 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9142070/

[17] S. Jamil, Fawad, M. S. Abbas, F. Habib, M. Umair, M. J. Khan, “Deep Learning and Computer Vision-based a Novel Framework for Himalayan Bear, Marco Polo Sheep and Snow Leopard Detection”, International Conference on Information Science and Communication Technology (ICISCT). 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9080021/

[18] X. Huang, X. Li, Z. Hu, “Cow tail detection method for body condition score using Faster R-CNN”, IEEE International Conference on Unmanned Systems and Artificial Intelligence (ICUSAI), 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9124743/

[19] J. Wei, “AlexNet: The Architecture that Challenged CNNs”, 2019. [Online]. Available: https://towardsdatascience.com/alexnet-the-architecture-that-challenged-cnns-e406d5297951

[20] D. Jain y A. Dong, “Funcionamiento de una red neuronal convolucional (CNN) y la arquitectura AlexNet”, 2020. [En línea]. Disponible en: https://ichi.pro/es/funcionamiento-de-una-red-neuronal-convolucional-cnn-y-la-arquitectura-alexnet-233779119045871

[21] A. Krizhevsky, I. Sutskever and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012. [Online]. Available: https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html