Kan automatische beeldherkenning helpen bij betere vangstregistratie?
AlgemeenIJMUIDEN - De visserijsector, wetenschap en maatschappelijke organisaties werken in onderzoeksprojecten samen aan duurzaam visserijbeheer, zoals innovatie om selectiever te vissen en verbetering van de bestandsschattingen. De projecten worden gefinancierd uit het Europees Fonds voor Maritieme Zaken en Visserij. In een eigen column publiceren de projectpartners over de onderzoekssamenwerking. Deze week Linh Nguyen (Wageningen University), Edwin van Helmond (Wageningen Marine Research) en Gert Kootstra (Wageningen University) over de haalbaarheid van automatische beeldherkenning voor de verbetering van de vangstregistratie van roggen.
Onderzoekssamenwerking visserij
Te weinig gegevens voor het vangstadvies voor roggen
Op dit moment is weinig bekend over de verschillende rogbestanden in de Noordzee. Alle roggensoorten vallen collectief onder één vangstquotum, met als gevolg dat er een kans bestaat dat individuele soorten niet duurzaam of optimaal worden geëxploiteerd. De huidige dekking van verzamelde bemonsteringgegevens is niet genoeg om een nauwkeurige bestandsschatting per soort te maken. Dit betekent dat de vangstadviezen extra voorzichtig worden afgegeven.
Om meer vangstgegevens te kunnen verzamelen kijken Wageningen Marine Research en de visserijsector naar de mogelijkheden van elektronische videomonitoring. Het continu verzamelen van videomateriaal van de verwerkingsband aan boord levert echter grote hoeveelheden gegevens op. Het personeel dat al het videomateriaal kan verwerken is beperkt. Een logische stap om op een kostenefficiënte manier gegevens te verwerken is automatische beeldherkenning. Hierbij worden computers getraind om roggen in videobeelden te herkennen en te registreren.
Hoe leer je een computer roggen in videobeelden automatisch te herkennen?
Een computer aanleren om roggen te identificeren is een uitdaging, vanwege de grote variaties waarin de roggen te zien zijn op de verwerkingsband. Vissen liggen bijvoorbeeld in willekeurige posities, en zijn vaak niet volledig zichtbaar omdat ze over elkaar heen liggen. Verder lijken sommige roggensoorten erg op elkaar. Daarnaast kunnen exemplaren van dezelfde soort ook sterk verschillen in grootte, kleur en patroon. Normaal gesproken voert een computer een taak stapsgewijs uit volgens vastgestelde instructies. Maar voor grotere hoeveelheden gegevens is het onmogelijk om iedere situatie vooraf te omschrijven. Kunstmatige intelligentie geeft de mogelijkheid om een bepaalde taak uit te voeren door patronen te vinden in een grote bulk gegevens, en vervolgens de gevonden patronen te herkennen in nieuwe gegevens.
Figuur 1: Voorbeelden van roggensoortendetectie
Het gebruik van kunstmatige intelligentie wordt steeds bekender bij het publiek, zoals persoonsgerichte reclame op social media en bij zelfrijdende auto’s. Het maakt al deel uit van ons dagelijkse leven, maar wat is kunstmatige intelligentie eigenlijk precies? De term kunstmatige intelligentie wordt gebruikt wanneer een computer de zogenaamde cognitieve functies van de mens nabootst. Dit zijn alle acties die betrokken zijn bij het opnemen en verwerken van informatie. Deze intelligentie wordt verkregen wanneer we een computer blootstellen aan grote hoeveelheden gegevens.
Een computer leert bepaalde taken uit te voeren door herhaling. Het gaat om een trainingscyclus waarin een computer bij iedere ronde een nieuw voorbeeld aangeboden krijgt om ervaring op te doen. Stel we willen een computer aanleren om blonde roggen te herkennen in afbeeldingen. Allereerst verzamelen we niet alleen afbeeldingen van blonde roggen, maar ook van andere vissen die bijvoorbeeld veel lijken op de blonde rog. Bij iedere afbeelding vermelden we de aanwezigheid van een blonde rog.
Tijdens een trainingscyclus zal de computer één afbeelding per keer verwerken. Na iedere afbeelding geeft de computer aan of een blonde rog aanwezig is. Om te bepalen of deze uitkomst klopt, wordt het voorspelde antwoord vergeleken met het correcte antwoord. In het begin van de trainingscyclus zal de computer veel fouten maken, maar door het correcte antwoord te geven zal het model zichzelf corrigeren (en ‘leren’). Naarmate de computer meer afbeeldingen ziet, komen de antwoorden steeds dichter in de buurt van de werkelijkheid. Uiteindelijk leert de computer bepaalde patronen te herkennen in afbeeldingen waarmee de aanwezigheid van blonde roggen bepaald kan worden. Het doel is om de computer genoeg data te laten zien totdat het met een bepaalde zekerheid kan aangeven welke soort rog het op de verwerkingsband ziet voorbijkomen.
Kan je een computer aanleren om roggen te herkennen op de verwerkingsband?
In ons onderzoek is gekeken naar de technische haalbaarheid van beeldherkenning als oplossing voor het volledig automatisch registreren van aantallen en soorten rog die in de vangst aanwezig zijn. Om de haalbaarheid te onderzoeken hebben we een computersysteem getest op blonde rog, gevlekte rog en stekelrog (Figuur 1).
Het trainen van een systeem voor automatische herkenning van roggensoorten vereist gegevens die vergelijkbaar zijn voor de situaties op de verwerkingsband aan boord. Omdat de vangst ook uit andere vissoorten bestaat, hebben we naast beeldmateriaal van de drie roggensoorten ook data verzameld van schol, schar, tarbot en tong. De situaties aan boord hebben we nagebootst in de vorm van verschillende beeldcomposities met toenemende moeilijkheidsgraad (Figuur 2).
Het succes van het systeem bepalen we door te kijken hoe vaak het systeem een rog niet ziet of de verkeerde soort aangeeft. In het algemeen doet ons systeem betrouwbare uitspraken. In ongeveer 85% van de gevallen zal de rog herkend worden, en van de herkende roggen geeft het systeem in 90% van de gevallen de juiste soort aan. De computer maakt fouten wanneer roggen bedekt zijn door andere vissen. Ook worden de meeste fouten gemaakt wanneer er alleen zicht is op de buikzijde. Blonde rog en gevlekte rog lijken visueel sterk op elkaar, maar worden slechts af en toe verward door het systeem. Dit is bemoedigend voor een eventuele toekomstige uitbreiding naar andere vissoorten met veel onderlinge overeenkomsten.
Automatische beeldherkenning is een veelbelovend alternatief voor vangstregistratie
We concluderen dat een computer in staat is om verschillende roggensoorten te herkennen en van elkaar te onderscheiden. Ook al maakt de computer nu nog weleens een foutje, gebruik van automatische beeldherkenning zou voordelen kunnen hebben boven de steekproefsgewijze handmatige methode die nu wordt gehanteerd in de waarnemersreizen uitgevoerd door Wageningen Marine Research. Het systeem heeft de mogelijkheid om continu de gehele vangst te monitoren, waardoor meer gegevens verzameld kunnen worden, mogelijk tegen lagere kosten. Dit zou in de toekomst betrouwbaardere bestandsschattingen kunnen opleveren.
Deze haalbaarheidsstudie is uitgevoerd binnen het project Onderzoekssamenwerking 2.1 Innorays. Een gezamenlijk initiatief door Wageningen Marine Research, verschillende onderdelen van de Wageningen Universiteit, VisNed en de Nederlandse Vissersbond. Het project wordt gefinancierd uit het Europees Fonds voor Maritieme Zaken en Visserij.
Linh Nguyen,
Edwin van Helmond,
Gert Kootstra
Wageningen University & Research
Gert.kootstra@wur.nl
+31 317480302
Europese Unie, Europees Fonds voor Maritieme Zaken en Visserij
