人工智能可以识别显微镜海洋生物
立即释放
研究人员开发了一种人工智能（AI）程序，可以自动提供微观海洋生物的物种级别鉴定。下一步是将AI纳入一个机器人系统，这将有助于推进我们对世界海洋的理解，现在和我们的史前过去。
具体而言，AI程序已经证明能够鉴定六种种类的Foraminifera，或Forams - 在地球海洋中普遍存在10000万多年的生物体。
Forams是植物和动物的原因。当他们死了时，他们留下了微小的贝壳，最小的距离大于一毫米。这些贝壳使科学家能够在福特活着时，他们存在于海洋的特征。例如，不同类型的福特种类在不同种类的海洋环境中茁壮成长，化学测量可以告诉科学家在形成壳体时，科学家们将来自海洋的化学的一切达到其温度。
然而，评估那些福特壳和化石既繁琐又耗时。这就是为什么研究人员的跨学科团队，专业知识从机器人到古社区的专业知识都致力于自动化该过程。
“此时，AI正确地识别了大约80％的花福特，这比大多数训练有素的人类更好，”北卡罗来纳州立大学电气计算机工程副教授Edgar Lobaton说关于工作的论文。
“但这只是概念证明。我们希望系统随着时间的推移而改善，因为机器学习意味着程序将获得更准确，更符合每次迭代。我们还计划扩大AI的PURVIEVIVE，以便它可以识别至少35种Forams，而不是当前六种。“
目前的系统通过将葫芦放在能够拍摄照片的显微镜下。LED环在16个方向上闪耀着福特灯 - 一次 - 同时用每个变化拍摄福特的图像。将这16个图像组合以提供尽可能多的几何信息，以及孔的形状。然后AI使用此信息来识别Foram的物种。
扫描和识别只需要几秒钟，并且已经快速或比最快的人类专家更快。
“加上，AI不会疲倦或无聊，”罗布登说。“这项工作展示了建立一个机器人平台的成功第一步，该平台将能够自动识别，选择和排序托架。”
罗布登和他的合作者已获得国家科学基金会（NSF）的批准，从2019年1月开始，以建立全功能机器人系统。
“这项工作很重要，因为海洋占地面积约70％并在其气氛中发挥巨大作用，”科罗拉多大学，博尔德和论文的通讯作者，地质科学副教授汤姆玛法塔说。
“福尔萨姆在海洋中普遍存在，他们的贝壳的化学物质记录了他们长大的水域的物理和化学特征。这些微小的生物涉及过去的性质，如温度，盐度，酸度和营养浓度。反过来，我们可以使用这些属性来重建在过去的气候事件期间的海洋循环和热传输。
“这一事项是因为人类在无意的全球范围内，由于我们的温室气体排放，”Marchitto表示。“为了预测该实验的结果，我们需要更好地了解地球能量平衡改变时的气候表现如何。新的AI和它将实现的机器人系统能够显着加快我们在大量巨大尺度上了解了更多关于气候与海洋之间关系的能力。“
本文，“使用卷积神经网络的自动化物种级别识别，卷积神经网络，与人类性能相比，“发表在期刊上海洋微观组织。本文的领先作者是NC州和科罗拉多州大学的前博士博物馆的Ritayan Mitra，现在正在IIT Bombay。共同作者包括Q.Ge和B. Zhong，Ph.D.学生在NC州;B. Kanakiya，据NC州的前师父学生;马。威廉姆斯学院厨师;J.S.俄勒冈州立大学的Fehrenbacher;J.D.肯特州立大学的奥拓; and A. Tripati of UCLA.
在Grant编号1637039下，通过NSF的支持完成了AI工作。
- 船员 -
编辑注：研究摘要跟随。
“使用卷积神经网络自动化综合体级识别综合性神经网络，与人类性能相比”
作者：R. Mitra和T.M.博尔德科罗拉多大学Marchitto;Q. GE，B. Zhong，B.Kanakiya和E.北卡罗来纳州立大学洛帕顿;马。库克，威廉姆斯学院;J.S.俄勒冈州立大学Fehrenbacher;肯特州立大学J.D. Ortiz;和A. Tripati，印度理工学院
发表：1月25日，海洋微观组织
迪伊：10.1016 / J.Marmicro.2019.01.005
摘要：从沉积物样品中挑选面部氨酰胺是一个必不可少的，但重复和低奖励任务，非常适合自动化。建立采摘机器人的第一步是开发自动识别系统。我们使用机器学习技术来培训卷积神经网络，以识别距离古海拔广泛使用的六种外延综合体的传染媒体。识别包括将六种物种与其他分类群区分开。训练和识别基于使用光环以16种不同的照明角度拍摄的反射光显微镜数字图像。即使有限的训练，整体机器精度也优于80％。通过任务，将机器性能与人类拾取器（六位专家和五个新手）进行比较，每个都基于图像识别540个标本。专家达到了可比的精度，但相对于机器较差的召回，平均精度为63％。新手比精确和召回的专家得分低，总精度为53％。该机器在六种物种上实现了相当统一的性能，而参与者的分数则依赖于依赖性，与过去的经验和专业知识相称。 The machine was also less sensitive to specimen orientation (umbilical versus spiral views) than the humans. These results demonstrate that our approach can provide a versatile ‘brain’ for an eventual automated robotic picking system.
