Automatische Klassifizierung von Bildern von Wildkameras in der Biodiversitätsforschung
Im Rahmen einer Projektarbeit haben die Studierenden Jana Albert, Jana-Sophie Engelmann und Sebastian Bast unter Leitung von Prof. Dr. Peter Fischer-Stabel und Prof. Dr. Rolf Krieger die Möglichkeiten von Bildklassifikation, Objekterkennung und Interpretation derartiger Algorithmen für den Einsatz in der Biodiversitätsforschung und speziell der Auswertung von Wildkamerabildern untersucht.
Beim Testen bestehender Ansätze stießen die Studierenden schnell an deren Grenzen, da ein zusätzliches Training auf eigenen Daten zumeist nicht möglich war. Deshalb haben die Studierenden eigene Modelle zur Bildklassifikation und Objekterkennung entwickelt. Dafür wurden Wildkamerabilder, die von Experten schon mit Labeln versehen worden waren, von der Forschungsanstalt Waldökologie und Forstwirtschaft Rheinland-Pfalz zur Verfügung gestellt. Die Studierenden erarbeiteten einen allgemein gültigen Arbeitsablauf für die Bildklassifikation mit neuronalen Netzen in TensorFlow. TensorFlow ist ein Framework für die Entwicklung von Anwendungen im Bereich des maschinellen Lernens. Da die Menge der verfügbaren Trainingsdaten je Tierart zu gering für ein vollständiges Training eines Modells war, wurde das vortrainierte MobileNet V2 als Ausgangsmodell für Transfer-Learning mit den eigenen Daten verwendet.
Im Laufe des Projekts wurden die Anforderungen an eine mögliche KI-gestützte Lösung zur Klassifikation von Wildkamerabildern immer klarer. Da es möglich sein soll, auch Bilder, die Tiere verschiedener Tierarten zeigen, zu klassifizieren, haben die Studierenden einen weiteren Ansatz untersucht, der auf der Objekterkennung basiert. Hierbei geht es nicht darum, das Bild als Ganzes zu klassifizieren, sondern einzelne Objekte auf dem Bild zu lokalisieren und diese daraufhin zu klassifizieren. Dies ermöglicht es, mehrere Tierarten auf einem Bild zu klassifizieren und die Anzahl an Tieren je Tierart zu bestimmen. Außerdem wird so die Verzerrung der Klassifikation durch den Hintergrund minimiert, da je Objekt deutlich weniger Hintergrund berücksichtigt wird. Als Objekterkennungsmodell wurde ein auf dem COCO-Datenset vortrainiertes YOLOv3-Modell verwendet. Für das Transfer-Learning benötigten die Studierenden jedoch zusätzlich zu den verfügbaren Annotationen der Trainingsdaten noch die Lokalisierung und Klassifikation der einzelnen Objekte auf den Wildkamerabildern. Die Studierenden Ann-Cathrin Albrecht und Yujia Bai haben die Annotationen der Daten im Rahmen ihres Praxissemesters mit der Software LabelImg vervollständigt. Im Anschluss konnte auch dieser Ansatz praktisch getestet werden und führte schon bei ersten Versuchen zu überraschend guten Ergebnissen. Mit der Option für vielfältige Optimierungen wirkt der Objekterkennungsansatz für ein derartiges Anforderungsprofil vielversprechend.
Zur Veranschaulichung der Ergebnisse der Projektarbeit entstanden für beide Ansätze Demonstratoren, welche entweder als Jupyter-Notebook für die Desktop-Anwendung oder als Web-Demonstrator konzipiert wurden. Auf den nachfolgenden Bildern sind beispielhafte Ergebnisse für den Bildklassifikations- bzw. den Objekterkennungsansatz zu sehen.
Die studentische Projektarbeit wurde im Master-Studiengang Angewandte Informatik mit Schwerpunkt Umwelt- und Wirtschaftsinformatik angeboten. Sie ist dem Bereich Data Science und Künstliche Intelligenz zugeordnet, der in Unternehmen als auch in Verwaltungen in den letzten Jahren zunehmend an Bedeutung gewonnen hat. Mit der Projektarbeit konnten die Studierenden wertvolle Erfahrungen in diesem wichtigen Bereich sammeln.
