Forscher haben in einer kürzlich veröffentlichten Studie einen Deep-Learning‑Ansatz vorgestellt, der die Erkennung von Fischarten mit einer Genauigkeit von 99 % ermöglicht. Die Arbeit wurde von Zain Farooq, Muhammad Ramzan, Muhammad Bilal, Muhammad Attique, Tae‑Sun Chung und Anam Naz verfasst und in PLOS ONE publiziert.

Hintergrund

Die Identifikation von Fischarten ist für ökologische Forschung, Fischereimanagement und den Erhalt der Biodiversität von zentraler Bedeutung. Traditionelle morphologische Verfahren sind häufig zeitaufwändig, kostenintensiv und fehleranfällig, weshalb automatisierte Verfahren zunehmend gefragt sind.

Methodik

Die Autoren setzten das Objekt‑Erkennungs‑Framework YOLO (You Only Look Once) ein, ein bewährtes Verfahren im Bereich des Deep Learning. Verschiedene Varianten von YOLO v3 und v4 wurden implementiert und auf ihre Leistungsfähigkeit hin verglichen.

Datensatz

Als Basis diente der Fish‑Pak‑Datensatz, der 915 Bilder von tropischen Zuchtfischen aus Pakistan enthält und sechs Zielklassen abdeckt. Der Datensatz ist über Mendeley Data frei zugänglich.

Ergebnisse

Der optimierte YOLO‑Ansatz erreichte eine Gesamtgenauigkeit von 99 % und einen Mean Average Precision (mAP) von 99,65 %. Diese Werte übertrafen die Ergebnisse vergleichbarer Modelle, die in früheren Studien berichtet wurden.

Bedeutung

Die hohen Erkennungsraten zeigen, dass KI‑gestützte Systeme das Potenzial besitzen, die Fischarten‑Identifikation in Forschung und Praxis zu automatisieren. Dies kann die Effizienz von Bestandsaufnahmen erhöhen und die Überwachung invasiver Arten erleichtern.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.