Application of a deep learning image classifier for identification of Amazonian fishes

Abstract

Dado el fuerte aumento del desarrollo agrícola y de infraestructuras y la escasez de datos generalizados disponibles para apoyar las decisiones de gestión de la conservación, se necesita una herramienta más rápida y precisa para identificar la fauna piscícola del mayor ecosistema de agua dulce del mundo, el Amazonas. Las estrategias actuales para la identificación de peces de agua dulce requieren altos niveles de formación y experiencia taxonómica para la identificación morfológica o pruebas genéticas para el reconocimiento de especies a nivel molecular. Para superar estos retos, construimos un modelo de enmascaramiento de imágenes (U-Net) y una red neuronal convolucional (CNN) para clasificar peces amazónicos en fotografías. Los peces utilizados para generar datos de entrenamiento fueron recolectados y fotografiados en afluentes en bosques inundados estacionalmente del valle superior del río Morona en Loreto, Perú, en 2018 y 2019. Las identificaciones de especies en las imágenes de entrenamiento (n= 3068) fueron verificadas por ictiólogos expertos. Estas imágenes se complementaron con fotografías tomadas de especímenes adicionales de peces amazónicos alojados en la colección ictiológica del Museo Nacional de Historia Natural del Smithsonian. Se generó un modelo CNN que identificó 33 géneros de peces con una precisión media del 97,9%. La mayor disponibilidad de herramientas precisas de reconocimiento de imágenes de peces de agua dulce, como la descrita aquí, permitirá a los pescadores, las comunidades locales y los científicos ciudadanos participar más eficazmente en la recogida y el intercambio de datos de sus territorios para fundamentar las decisiones políticas y de gestión que les afectan directamente.