Projet

ONEBIT

Outils Numériques pour Estimer la Biodiversité à l’Interface aquatique-Terrestre
  • Période : 2020 - 2023
  • Coordinateur : Olivier Dézerald
  • Contact: Olivier DÉZERALD
  • Mots-clés : Ecologie spatiale / Communautés / Ecosystèmes / Macroinvertébrés / Expérimentation in-situ / Imagerie

Recherche

L'étude des macroinvertébrés utilisant la vision par ordinateur est encore à ses débuts et se heurte à de nombreux obstacles, notamment l'échantillonnage destructif, les faibles rapports signal/bruit et la complexité du choix d'un algorithme parmi ceux existants. Pour relever ces défis, nous proposons ici un nouveau cadre d’analyse d'images, baptisé « MacroNet », pour la surveillance, c'est-à-dire la détection et l'identification au niveau de la morphoespèce, des macroinvertébrés aquatiques vivants. Ce cadre est basé sur un modèle RetinaNet amélioré. Des étapes de prétraitement sont proposées pour optimiser la caractérisation de l'algorithme original. Les images sont divisées en tuiles de taille fixe afin de mieux détecter et identifier les petits macroinvertébrés. Ces tuiles sont ensuite utilisées comme entrée du modèle, et le cadre de délimitation résultant est assemblé. Nous avons optimisé le processus de génération des boîtes d'ancrage pour une performance de détection élevée grâce à l'algorithme des k-medoids.

Afin d'améliorer la précision de localisation du modèle RetinaNet original, la fonction de perte d'intersection complète sur l’union (CIoU) a été intégrée comme fonction de perte de régression, en remplacement de la fonction de perte standard. Les résultats expérimentaux montrent que MacroNet surpasse le modèle RetinaNet original sur notre base de données et atteint une précision moyenne (AP) de 74,93 %, en fonction de l'identité du taxon. Dans notre base de données, les taxons ont été identifiés à différents niveaux taxonomiques, de l'espèce à l'ordre. Globalement, le cadre proposé offre des résultats prometteurs pour la surveillance non létale et économique des macroinvertébrés d'eau douce vivants.


Publications issues du projet

Jaballah Sami, Fernandez Garcia Guglielmo, Martignac François, Parisey Nicolas, Jumel Stéphane, Roussel Jean-Marc, Dézerald Olivier (2023). A deep learning approach to detect and identify live freshwater macroinvertebrates. Aquatic Ecology, 2023, 57 (4), pp.933-949. ⟨10.1007/s10452-023-10053-7⟩

Personnes impliquées

DÉZERALD Olivier, Chargé(e) de Recherche
Téléphone : +33 2 23 48 54 46
Email : olivier.dezerald@inrae.fr
MARTIGNAC François, Ingénieur(e) de recherche
Téléphone : +33 2 23 48 56 25
Email : francois.martignac@inrae.fr
ROUSSEL Jean-Marc, Directeur(rice) de recherche
Téléphone : +33 2 23 48 57 75
Email : jean-marc.roussel@inrae.fr

Financements

  • Rennes Métropole (Allocation d’Installation Scientifique ; 21C0693)
  • INRAE (Appel à Projet d’Intégration ; EB10)
  • Région Bretagne (SAD19021-00057661)