Forschende der Eawag nutzen Deep-learning-Methoden mit künstlichen neuronalen Netzen, um Plankton automatisch zu klassifizieren. Hintergrund: Aquascope-Aufnahme des Wasserflohs Bosmina.

Forschende der Eawag nutzen Deep-learning-Methoden mit künstlichen neuronalen Netzen, um Plankton automatisch zu klassifizieren. Hintergrund: Aquascope-Aufnahme des Wasserflohs Bosmina.

Damit möglichst kein Plankton unerkannt entwischt

Publiziert

Maschinelles Lernen zur automatischen Klassifizierung von Plankton.

Wie identifiziert eine Maschine Plankton? Ganz ähnlich wie Menschen die Gesichter anderer Menschen erkennen. Zwei Prozesse spielen hierbei zusammen. Zunächst sind beim Menschen bestimmte Regionen des Gehirns darauf spezialisiert, Gesichter zu erfassen. Daher reagieren schon Babys auf Gesichter oder auch gesichtsähnliche Muster. Die Fähigkeit ist jedoch bei der Geburt noch sehr vage ausgeprägt. Erst nach und nach lernen Kinder durch das Betrachten vieler verschiedener Gesichter, Menschen immer besser zu erkennen und zu unterscheiden.

Ganz ähnlich funktioniert die automatische Klassifizierung von Plankton. Zuerst entwickeln Forschende eine Architektur für maschinelles Lernen, die darauf spezialisiert ist, Fotos zu klassifizieren. Diese Architektur ist noch sehr vage und flexibel. In einem zweiten Schritt lernt die Maschine dann selbstständig mithilfe von Trainingsbeispielen, also tausenden von durch Fachpersonen identifizierten Planktonfotos, wichtige Merkmale und Muster zu erkennen und daraus die Art des Planktons abzuleiten. Die Maschine lernt mit jedem weiteren identifizierten Planktonfoto hinzu, passt selbstständig ihre Architektur an und verfeinert so ihre Fähigkeit, Plankton zu klassifizieren.

Maschinen lernen ähnlich wie Menschen

Ähnlich wie bei den Menschen, die in der Regel nicht sagen können, woran sie ihr Gegenüber erkannt haben, bleibt auch beim maschinellen Lernen im Dunkeln, welche Merkmale die Maschine für die Identifikation des Planktons nutzt. Doch wenn es darum geht, Millionen von Planktonfotos zu klassifizieren, ist das auch nicht von grossem Interesse. «Unser Ziel ist es, möglichst viele Planktonarten in kurzer Zeit korrekt identifizieren zu können», sagt der Physiker Marco Baity-Jesi, Leiter der Eawag-Gruppe Datenwissenschaften. «Da bietet maschinelles Lernen grosse Vorteile.» Während eine Fachperson höchstens einige Dutzend Bestimmungen pro Tag schafft und am Ende des Tages auch genug davon hat, bestimmt die Maschine täglich rund eine Million Fotos von Plankton treffsicher, und das ohne Verschleisserscheinungen.

Eine Gruppe von Forschenden um Sreenath Kyathanahally, Postdoc in der Gruppe Datenwissenschaften, und Baity-Jesi hat nun weiterentwickelte Modelle des maschinellen Lernens, genauer gesagt des deep learnings, auf die Klassifizierung von Zooplankton in Schweizer Seen angewandt. Die besten Modelle basierten auf den Methoden «transfer learning» und «ensembling». «Wir konnten zeigen, dass diese Modelle Planktonfotos besser klassifizieren als die bisher verwendeten Modelle», sagt Baity-Jesi. «Wir haben eine Genauigkeit von 98 Prozent erreicht.» Die Planktonfotos stammen vom Aquascope, einem Unterwassermikroskop der Eawag-Gruppe Phytoplankton Dynamiken, geleitet von Francesco Pomati, das täglich mehrere Tausend Fotos von Plankton im Greifensee macht.

Deep learning - das «Gehirn» der Maschine weiterentwickeln

Was genau ist nun deep learning, transfer learning und ensembling? Zurück zur Analogie der Gesichtserkennung: Das, was die Evolution über Jahrmillionen geschafft hat, nämlich die Entwicklung des menschlichen Gehirns mit all seinen Finessen und hochspezialisierten Funktionen, versuchen die Forschenden beim deep learning zumindest näherungsweise nachzubilden. Inspiriert vom menschlichen Gehirn vertiefen sie die inneren Strukturen des «Maschinengehirns» und bauen künstliche neuronale Netze mit vielen Zwischenschichten in die Algorithmen ein. Die Maschine lernt so, bereits Erlerntes mit neuen Inhalten zu verknüpfen und dadurch laufend hinzuzulernen - und das ohne das Eingreifen des Menschen. Mit jedem weiteren Planktonfoto lernt die Maschine, selbst unscheinbare Unterschiede der kleinen Lebewesen zu erkennen und sie richtig zu klassifizieren.

Eine andere Weiterentwicklung ist das ensembling. Das gleicht der Überführung eines Kriminellen: Eine Augenzeugin ist gut, mehrere Augenzeugen sind besser. Beim ensembling kombinieren die Forschenden daher mehrere deep-learning-Methoden - die Augenzeugen der Maschine - um die Treffsicherheit zu erhöhen. Damit möglichst wenig Plankton sich unerkannt davonschleichen kann.

Transfer Learning - erworbenes Wissen auf eine neue Aufgabe Übertragen

Parallel zur Entwicklung des «Maschinengehirns» wird der maschinelle Lernprozess weiter verfeinert. Beim transfer learning geht es darum, bereits gewonnenes Wissen aus anderen Anwendungen zu nutzen. Kann die Maschine zum Beispiel bereits Gesichter klassifizieren, kann sie dieses Wissen nutzen, um schneller Seeplankton klassifizieren zu lernen. Auch diese Art des Lernens hat eine menschliche Analogie. Wer in Europa aufwächst, lernt zuerst europäische Gesichter zu unterscheiden. Asiaten sehen für Europäer eher ähnlich aus. Doch hat man erstmal die typischen europäischen Gesichtszüge verstanden, lernt man auch schneller, asiatische Gesichter unterscheiden, zum Beispiel bei einem längeren Aufenthalt in Asien.

Maschinen lernen auch, Hochwasser und Toxizität von Substanzen vorherzusagen

Die Methoden der künstlichen Intelligenz, wie etwa das maschinelle Lernen, können die Wasserforschung in vielen Bereichen unterstützen. «Wir unterstützen auch andere Eawag-Projekte», sagt Baity-Jesi. Dazu gehört zum Beispiel ein Projekt zur Untersuchung von Hochwasservorhersagemodellen unter der Leitung von Peter Reichert, Gruppenleiter Systemanalyse und Wassermanagement, und Chaopeng Shen, einem Gastprofessor aus den USA, der zurzeit an der Eawag arbeitet. "In einem anderen Projekt arbeiten wir mit der Gruppe Tierische Zellen und Organismen von Kristin Schirmer zusammen, um vorherzusagen, wie chemische Substanzen auf Fische wirken." Letzteres dürfte die Zahl der Tests an lebenden Tieren zur Bestimmung der Toxizität von Substanzen verringern.

EVENTS

Siams

Die Messe der Produktionsmittel der Mikrotechnik

Datum: 16.-19. April 2024

Ort: Moutier (CH)

Hannover Messe

Transfoming Industry Togheter

Datum: 22.-26. April 2024

Ort: Hannover (D)

IFAT

Weltleitmesse für Wasser-, Abwasser-, Abfall- und Rohstoffwirtschaft

Datum: 13.-17. Mai 2024

Ort: München (D)

drupa

Weltweit führende Fachmesse für Drucktechnologien

Datum: 28. Mai-07.Juni 2024

Ort: Düsseldorf (D)

ArbeitsSicherheit Schweiz

Fachmesse für Arbeitssicherheit, Gesundheitsschutz und Gesundheitsförderung am Arbeitsplatz

Datum: 05.-06. Juni 2024

Ort: Zürich (CH)

EPHJ-EPMT-SMT

Internationale Ausstellung für Uhrenindustrie, Mikrotechnologie und Medizinaltechnik

Datum: 11 – 14 Juni 2024

Ort: Genf (CH)

Achema

Internationale Leitmesse der Prozessindustrie

Datum: 10.-14. Juni 2024

Ort: Frankfurt am Main (D)

SENSOR + TEST

Internationale Fachmesse für Sensorik, Mess- und Prüftechnik

Datum: 11.-13. Juni 2024

Ort: Nürnberg (D)

all about automation

Fachmesse für Industrieautomation

Datum: 28.-29. August 2024

Ort: Zürich (CH)

maintenance Schweiz

Schweizer Fachmesse für industrielle Instandhaltung und Facility Management

Datum: 28.-29. August 2024

Ort: Zürich (CH)

Rehacare

Die REHACARE ist die internationale Fachmesse für Rehabilitation, Prävention, Inklusion und Pflege.

Datum: 25. - 28. September 2024

Ort: Düsseldorf (D)

FachPack

Europäische Fachmesse für Verpackung, Technik, Veredelung und Logistik

Datum: 24.-26. September 2024

Ort: Nürnberg (D)

W3+ Fair Jena

Europas führende Plattform für Forschung und Innovationskraft

Datum: 25.-26. September 2024

Ort: Jena (D)

Cleanzone

Internationale Fachmesse und Kongress für Reinraumtechnologie

Datum: 25.-26. September 2024

Ort: Frankfurt am Main (D)

Ilmac Lausanne

Networking. Forum. Aussteller

Datum: 25.-26. September 2024

Ort: Lausanne (CH)

Ilmac

Fachmesse für Prozess- und Labortechnologie

Datum: 18.-19. September 2024

Ort: Lausanne (CH)

IN.STAND

Die Messe für Instandhaltung und Services

Datum: 08.-09. Oktober 2024

Ort: Stuttgart (D)

VISION

Weltleitmesse für Bildverarbeitung

Datum: 08.-10. Oktober 2024

Ort: Stuttgart (D)

IFAS

Fachmesse für den Gesundheitsmarkt

Datum: 22.-24. Oktober 2024

Ort: Zürich (CH)

ALL4PACK EMBALLAGE

The global marketplace for Packaging Processing Printing Handling

Datum: 04.-07. November 2024

Ort: Paris (F)

electronica

Weltleitmesse und Konferenz der Elektronik

Datum: 12.-15. November 2024

Ort: München (D)

SEMICON Europa

Europäische Leitmesse für Mikroelektronik

Datum: 12.-15. November 2024

Ort: München (D)

VALVE WORLD EXPO

Weltweite Leitmesse für Industrie-Armaturen

Datum: 03.-05. Dezember 2024

Ort: Düsseldorf (D)

LABVOLUTION

Europäische Fachmesse für innovative Laborausstattung und die Optimierung von Labor-Workflows

Datum: 20.-22. Mai 2025

Ort: Hannover (D)

Automatica

Die Leitmesse für intelligente Automation und Robotik

Datum: 24.-27. Juni 2025

Ort: München (D)

LASER World of PHOTONICS

Weltleitmesse und Kongressfür Komponenten, Systeme und Anwendungen der Photonik

Datum: 24.-27. Juni 2025

Ort: München (D)

SINDEX

Schweizer Messe für industrielle Automatisierung

Datum: 02.-04. September 2025

Ort: Bern (CH)

CMS Berlin

Internationale Leitmesse für Reinigung und Hygiene

Datum: 23.-26. September 2025

Ort: Berlin (D)

POWTECH

Pharma.Manufacturing.Excellence

Datum: 23. - 25. September 2025

Ort: Nürnberg (D)

A + A

Messe und Kongress für Arbeitsschutz und Arbeitssicherheit

Datum: 04.-07. November 2025

Ort: Düsseldorf (D)

AQUA Suisse

Die Schweizer Fachmesse für kommunales und industrielles Wassermanagement.

Datum: 26.-27. November 2025

Ort: Zürich (CH)

Pumps & Valves

Die Fachmesse für industrielle Pumpen, Armaturen & Prozesse

Datum: 26. - 27. November 2025

Ort: Zürich (CH)

interpack

Führende Messe für Prozesse und Verpackung

Datum: 07.-13. Mai 2026

Ort: Düsseldorf (D)

Bezugsquellenverzeichnis