Projecten
SpIDAI
Design of an intelligent tool for semantic segmentation and sketch-photo matching of spider genitalia to aid taxonomic identification
Het verlies aan biodiversiteit vindt plaats in een ongekend tempo, waardoor het essentieel is om de identificatie van soorten en het ophalen van gegevens uit institutionele collecties te verbeteren. Spinnen, cruciale bio-indicatoren voor de gezondheid van ecosystemen, vormen een aanzienlijke taxonomische uitdaging. Hun identificatie is immers afhankelijk van complexe genitale morfologie, die traditioneel wordt gedocumenteerd via 2D-schetsen die voor niet-experts moeilijk te interpreteren zijn. Hoewel musea essentiële historische en hedendaagse collecties herbergen, wordt het bijhouden van databases met een actuele taxonomie belemmerd door een tekort aan gespecialiseerde expertise en de tijdrovende aard van handmatige verificatie.
Om deze knelpunten aan te pakken, stelt dit project voor om een AI-gestuurd instrument voor de morfologische analyse en identificatie van spinnen te ontwikkelen, waarmee de brug wordt geslagen tussen natuurhistorische collecties en geavanceerde technologie. Het project zal zich richten op ecologisch relevante Afrikaanse taxa en duizenden beelden met hoge resolutie genereren aan de hand van gespecialiseerde gemotoriseerde microscopie en een ad-hoc hardwaretool voor gestandaardiseerde positionering van specimens en genitaliën.
Het succes van dit ambitieuze programma is gebaseerd op een robuust en complementair partnerschap tussen het Koninklijk Museum voor Midden-Afrika (KMMA) en de Universiteit van Bergen (UMONS). Dit consortium vormt een coherent team waarin domeinexpertise in spinnentaxonomie en collectiebeheer naadloos overgaan in hoogwaardige technische innovatie. De nieuwste ontwikkelingen in computer vision zullen worden ingezet om 2D- en 3D-semantische segmentatiemodellen te ontwikkelen (CNN, Vision Transformers, U-Net). Deze aanpak maakt een "query-by-example" paradigma mogelijk, waarbij machine learning wordt gebruikt om foto's van specimens te koppelen aan de uitgebreide archieven van taxonomische literatuur. Om specifieke optische uitdagingen zoals semitransparantie in microfoto's te overwinnen, maakt het project gebruik van uitgebreide data-augmentatie en fotorealistische beeldsynthese. Deze onderlinge afhankelijkheid zorgt ervoor dat de outputs van het KMMA (beeldvorming) direct doorstromen naar de technische werkpakketten van de UMONS (AI-training).
Door de identificatieprocessen te stroomlijnen, verbetert deze samenwerking niet alleen de digitalisering vanuit de musea, maar versterkt het ook taxonomische revisies en instandhoudingsinspanningen. De resulterende databank zal de wereldwijde arachnologische gemeenschap ondersteunen en een methodologie bieden die kan worden uitgebreid naar andere groepen geleedpotigen.
Hoofdonderzoeker:
Datum:
2025 2030Medewerkers:
Externe partners:
M. DUPONT Stéphane - Université de Mons (UMONS)Financed Belgian partner