The present study describes the implementation of automated deep learning for coral recognition in the shallow sea of the Gulf of Eilat, Red Sea. The project's goal is to apply deep neural network-based analysis, using a large corpus of thousands of underwater images, to automate the manual process of identifying 11 common coral species among more than 100 species documented on coral reefs of Eilat. The research faces a significant challenge due to the marked intra-specific morphological variability which is also found within the same coral colony. This variability is influenced by several parameters, such as age, depth, marine currents, light irradiation, geographical position and interspecific competition. The research team developed a large dataset consisting of over 5,500 coral images, applying different CNNs (ResNet50 and VGG16) and transfer learning. The results obtained with DL and statistical tests proved the effectiveness and reliability of these automated processes compared to scrupulous manual work. In particular, it is fundamental to highlight the flexibility of this method in adapting to the inclusion of other species: in so doing this method is proved to be a versatile tool for future research in the studied region and in other environments where it has not been tested yet. The proposed method emerges as an essential resource for real-time monitoring of the negative impacts resulting from global climate change and anthropogenic activities on the coral reefs of the Gulf of Eilat and other similar areas. Such input will be crucial in analysing and evaluating the effectiveness of various bioremediation initiatives in the context of coral reef conservation.

Il presente studio descrive l'implementazione del deep learning automatizzato per il riconoscimento dei coralli nel basso fondale del Golfo di Eilat, Mar Rosso. L'obiettivo del progetto è applicare un'analisi basata su reti neurali profonde, utilizzando un vasto corpus di migliaia di immagini subacquee, al fine di automatizzare il processo manuale di identificazione di 11 specie di coralli comuni tra le oltre 100 specie documentate nelle barriere coralline di Eilat. La ricerca affronta una sfida significativa dovuta alla marcata variabilità morfologica intra-specifica riscontrabile anche all'interno della stessa colonia di coralli. Questa variabilità è influenzata da diversi parametri, quali l'età, la profondità, le correnti marine, l'irradiazione luminosa, la posizione geografica e la competizione interspecifica. Il team di ricerca ha sviluppato un ampio dataset costituito da oltre 5.500 immagini di coralli, applicando diverse CNNs (ResNet50 e VGG16) e il transfer learning. I risultati ottenuti con DL e con i test statistici hanno dimostrato l'efficacia e l'affidabilità di questi processi automatizzati rispetto allo scrupoloso lavoro manuale. In particolare, si sottolinea la flessibilità del metodo nell'adattarsi all'inclusione di altre specie, conferendogli un ruolo di strumento versatile per future ricerche nella regione interessata e in altri ambienti dove non è stato ancora testato. La metodica proposta emerge come una risorsa essenziale per il monitoraggio in tempo reale degli impatti negativi derivanti dai cambiamenti climatici globali e dalle attività antropogeniche sulle barriere coralline del Golfo di Eilat e di altre aree affini. Tale contributo sarà cruciale nell'analisi e nella valutazione dell'efficacia di varie iniziative di biorisanamento nel contesto della conservazione delle barriere coralline.

Riconoscimento di coralli mediante reti neurali profonde nel basso fondale del Golfo di Eilat (Aqaba)

CONFORTI, FRANCESCO
2022/2023

Abstract

The present study describes the implementation of automated deep learning for coral recognition in the shallow sea of the Gulf of Eilat, Red Sea. The project's goal is to apply deep neural network-based analysis, using a large corpus of thousands of underwater images, to automate the manual process of identifying 11 common coral species among more than 100 species documented on coral reefs of Eilat. The research faces a significant challenge due to the marked intra-specific morphological variability which is also found within the same coral colony. This variability is influenced by several parameters, such as age, depth, marine currents, light irradiation, geographical position and interspecific competition. The research team developed a large dataset consisting of over 5,500 coral images, applying different CNNs (ResNet50 and VGG16) and transfer learning. The results obtained with DL and statistical tests proved the effectiveness and reliability of these automated processes compared to scrupulous manual work. In particular, it is fundamental to highlight the flexibility of this method in adapting to the inclusion of other species: in so doing this method is proved to be a versatile tool for future research in the studied region and in other environments where it has not been tested yet. The proposed method emerges as an essential resource for real-time monitoring of the negative impacts resulting from global climate change and anthropogenic activities on the coral reefs of the Gulf of Eilat and other similar areas. Such input will be crucial in analysing and evaluating the effectiveness of various bioremediation initiatives in the context of coral reef conservation.
2022
2024-02-19
Deep neural network recognition of shallow water corals in the Gulf of Eilat (Aqaba)
Il presente studio descrive l'implementazione del deep learning automatizzato per il riconoscimento dei coralli nel basso fondale del Golfo di Eilat, Mar Rosso. L'obiettivo del progetto è applicare un'analisi basata su reti neurali profonde, utilizzando un vasto corpus di migliaia di immagini subacquee, al fine di automatizzare il processo manuale di identificazione di 11 specie di coralli comuni tra le oltre 100 specie documentate nelle barriere coralline di Eilat. La ricerca affronta una sfida significativa dovuta alla marcata variabilità morfologica intra-specifica riscontrabile anche all'interno della stessa colonia di coralli. Questa variabilità è influenzata da diversi parametri, quali l'età, la profondità, le correnti marine, l'irradiazione luminosa, la posizione geografica e la competizione interspecifica. Il team di ricerca ha sviluppato un ampio dataset costituito da oltre 5.500 immagini di coralli, applicando diverse CNNs (ResNet50 e VGG16) e il transfer learning. I risultati ottenuti con DL e con i test statistici hanno dimostrato l'efficacia e l'affidabilità di questi processi automatizzati rispetto allo scrupoloso lavoro manuale. In particolare, si sottolinea la flessibilità del metodo nell'adattarsi all'inclusione di altre specie, conferendogli un ruolo di strumento versatile per future ricerche nella regione interessata e in altri ambienti dove non è stato ancora testato. La metodica proposta emerge come una risorsa essenziale per il monitoraggio in tempo reale degli impatti negativi derivanti dai cambiamenti climatici globali e dalle attività antropogeniche sulle barriere coralline del Golfo di Eilat e di altre aree affini. Tale contributo sarà cruciale nell'analisi e nella valutazione dell'efficacia di varie iniziative di biorisanamento nel contesto della conservazione delle barriere coralline.
File in questo prodotto:
File Dimensione Formato  
TESI CONFORTI FRANCESCO.pdf

accesso aperto

Dimensione 3.84 MB
Formato Adobe PDF
3.84 MB Adobe PDF Visualizza/Apri

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12075/16781