Skip to main content

LUP Student Papers

LUND UNIVERSITY LIBRARIES

DEEP LEARNING COULD ENHANCE PREVIOUS MORPHOLOGICAL CLASSIFICATION OF POLLEN

Karlsson, Milla (2020) BIOK01 20201
Degree Projects in Biology
Popular Abstract
Pollenidentifikation med artificiell intelligens

Artificiell intelligens är inte längre sci-fi, utan finns omkring oss i vår vardag och snart kanske även som kollegor i labb och på andra arbetsplatser. En form av artificiell intelligens som kallas convolutional neural network (CNN), känner igen strukturer i bilder och kan därför användas t.ex. för identifiering av pollenkorn, vilka traditionellt identifieras i ljusmikroskop. Forskningsresultat föreslår att CNN är bättre på att identifiera arter utifrån pollenkorn än det mänskliga ögat är, och därför har dessa två sätt att klassificera pollen jämförts utifrån vilka morfologiska likheter de indikerar att olika arters pollen innehar.

Identifikation av pollen är användbart inom många... (More)
Pollenidentifikation med artificiell intelligens

Artificiell intelligens är inte längre sci-fi, utan finns omkring oss i vår vardag och snart kanske även som kollegor i labb och på andra arbetsplatser. En form av artificiell intelligens som kallas convolutional neural network (CNN), känner igen strukturer i bilder och kan därför användas t.ex. för identifiering av pollenkorn, vilka traditionellt identifieras i ljusmikroskop. Forskningsresultat föreslår att CNN är bättre på att identifiera arter utifrån pollenkorn än det mänskliga ögat är, och därför har dessa två sätt att klassificera pollen jämförts utifrån vilka morfologiska likheter de indikerar att olika arters pollen innehar.

Identifikation av pollen är användbart inom många olika forskningsområden, till exempel inom ekologi för att studera förhållanden mellan växter och pollinatörer, inom arkeologi eftersom det kan avslöja föremåls ursprung, och inom naturgeografi för att studera vilken påverkan klimatförändringar kan innebära på växtlighet, och i förlängning på hela samhällen av levande organismer. Många människor lider av pollenallergier och CNN skulle kunna underlätta skapandet av skräddarsydda vårdplaner genom att erbjuda en automatisk identifikation av vilka pollen som finns i luften vid en viss tidpunkt, eller vilka arter som orsakar mest lidande för en viss individ.

Tyvärr är den traditionella identifikationsmetoden för pollen problematisk eftersom den är helt manuell och därför dels kräver en palynogist, vilket är expert på olika slags sporer, och en generös tidsram för att förbereda preparat med pollen och sedan identifiera alla arter som är närvarande där. Tidigare studier indikerar även att CNN har en högre frekvens av korrekt artklassificering än den manuella metoden har. För att undersöka skillnader i klassificering jämfördes 69 typer av pollen i två släktskapsträd baserade på morfologi (ej genetik): ett skapades från en guidebok för manuell klassificering och det andra av resultatet från en CNN-analys.

De två släktskapsträden visade skillnader sinsemellan: många arter hamnade i olika grupperingar i de två metoderna, vilket föreslår att CNN använder andra eller fler strukturer för att klassificera pollen än vad som rekommenderas när man följer en manuell guide. Dessutom var uppdelningen av arter större i CNN-trädet än i det manuella trädet, som ofta fastnade på familjenivå. Andra släktskap var väldigt likt strukturerade i båda metoderna, men det betyder inte nödvändigtvis att det är samma strukturer som varit avgörande i klassifikationen när det gäller de arterna, eftersom man inte vet vilka strukturer CNN baserar sin bestämning på. En observation av skillnader i de två metoderna förstärker ändå antagandet att CNN förbättrar bestämningen av dessa morfologiska data, eftersom det påvisar avancerade bestämningstekniker. Det finns dock olika CNN-modeller tillgängliga och andra bildmaterial som kan användas för pollenbestämning, vilket innebär att fortsatta studier rekommenderas för att bekräfta och utveckla resultaten.

Examensarbete för kandidatexamen i Biologi 15 hp 2020
Biologiska institutionen, Lunds Universitet

Handledare: Ola Olsson
Biologiska institutionen, Lunds Universitet (Less)
Please use this url to cite or link to this publication:
author
Karlsson, Milla
supervisor
organization
course
BIOK01 20201
year
type
M2 - Bachelor Degree
subject
language
English
id
9031249
date added to LUP
2020-10-22 12:19:54
date last changed
2020-10-22 12:19:54
@misc{9031249,
  author       = {{Karlsson, Milla}},
  language     = {{eng}},
  note         = {{Student Paper}},
  title        = {{DEEP LEARNING COULD ENHANCE PREVIOUS MORPHOLOGICAL CLASSIFICATION OF POLLEN}},
  year         = {{2020}},
}