매년 야생 생물에 대한 국제적 수요가 빠르게 증가함에 따라 수십억 의 생물들이 거래되고 있다. 이러한 야생 생물은 Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES)에 의해 보호받고 있다. 그럼에도 불구하고 살아있는 많은 양의 거북류는 음식, 약, 애완 동물로 사용하기 위해 아시아로 수입되고 있다. 실제로 거북류는 2009년부터 2014년까지 한국으로 수입된 멸종위기종 중 두 번째로 많이 수입된 분류군이었다. 야생 생물 거래를 관리하고 규제하 는 것은 야생 생물 보전에 필수적이며 거래되는 종의 식별이 먼저 수행되 어야 한다. 그러나 대량의 야생동물 거래는 거북의 식별을 어렵게 만들 수 있다. 특히, 일부 거북류는 형태학적으로 매우 유사해 이를 판별하는 것이 어려울 수 있다. 따라서 야생동물거래와 관련된 대량의 동물을 식별 하려면 신속하고 정확한 종 판별 방법이 필요하다. 딥러닝 기반 이미지 분류는 자동화된 정확한 종 판별 연구에 널리 사용되어 왔다. 본 연구에 서는 한국으로 수입된 36종의 거북류의 판별을 위해 서로 다른 Convolutional Neural Network (CNN)를 ...
매년 야생 생물에 대한 국제적 수요가 빠르게 증가함에 따라 수십억 의 생물들이 거래되고 있다. 이러한 야생 생물은 Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES)에 의해 보호받고 있다. 그럼에도 불구하고 살아있는 많은 양의 거북류는 음식, 약, 애완 동물로 사용하기 위해 아시아로 수입되고 있다. 실제로 거북류는 2009년부터 2014년까지 한국으로 수입된 멸종위기종 중 두 번째로 많이 수입된 분류군이었다. 야생 생물 거래를 관리하고 규제하 는 것은 야생 생물 보전에 필수적이며 거래되는 종의 식별이 먼저 수행되 어야 한다. 그러나 대량의 야생동물 거래는 거북의 식별을 어렵게 만들 수 있다. 특히, 일부 거북류는 형태학적으로 매우 유사해 이를 판별하는 것이 어려울 수 있다. 따라서 야생동물거래와 관련된 대량의 동물을 식별 하려면 신속하고 정확한 종 판별 방법이 필요하다. 딥러닝 기반 이미지 분류는 자동화된 정확한 종 판별 연구에 널리 사용되어 왔다. 본 연구에 서는 한국으로 수입된 36종의 거북류의 판별을 위해 서로 다른 Convolutional Neural Network (CNN)를 백본 네트워크로 사용하는 8개의 Single Shot MultiBox Detector (SSD) 모델을 평가했다. 해당 종의 이미지 는 인터넷에서 수집되었다. 또한 전문 서적 및 논문에서 추출한 형태적 특징을 기반으로 이미지를 판별했다. 이후 거북류의 몸 전체를 Ground-truth bounding box로 지정했다. 수집된 데이터 세트는 훈련 세트 의 70%, 검증 세트의 15%, 테스트 세트의 15%로 나누었다. 또한 과적합 을 방지하기 위해 데이터 증강을 훈련 세트에 적용했다. 최종 데이터 세 트에는 370,696개의 훈련 이미지, 1,023개의 검증 이미지 및 1,071개의 테 스트 이미지가 포함되었다. 모델의 성능은 mean Average Precision (mAP) 과 추론 시간을 측정하여 평가했다. 분류 결과는 혼동 행렬로 표시되었 다. 분석한 8개 모델 중 ResNet18 모델이 가장 높은 mAP (87.7%)와 가장 빠른 추론 시간 (0.024초)을 보였다. ResNet18 모델에서 36종의 거북류의 평균 분류 성능은 82.90%로 나타났고, 범위는 Manouria emys의 56.52%에 서 Stigmochelys pardalis의 100.00%까지 다양했다. 상대적으로 낮은 분류 성능은 다른 종과 형태학적 유사성 및 학습에 사용된 적은 양의 이미지로 인해 발생했다. 향후 연구에서는 모델의 정확도를 높이기 위해 다양한 포 즈와 각도, 고해상도를 고려한 종합적인 이미지 수집이 이루어져야 한다. 또한, 향후 연구에서 거북 종 판별에 보다 적합한 모델을 찾기 위해 최근 에 개발된 객체 감지 모델을 적용해야 한다. 종합적인 이미지 수집을 고 려하여 개발된 모델은 대량의 거북 거래를 자동으로 정확하게 판별하는데 도움이 될 수 있다.
매년 야생 생물에 대한 국제적 수요가 빠르게 증가함에 따라 수십억 의 생물들이 거래되고 있다. 이러한 야생 생물은 Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES)에 의해 보호받고 있다. 그럼에도 불구하고 살아있는 많은 양의 거북류는 음식, 약, 애완 동물로 사용하기 위해 아시아로 수입되고 있다. 실제로 거북류는 2009년부터 2014년까지 한국으로 수입된 멸종위기종 중 두 번째로 많이 수입된 분류군이었다. 야생 생물 거래를 관리하고 규제하 는 것은 야생 생물 보전에 필수적이며 거래되는 종의 식별이 먼저 수행되 어야 한다. 그러나 대량의 야생동물 거래는 거북의 식별을 어렵게 만들 수 있다. 특히, 일부 거북류는 형태학적으로 매우 유사해 이를 판별하는 것이 어려울 수 있다. 따라서 야생동물거래와 관련된 대량의 동물을 식별 하려면 신속하고 정확한 종 판별 방법이 필요하다. 딥러닝 기반 이미지 분류는 자동화된 정확한 종 판별 연구에 널리 사용되어 왔다. 본 연구에 서는 한국으로 수입된 36종의 거북류의 판별을 위해 서로 다른 Convolutional Neural Network (CNN)를 백본 네트워크로 사용하는 8개의 Single Shot MultiBox Detector (SSD) 모델을 평가했다. 해당 종의 이미지 는 인터넷에서 수집되었다. 또한 전문 서적 및 논문에서 추출한 형태적 특징을 기반으로 이미지를 판별했다. 이후 거북류의 몸 전체를 Ground-truth bounding box로 지정했다. 수집된 데이터 세트는 훈련 세트 의 70%, 검증 세트의 15%, 테스트 세트의 15%로 나누었다. 또한 과적합 을 방지하기 위해 데이터 증강을 훈련 세트에 적용했다. 최종 데이터 세 트에는 370,696개의 훈련 이미지, 1,023개의 검증 이미지 및 1,071개의 테 스트 이미지가 포함되었다. 모델의 성능은 mean Average Precision (mAP) 과 추론 시간을 측정하여 평가했다. 분류 결과는 혼동 행렬로 표시되었 다. 분석한 8개 모델 중 ResNet18 모델이 가장 높은 mAP (87.7%)와 가장 빠른 추론 시간 (0.024초)을 보였다. ResNet18 모델에서 36종의 거북류의 평균 분류 성능은 82.90%로 나타났고, 범위는 Manouria emys의 56.52%에 서 Stigmochelys pardalis의 100.00%까지 다양했다. 상대적으로 낮은 분류 성능은 다른 종과 형태학적 유사성 및 학습에 사용된 적은 양의 이미지로 인해 발생했다. 향후 연구에서는 모델의 정확도를 높이기 위해 다양한 포 즈와 각도, 고해상도를 고려한 종합적인 이미지 수집이 이루어져야 한다. 또한, 향후 연구에서 거북 종 판별에 보다 적합한 모델을 찾기 위해 최근 에 개발된 객체 감지 모델을 적용해야 한다. 종합적인 이미지 수집을 고 려하여 개발된 모델은 대량의 거북 거래를 자동으로 정확하게 판별하는데 도움이 될 수 있다.
Billions of wild animals and plants are traded each year in order to meet the rapidly expanding global demand. Wildlife is protected from extinction and illegal trade by the Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES). In particular, large quantities of al...
Billions of wild animals and plants are traded each year in order to meet the rapidly expanding global demand. Wildlife is protected from extinction and illegal trade by the Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES). In particular, large quantities of alive turtles are imported into Asia to use as food, medicine, and pets. Indeed, the turtles were the second most imported species among endangered species imported into South Korea from 2009 to 2014. Managing and regulating the wildlife trade is essential for wildlife conservation, and identification of what species are being traded should be firstly conducted. However, the large amount of wildlife trade can make the identifying turtles challenging. Moreover, some turtles can be difficult to identify by their morphological features, due to morphological similarity. Therefore, rapid and accurate species identification tools are needed to identify the large number of animals involved in wildlife trade. Image classification based on deep learning has been widely used for automatic and accurate species identification. In the present study, the eight Single Shot MultiBox Detector (SSD) models with different Convolution Neural Networks (CNNs) as backbone networks were assessed for the identification of 36 turtle species imported into South Korea. Species images were collected from the internet and species were identified based on extracting morphological features from scholarly materials. The whole body was labeled as a ground-truth bounding box. The dataset was divided into 70% training set, 15% validation set, and 15% test set. Data augmentation was applied to the training set in order to prevent overfitting. The final dataset included 370,696 training images, 1,023 validation images, and 1,071 test images. The performance of the models was evaluated by mean Average Precision (mAP) and inference time. The classification results were presented as a confusion matrix. Among eight models, the ResNet18 model showed the highest mAP (87.7%) and the fastest inference time (0.024 seconds). In the ResNet18 model, the average correct classification rate was 82.90%, ranging from 56.52% for species Manouria emys to 100.00% for species Stigmochelys pardalis. The relatively low correct classification rates may be due to morphological similarities with other species and the low number of clear morphological feature images. To improve model accuracy, future studies should conduct a comprehensive image collection, considering various poses, angles, and high resolution. In addition, recently developed object detection models may be applied in order to identify more suitable models for identifying turtle species. The models developed based upon comprehensive image collection have the potential in identifying the large quantities of turtles involved in the wildlife trade both automatically and accurately.
Billions of wild animals and plants are traded each year in order to meet the rapidly expanding global demand. Wildlife is protected from extinction and illegal trade by the Convention on International Trade in Endangered Species of Wild Fauna and Flora (CITES). In particular, large quantities of alive turtles are imported into Asia to use as food, medicine, and pets. Indeed, the turtles were the second most imported species among endangered species imported into South Korea from 2009 to 2014. Managing and regulating the wildlife trade is essential for wildlife conservation, and identification of what species are being traded should be firstly conducted. However, the large amount of wildlife trade can make the identifying turtles challenging. Moreover, some turtles can be difficult to identify by their morphological features, due to morphological similarity. Therefore, rapid and accurate species identification tools are needed to identify the large number of animals involved in wildlife trade. Image classification based on deep learning has been widely used for automatic and accurate species identification. In the present study, the eight Single Shot MultiBox Detector (SSD) models with different Convolution Neural Networks (CNNs) as backbone networks were assessed for the identification of 36 turtle species imported into South Korea. Species images were collected from the internet and species were identified based on extracting morphological features from scholarly materials. The whole body was labeled as a ground-truth bounding box. The dataset was divided into 70% training set, 15% validation set, and 15% test set. Data augmentation was applied to the training set in order to prevent overfitting. The final dataset included 370,696 training images, 1,023 validation images, and 1,071 test images. The performance of the models was evaluated by mean Average Precision (mAP) and inference time. The classification results were presented as a confusion matrix. Among eight models, the ResNet18 model showed the highest mAP (87.7%) and the fastest inference time (0.024 seconds). In the ResNet18 model, the average correct classification rate was 82.90%, ranging from 56.52% for species Manouria emys to 100.00% for species Stigmochelys pardalis. The relatively low correct classification rates may be due to morphological similarities with other species and the low number of clear morphological feature images. To improve model accuracy, future studies should conduct a comprehensive image collection, considering various poses, angles, and high resolution. In addition, recently developed object detection models may be applied in order to identify more suitable models for identifying turtle species. The models developed based upon comprehensive image collection have the potential in identifying the large quantities of turtles involved in the wildlife trade both automatically and accurately.
주제어
#CITES, Endangered turtles, Species classification, Deep learning, Conservation
학위논문 정보
저자
백종원
학위수여기관
상명대학교 일반대학원
학위구분
국내석사
학과
생명과학과
발행연도
2022
총페이지
80p.
키워드
CITES, Endangered turtles, Species classification, Deep learning, Conservation
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.