Study of the taxonomic separability of beetles of the genus Pimelia using deep learning

Abstract

[Resumo]: Na bioloxía, a taxonomía é a base para unha clasificación precisa dos seres vivos, o que é crucial para a conservación e os estudos ambientais. Non obstante, as técnicas tradicionais baseadas en características físicas e xeográficas adoitan enfrontarse a limitacións, especialmente cando os grupos estudados son visualmente similares ou presentan variabilidade xeográfica. Este TFG aborda estes desafíos empregando tecnoloxías avanzadas de aprendizaxe automática e procesamento de imaxes. O obxectivo é desenvolver un modelo que mellore a clasificación de especies dentro do xénero Pimelia dos coleópteros, coñecidos comunmente como escaravellos, mediante a análise das súas características físicas detalladas para determinar se as diferenzas entre as especies catalogadas son auténticas ou simplemente variacións xeográficas. A metodoloxía combina técnicas de visión artificial e aprendizaxe profunda de última xeración para extraer e analizar atributos morfolóxicos e texturais a partir de imaxes de alta resolución. Este enfoque permite unha avaliación obxectiva e cuantitativa das semellanzas e diferenzas entre os espécimes, superando as limitacións dos métodos manuais. Os resultados preliminares indican que o modelo é capaz de identificar características distintivas de cada especie con alta precisión, mesmo en casos nos que as diferenzas visuais son mínimas. Ademais, explórase a capacidade do modelo para adaptarse a variacións no posicionamento e na orientación dos espécimes, aspectos críticos para a aplicación no campo. O proxecto lévase a cabo en colaboración co Grupo de Investigación en Bioloxía Evolutiva e co Grupo de Visión Artificial e Recoñecemento de Patróns (VARPA), ambos da UDC, así como co Museo Nacional de Ciencias Naturais do CSIC. Estas institucións non só proporcionan as imaxes necesarias para o adestramento e validación do modelo, senón tamén apoio experto en aspectos biolóxicos, taxonómicos e tecnolóxicos. Este estudo non só promete melloras significativas na eficiencia e precisión da taxonomía biolóxica, senón que tamén ofrece unha base sólida para futuras investigacións no seguimento da biodiversidade e na conservación. En última instancia, esta tese busca establecer un precedente para a integración de tecnoloxías dixitais avanzadas na bioloxía sistemática, ofrecendo ferramentas clave para a detección e resposta rápida ás ameazas ambientais.

[Abstract]: In biology, taxonomy is the basis for accurate classification of living things, which is fundamental for conservation and environmental studies. However, traditional techniques based on physical and geographical characteristics often face limitations, especially when the studied groups are visually similar or geographically variable. This Bachelor’s Thesis addresses these challenges by employing advanced machine learning and image processing technologies. The aim is to develop a model that enhances the classification of species within the genus Pimelia of coleoptera, commonly known as beetles, by analyzing their detailed physical characteristics to determine whether differences between cataloged species are genuine or merely geographic variations. The methodology combines cutting-edge computer vision and deep learning techniques to extract and analyze morphological and textural attributes from high-resolution images. This approach allows for an objective and quantitative assessment of the similarities and differences between specimens, surpassing the limitations of manual methods. Preliminary results indicate that the model is capable of identifying distinctive features of each species with high accuracy, even in cases where visual differences are minimal. Furthermore, the model’s ability to adapt to variations in specimen positioning and orientation, critical aspects for field application, is explored. This project is carried out in collaboration with the Evolutionary Biology Research Group and the Varpa Research Group, both from UDC, as well as the National Museum of Natural Sciences (CSIC). These institutions not only provide the images needed for training and validating the model but also expert support in biological, taxonomic, and technological aspects. This study not only promises significant improvements in the efficiency and accuracy of biological taxonomy but also provides a robust foundation for future research in biodiversity monitoring and conservation. Ultimately, this thesis seeks to establish a precedent for integrating advanced digital technologies into systematic biology, offering key tools for rapid detection and response to environmental threats.