Jaanuska, Ljubov, juhendajaLokko, KülliTartu Ülikool. Loodus- ja täppisteaduste valdkondTartu Ülikool. Arvutiteaduse instituut2025-10-292025-10-292025https://hdl.handle.net/10062/117190The objective of the bachelor's thesis was to automate the detection and identification of meiobenthos in micrographs using machine learning methods. Meiobenthos consists of many different groups of microscopic organisms living in the aquatic sediments. In aquatic environments, meiobenthos plays an important role in energy flow and nutrient cycles. Counting and identifying these organisms manually is very labor-intensive and time-consuming, and requires extensive training. Therefore, there is a clear need for automation, which would greatly facilitate abundance and biomass estimation, taxonomic composition assessment, and the study of the ecological relationships and nutrient cycles. First, an annotated database of micrographs was created as part of the thesis. To ensure high-quality training data, each meiobenthic organism in the images was manually annotated. Prior to this work, no comparable dataset was publicly available. Next, models were trained using two object detection models (Faster R-CNN and YOLO11) to automatically detect all meiobenthic organisms in the images and to identify their taxonomic group. The detection performance of the best models was comparable to that of existing models trained on plankton datasets, achieving an error rate of only 3.7% in abundance estimation on the test set. The models performed slightly less well in identifying the correct organism group (taxon). The best Faster R-CNN model correctly identified both the location and taxonomic group of organisms in 86.3% of cases while the YOLO11 model identified both correctly in 80.7% of cases.Bakalaureusetöö eesmärgiks oli automatiseerida masinõppe meetoditega meiobentose tuvastamine ja identifitseerimine mikrofotodelt. Meiobentos - veekogu põhjasetetes elavad mikroskoopilised organismid – mängib olulist rolli veekogu energia- ja aineringes ja hõlmab paljusid erinevaid organismirühmi. Nende organismide käsitsi loendamine ja määramine on väga töö- ja ajakulukas protsess ning eeldab põhjalikku väljaõpet. Seega on vajadus automatiseerimise järele suur, kuna hõlbustaks oluliselt nii arvukuse, taksonoomilise koosseisu kui biomassi hindamist ja seeläbi ka ökoloogiliste seoste ning aineringe uurimist. Bakalaureusetöö esimene oluline etapp oli märgendatud andmebaasi loomine, kuna varasemast selliseid meiobentose andmekogusid ei leitud. Mikrofotodel märgiti käsitsi ära organismide asukohad ja kuuluvus vastavatesse rühmadesse, et tagada kvaliteetne treeningmaterjal mudelite õpetamiseks. Edasi treeniti kaks objektituvastusmudelit (Faster R-CNN ja YOLO11), mis tuvastavad mikrofotodelt automaatselt kõik meiobentose esindajad ja identifitseerivad millisesse taksonisse organism kuulub. Parimad treenitud mudelid osutusid tuvastusvõimekuselt vähemalt sama headeks kui senised veehõljumi jaoks treenitud mudelid, eksides sõltumatutel testandmetel arvukuse hindamisel vaid ~3,7% võrra. Õige taksoni määramisel olid treenitud mudelid pisut ebatäpsemad: nii taksoni kui asukoha fotol tuvastas parim Faster R-CNN mudel õigesti 86,3% juhtudest ja YOLO11 mudel 80,7% juhtudest.ethttps://creativecommons.org/licenses/by-nc-nd/4.0/masinõpemeiobentoskonvolutsioonilised närvivõrgudpildituvastusbakalaureusetöödinformaatikainfotehnoloogiainformaticsinfotechnologyThesis