Published March 19, 2022 | Version v1
Publication Open

Assessment of deep convolutional neural network models for species identification of forensically-important fly maggots based on images of posterior spiracles

Creators

  • 1. Naresuan University

Description

Forensic entomology is the branch of forensic science that is related to using arthropod specimens found in legal issues. Fly maggots are one of crucial pieces of evidence that can be used for estimating post-mortem intervals worldwide. However, the species-level identification of fly maggots is difficult, time consuming, and requires specialized taxonomic training. In this work, a novel method for the identification of different forensically-important fly species is proposed using convolutional neural networks (CNNs). The data used for the experiment were obtained from a digital camera connected to a compound microscope. We compared the performance of four widely used models that vary in complexity of architecture to evaluate tradeoffs in accuracy and speed for species classification including ResNet-101, Densenet161, Vgg19_bn, and AlexNet. In the validation step, all of the studied models provided 100% accuracy for identifying maggots of 4 species including Chrysomya megacephala (Diptera: Calliphoridae), Chrysomya (Achoetandrus) rufifacies (Diptera: Calliphoridae), Lucilia cuprina (Diptera: Calliphoridae), and Musca domestica (Diptera: Muscidae) based on images of posterior spiracles. However, AlexNet showed the fastest speed to process the identification model and presented a good balance between performance and speed. Therefore, the AlexNet model was selected for the testing step. The results of the confusion matrix of AlexNet showed that misclassification was found between C. megacephala and C. (Achoetandrus) rufifacies as well as between C. megacephala and L. cuprina. No misclassification was found for M. domestica. In addition, we created a web-application platform called thefly.ai to help users identify species of fly maggots in their own images using our classification model. The results from this study can be applied to identify further species by using other types of images. This model can also be used in the development of identification features in mobile applications. This study is a crucial step for integrating information from biology and AI-technology to develop a novel platform for use in forensic investigation.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

علم الحشرات الشرعي هو فرع من فروع علم الطب الشرعي يتعلق باستخدام عينات المفصليات الموجودة في القضايا القانونية. اليرقات الطائرة هي واحدة من الأدلة الحاسمة التي يمكن استخدامها لتقدير فترات ما بعد الوفاة في جميع أنحاء العالم. ومع ذلك، فإن تحديد مستوى الأنواع لديدان الذباب أمر صعب ويستغرق وقتًا طويلاً ويتطلب تدريبًا تصنيفيًا متخصصًا. في هذا العمل، يتم اقتراح طريقة جديدة لتحديد أنواع الذباب المختلفة المهمة من الناحية الجنائية باستخدام الشبكات العصبية الالتفافية (CNNs). تم الحصول على البيانات المستخدمة في التجربة من كاميرا رقمية متصلة بمجهر مركب. قارنا أداء أربعة نماذج مستخدمة على نطاق واسع تختلف في تعقيد الهندسة المعمارية لتقييم المقايضات في الدقة والسرعة لتصنيف الأنواع بما في ذلك ResNet -101 و Densenet161 و Vgg19_bn و AlexNet. في خطوة التحقق من الصحة، قدمت جميع النماذج المدروسة دقة بنسبة 100 ٪ لتحديد الديدان من 4 أنواع بما في ذلك Chrysomya megacephala (Diptera: Calliphoridae)، Chrysomya (Achoetandrus) rufifacies (Diptera: Calliphoridae)، Lucilia cuprina (Diptera: Calliphoridae)، و Musca domestica (Diptera: Muscidae) بناءً على صور اللولبيات الخلفية. ومع ذلك، أظهرت AlexNet أسرع سرعة لمعالجة نموذج التعريف وقدمت توازنًا جيدًا بين الأداء والسرعة. لذلك، تم اختيار نموذج AlexNet لخطوة الاختبار. أظهرت نتائج مصفوفة الارتباك لـ AlexNet أنه تم العثور على خطأ في التصنيف بين C. megacephala و C. (Achoetandrus) rufifacies وكذلك بين C. megacephala و L. cuprina. لم يتم العثور على خطأ في تصنيف M. domestica. بالإضافة إلى ذلك، أنشأنا منصة لتطبيقات الويب تسمى thefly.ai لمساعدة المستخدمين على تحديد أنواع الديدان الطائرة في صورهم الخاصة باستخدام نموذج التصنيف الخاص بنا. يمكن تطبيق نتائج هذه الدراسة لتحديد المزيد من الأنواع باستخدام أنواع أخرى من الصور. يمكن أيضًا استخدام هذا النموذج في تطوير ميزات تحديد الهوية في تطبيقات الهاتف المحمول. هذه الدراسة هي خطوة حاسمة لدمج المعلومات من علم الأحياء وتكنولوجيا الذكاء الاصطناعي لتطوير منصة جديدة لاستخدامها في التحقيق الجنائي.

Translated Description (French)

L'entomologie médico-légale est la branche de la science médico-légale qui est liée à l'utilisation de spécimens d'arthropodes trouvés dans des questions juridiques. Les asticots à mouches sont l'un des éléments de preuve cruciaux qui peuvent être utilisés pour estimer les intervalles post-mortem dans le monde entier. Cependant, l'identification des mouches au niveau des espèces est difficile, prend du temps et nécessite une formation taxonomique spécialisée. Dans ce travail, une nouvelle méthode pour l'identification de différentes espèces de mouches importantes sur le plan médico-légal est proposée à l'aide de réseaux de neurones convolutionnels (CNN). Les données utilisées pour l'expérience ont été obtenues à partir d'un appareil photo numérique connecté à un microscope composé. Nous avons comparé les performances de quatre modèles largement utilisés qui varient en complexité d'architecture pour évaluer les compromis de précision et de vitesse pour la classification des espèces, notamment ResNet-101, Densenet161, Vgg19_bn et AlexNet. Dans l'étape de validation, tous les modèles étudiés ont fourni une précision de 100 % pour identifier les asticots de 4 espèces, y compris Chrysomya megacephala (Diptera : Calliphoridae), Chrysomya (Achoetandrus) rufifacies (Diptera : Calliphoridae), Lucilia cuprina (Diptera : Calliphoridae) et Musca domestica (Diptera : Muscidae) sur la base d'images de spiracles postérieurs. Cependant, AlexNet a montré la vitesse la plus rapide pour traiter le modèle d'identification et a présenté un bon équilibre entre performance et vitesse. Par conséquent, le modèle AlexNet a été sélectionné pour l'étape de test. Les résultats de la matrice de confusion d'AlexNet ont montré qu'une classification erronée a été trouvée entre C. megacephala et C. (Achoetandrus) rufifacies ainsi qu'entre C. megacephala et L. cuprina. Aucune erreur de classification n'a été trouvée pour M. domestica. En outre, nous avons créé une plate-forme d'application Web appelée thefly.ai pour aider les utilisateurs à identifier les espèces de mouches maggots dans leurs propres images à l'aide de notre modèle de classification. Les résultats de cette étude peuvent être appliqués pour identifier d'autres espèces en utilisant d'autres types d'images. Ce modèle peut également être utilisé dans le développement de fonctionnalités d'identification dans des applications mobiles. Cette étude est une étape cruciale pour intégrer les informations issues de la biologie et de la technologie de l'IA afin de développer une nouvelle plate-forme à utiliser dans les enquêtes médico-légales.

Translated Description (Spanish)

La entomología forense es la rama de la ciencia forense que se relaciona con el uso de especímenes de artrópodos que se encuentran en cuestiones legales. Los gusanos voladores son una de las pruebas cruciales que se pueden utilizar para estimar los intervalos post mortem en todo el mundo. Sin embargo, la identificación de gusanos mosca a nivel de especie es difícil, requiere mucho tiempo y requiere capacitación taxonómica especializada. En este trabajo, se propone un método novedoso para la identificación de diferentes especies de moscas de importancia forense utilizando redes neuronales convolucionales (CNN). Los datos utilizados para el experimento se obtuvieron de una cámara digital conectada a un microscopio compuesto. Comparamos el rendimiento de cuatro modelos ampliamente utilizados que varían en complejidad de arquitectura para evaluar las compensaciones en precisión y velocidad para la clasificación de especies, incluidos ResNet-101, Densenet161, Vgg19_bn y AlexNet. En el paso de validación, todos los modelos estudiados proporcionaron una precisión del 100% para identificar gusanos de 4 especies, incluyendo Chrysomya megacephala (Diptera: Calliphoridae), Chrysomya (Achoetandrus) rufifacies (Diptera: Calliphoridae), Lucilia cuprina (Diptera: Calliphoridae) y Musca domestica (Diptera: Muscidae) en base a imágenes de espiráculos posteriores. Sin embargo, AlexNet mostró la velocidad más rápida para procesar el modelo de identificación y presentó un buen equilibrio entre rendimiento y velocidad. Por lo tanto, se seleccionó el modelo AlexNet para el paso de prueba. Los resultados de la matriz de confusión de AlexNet mostraron que se encontró una clasificación errónea entre C. megacephala y C. (Achoetandrus) rufifacies, así como entre C. megacephala y L. cuprina. No se encontró ninguna clasificación errónea para M. domestica. Además, creamos una plataforma de aplicaciones web llamada thefly.ai para ayudar a los usuarios a identificar especies de gusanos mosca en sus propias imágenes utilizando nuestro modelo de clasificación. Los resultados de este estudio se pueden aplicar para identificar otras especies mediante el uso de otros tipos de imágenes. Este modelo también se puede utilizar en el desarrollo de funciones de identificación en aplicaciones móviles. Este estudio es un paso crucial para integrar la información de la biología y la tecnología de la IA para desarrollar una plataforma novedosa para su uso en la investigación forense.

Files

s41598-022-08823-8.pdf.pdf

Files (10.5 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:8816e958a4c8441d8b2e59beb67d1eca
10.5 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تقييم نماذج الشبكة العصبية الالتفافية العميقة لتحديد أنواع اليرقات الذبابة ذات الأهمية الشرعية بناءً على صور الكريات الحلزونية الخلفية
Translated title (French)
Évaluation des modèles de réseaux neuronaux convolutionnels profonds pour l'identification des espèces de mouches maggots d'importance médico-légale sur la base d'images de spiracles postérieurs
Translated title (Spanish)
Evaluación de modelos de redes neuronales convolucionales profundas para la identificación de especies de gusanos mosca de importancia forense basada en imágenes de espiráculos posteriores

Identifiers

Other
https://openalex.org/W4220765614
DOI
10.1038/s41598-022-08823-8

Is supplement to
https://openalex.org/W4255876026 (Other)
https://openalex.org/W4253620601 (Other)
https://openalex.org/W2907920961 (Other)
https://openalex.org/W2772008226 (Other)
https://openalex.org/W2606447136 (Other)
https://openalex.org/W2344702135 (Other)
https://openalex.org/W2336309117 (Other)
https://openalex.org/W2185697191 (Other)
https://openalex.org/W2177522257 (Other)
https://openalex.org/W2136448613 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Thailand

References

  • https://openalex.org/W1964596849
  • https://openalex.org/W1984944722
  • https://openalex.org/W1997633489
  • https://openalex.org/W2033337728
  • https://openalex.org/W2048662254
  • https://openalex.org/W2054845144
  • https://openalex.org/W2197578915
  • https://openalex.org/W2314989069
  • https://openalex.org/W2331720390
  • https://openalex.org/W2415570052
  • https://openalex.org/W2529442765
  • https://openalex.org/W2781607064
  • https://openalex.org/W2897795150
  • https://openalex.org/W2910634864
  • https://openalex.org/W2954711588
  • https://openalex.org/W2968859244
  • https://openalex.org/W3002266516
  • https://openalex.org/W3016211929
  • https://openalex.org/W3040800265
  • https://openalex.org/W3044703660
  • https://openalex.org/W3118571930
  • https://openalex.org/W3152437585
  • https://openalex.org/W3163432930