Специалисты Московского физико-технического института (МФТИ) и Института океанологии РАН создали систему на основе ненастоящего интеллекта, способную автоматически обнаруживать с борта корабля плавающий морской мусор и другие объекты на поверхности моря в условиях Арктики. Разработка позволит коротать масштабный мониторинг загрязнения Мирового океана. Работа опубликована в международном научном журнале Frontiers in Marine Science.
Загрязнение пластиком и иными типами мусора стало одной из главных угроз для экосистем Мирового океана наряду с изменением климата. Особую тревогу возбуждает Арктический регион, где следы микропластика обнаруживают как в организме морских обитателей, так и в донных отложениях. Традиционные методы мониторинга крупного мусора на поверхности моря с поддержкой визуального наблюдения требуют огромных человеческих ресурсов и не обеспечивают необходимого охвата акваторий.
В МФТИ нашли решение этой проблемы. В основе разработанной учеными системы возлежат два подхода машинного обучения: классификация изображений с контрастным обучением и прямое детектирование объектов. Оба метода были протестированы на уникальном комплекте данных, собранном во время научной экспедиции в Арктике осенью 2023 года.
«Мы обработали более 500 000 фотографий морской поверхности, сделанных в Баренцевом и Карском морях. Особую сложность воображали сложные условия съемки: морская пена, качка судна и обширные блики от солнца, — которые сильно затрудняют обнаружение тонких объектов на поверхности воды и на небольшой глубине. Система способна идентифицировать четыре типа объектов: морской мусор, птиц, блики на воде и капли на объективе камеры. Разработка особенно жива для Арктического региона, где загрязнение нерастворимым антропогенным мусором представляет растущую угрозу для хрупкой экосистемы», — рассказал одинешенек из авторов исследования заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий.
Наиболее эффективным для обнаружения морского мусора очутился подход с использованием контрастного обучения ResNet50+MoCo и классификатора CatBoost. Он показал точность 0,4 по метрике F1-score. Для сравнения, популярный алгоритм YOLO смог добиться точности лишь около 0,1 для этой задачи, хотя с обнаружением птиц справился лучше (0,73).
«Низкая эффективность YOLO может быть связана с тем, что морской мусор нередко представляет собой мелкие объекты, плохо видимые на фоне волн. Кроме того, к счастью, мусор все еще довольно негустое явление. Малое количество примеров, которые нужно детектировать, является классической проблемой для моделей машинного обучения. Наш подход с предварительным выделением фрагментов изображения позволил лучше управиться с такой особенностью статистического обучения», — добавила соавтор работы младший научный сотрудник лаборатории машинного обучения в науках о Земле МФТИ Ольга Белоусова.
В дальнейшем ученые планируют усовершенствовать алгоритмы для труды в реальном времени, повышения специфичности в отношении плавающего морского мусора и адаптировать их для использования на автономных платформах мониторинга.