Российские ученые разработали нейросеть для изучения морских обитателей и подводных глубин.
Ученые ЮФУ разработали подводную систему мониторинга на основе нейросети, точность распознавания у которой 90%. Она анализирует данные с камер и может определять различные виды морских обителей. К тому же разработку можно применять для мониторинга состояния искусственных объектов, например, трубопроводов. Систему уже тестируют на Азовском море с помощью камер, установленных на батискафе и одной стационарной площадке.
Внедрение ИИ существенно поможет в морских исследованиях. Нейросеть позволит получать более точные данные о глубинах и обитателях. И к тому же сделают процедуры дешевле. Например, не понадобится погружать дорогие аппараты или проводить тестовый лов для проведения расчетов объемов рыбы в океане. Вместо этого ИИ и с камерами установят на стационарные буи или мобильные субмарины, которые будут передавать данные в режиме реального времени. Применение такой системы даст большой объем объективной информации и поможет ответить на важные научные вопросы. Сейчас ученые заинтересованы в изучении флоры и фауны Азовского моря.
"Например, мы обучили ИИ узнавать взрослых пиленгасов и их мальков, рыбу-иглу, бычков и медуз. Сложнее всего узнавать медузу, так как под водой она полупрозрачна и выглядят необычно. Мы постоянно добавляем новые объекты и переучиваем нейросеть", - рассказали авторы разработки.
Эксперты отмечают, что в мире множество мониторинговых систем, в том числе для морских наблюдений. Однако российская разработка одна из немногих, использующих оптический метод. И в ЮФУ пошли сложным путем, так как проводить наблюдения под водой трудно из-за почти полного отсутствия света. Для адекватного мониторинга используют мощные прожекторы, которые обеспечивают дальность видимости в 10-15 метров. Этого достаточно для контроля рыб, но не для геологических исследований. К тому же непонятно, как система будет работать на глубине, где давление может уничтожить камеру. Однако надежды на подобные технологии есть. Нейросети прекрасно подходят для автоматизации рутинных, но при этом сложно формализуемых задач.
Фото: NEOM / Unsplash.com
