海洋生物學家有了一種新的人工智能工具來監(jiān)測和保護珊瑚礁。谷歌與澳大利亞聯(lián)邦科學和工業(yè)研究組織（CSIRO）合作開發(fā)的 項目 利用計算機視覺檢測模型，通過實時攝像頭來精確定位荊棘冠海星（COTS）的破壞性爆發(fā)。密切關(guān)注珊瑚礁有助于科學家快速應(yīng)對不斷增長的人口，保護寶貴的大堡礁生態(tài)系統(tǒng)。

盡管珊瑚礁覆蓋了不到 1% 的遼闊海底，但卻支撐著約 25% 的海洋物種，包括魚類、無脊椎動物和海洋哺乳動物。在健康的情況下，這些生產(chǎn)性海洋環(huán)境為旅游業(yè)和娛樂業(yè)提供商業(yè)和自給漁業(yè)以及收入。它們還可以在風暴潮期間保護沿海社區(qū)，是藥物發(fā)現(xiàn)研究中抗病毒化合物的豐富來源。

在整個印度 – 太平洋地區(qū)都能找到膠輥的組合，它們以珊瑚蟲為食，珊瑚蟲是硬珊瑚礁的生命部分。它們通常數(shù)量很少，對生態(tài)系統(tǒng)造成的危害很小。然而，由于營養(yǎng)流失和天敵數(shù)量減少，疫情頻發(fā)，正在造成重大損害。

健康的珊瑚礁需要 10 到 20 年的時間才能從 COTS 爆發(fā)中恢復(fù)， COTS 爆發(fā)的定義是每 10000 平方米有 30 個或更多的成年人，或者密度消耗珊瑚的速度快于珊瑚的生長速度。面臨氣候變化、污染和破壞性捕魚做法等環(huán)境壓力的退化珊瑚礁不太可能恢復(fù)，導(dǎo)致不可逆轉(zhuǎn)的損害、珊瑚覆蓋減少和生物多樣性喪失。

科學家通過干預(yù)措施控制疫情。兩種常見的方法包括向海星注射膽鹽或從水中清除海星種群。但是，傳統(tǒng)的礁石測量方法是將浮潛器拖到船后進行視覺識別，這既耗時又費力，而且精度較低。

根據(jù)項目的 TensorFlow 文章 “ CSIRO 開發(fā)了一個 edge ML 平臺（構(gòu)建在 NVIDIA Jetson AGX Xavier ） 它可以分析水下圖像序列，并近乎實時地繪制出檢測結(jié)果?！弊髡?Megha Malpani 是谷歌的 AI / ML 產(chǎn)品經(jīng)理， Ard Oerlemans 是谷歌的軟件工程師，他們是 CSIRO 研究團隊的一員，致力于構(gòu)建最精確、性能最好的模型。

研究人員利用 CSIRO 提供的一個帶注釋的數(shù)據(jù)集，開發(fā)了一個精確的目標檢測模型，該模型使用實時攝像頭而不是浮潛器來檢測海星。

它在各種海洋條件下以每秒 10 幀以上的速度處理圖像，如照明、能見度、深度、視點、珊瑚棲息地和現(xiàn)有 COTS 數(shù)量。

根據(jù)帖子，當 COTS 海星被檢測到時，它會被分配一個唯一的 ID 跟蹤器，將檢測結(jié)果與時間和視頻幀聯(lián)系起來。 Malpani 和 Oerlemans 寫道：“我們通過首先使用光流預(yù)測海星在下一幀中的位置，然后根據(jù)它們在聯(lián)合（ IoU ）分數(shù)上的交點將檢測與預(yù)測進行匹配，從而將后續(xù)幀中的檢測相互聯(lián)系起來。”。

隨著快速確定 COT 總數(shù)的最終目標的實現(xiàn)，團隊將重點放在整個管道的準確性上?！爱斍?1080p 型號使用 TensorFlow TensorRT 在 Jetson AGX Xavier 上以 11 FPS 的速度運行，達到基于序列的 F2得分 0.80 分！我們還訓(xùn)練了一個 720p 模型，該模型在 Jetson 模塊上以 22 FPS 的速度運行，使用基于序列的 F2得分為 0.78 ，”研究人員寫道。

根據(jù)這項研究，該項目旨在展示機器學習和人工智能技術(shù)應(yīng)用于大規(guī)模海洋棲息地監(jiān)測的能力。

他們的工作是通過 GitHub 上荊棘冠海星檢測管道 或 Google Colab 開源的。該項目是谷歌 數(shù)字未來計劃 和 CSIRO 的一部分。

關(guān)于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯：郭婷