AZoRobotics побеседовали с Одей Гарсиа-Гарин из Университета Барселоны. Одей является частью исследовательской группы по крупным морским позвоночным при Барселонском университете; В настоящее время команда разрабатывает приложение на основе искусственного интеллекта под названием MARLIT, которое изучает плавающий морской макро-мусор (FMML).
Не могли бы вы дать нашим читателям больше информации о MARLIT и о том, как он используется?
MARLIT — это веб-приложение. Это еще один шаг к автоматизации обнаружения плавающего мусора и полезный подход к стандартизации мониторинга мусора с помощью любой воздушной платформы (например, беспилотного летательного аппарата или небольшого самолета), оснащенной устройствами дистанционного зондирования. Было бы полезно классифицировать большие объемы изображений как содержащие плавающий морской макромусор (FMML) или нет, что могло бы помочь выявить потенциальные области скопления.
Веб-приложение, доступное с компьютерного устройства, позволяло: (1) загружать аэрофотоснимки; (2) разбиение изображений на несколько ячеек, (3) их анализ с помощью библиотеки AIImagePred R; (4) обнаружение наличия плавающего мусора в каждой из ячеек; и (5) количественное определение его плотности по отношению к поверхности, покрытой изображениями.
Как команда развивала МАРЛИТ?
Приложение MARLIT было поддержано проектом MEDSEALITTER, финансируемым Европейским Союзом (Европейский фонд регионального развития — Interreg MED). Этот проект был направлен на создание стандартизированных протоколов для мониторинга плавающего мусора. Исследовательская группа в Университете Барселоны, изучающая крупных морских позвоночных, отвечала за тестирование протоколов с использованием дронов и самолетов с камерами высокого разрешения.
Какие методы тестирования использовались при разработке MARLIT?
Мы провели несколько исследований над средиземноморскими водами испанского побережья. Мы использовали различные дроны и типы самолетов, чтобы сделать снимки над «положительным контролем» (морской мусор, который мы развернули с лодки). Кроме того, мы провели несколько исследований природных территорий, чтобы получить большое количество изображений для обучения MARLIT.
Мы получили тысячи изображений морской поверхности, некоторые из них содержат морской мусор. Хотя мы достигли хорошей точности определения помета (81%), если бы мы могли увеличить обучающий набор изображений, мы могли бы улучшить MARLIT.
Не могли бы вы подробнее рассказать нашим читателям об алгоритме, который команда использовала в МАРЛИТ?
MARLIT работает по модели глубокого обучения с использованием сверточных нейронных сетей (CNN). В то время как другим методам машинного обучения требуется набор функций для подачи на классификатор, глубокое обучение на основе CNN обучает и распознает пространственные шаблоны целей, используя ряд функций внутри своей собственной структуры.
Основное преимущество алгоритмов глубокого обучения по сравнению с их предшественниками заключается в том, что они могут автоматически определять важные особенности изображения без какого-либо вмешательства человека, что означает, что они требуют меньше времени. Алгоритмы глубокого обучения, основанные на CNN, вдохновлены биологическим сходством между паттерном связности нейронов и организацией зрительной коры головного мозга животных.
Почему так важно классифицировать морские отходы и определять их источник?
Морской мусор представляет потенциальную угрозу для морской фауны и, более того, для человека. Мониторинг его плотности и распределения с помощью стандартных методологий жизненно важен для оценки степени этой экологической угрозы.
Разработка удобных для пользователя приложений для мониторинга наличия плавающего морского мусора будет способствовать осуществлению программ регулярного мониторинга этой угрозы в соответствии с действующими региональными и национальными экологическими нормативами.
Какие преимущества у МАРЛИТ перед традиционными методами наблюдения?
Хотя традиционные методы, основанные на наблюдении, имеют много преимуществ (например, точное определение целей, отсутствие ограничений, связанных с продолжительностью заряда батареи камеры или объемом памяти), альтернативные методы дистанционного зондирования предлагают явные преимущества, такие как более объективные и воспроизводимые результаты. , а также возможность повторного анализа записанных изображений для других исследований.
Что ждет команду IRBio и Барселонского университета?
Мы ищем сотрудничества для расширения набора данных и улучшения MARLIT. Кроме того, мы стремимся установить приложение непосредственно на удаленный датчик, например на дрон, чтобы повысить эффективность процесса обнаружения.