Mit Ultralytics YOLO-Modellen automatisierte MarineSitu die Erkennung von Wildtieren rund um Meeresenergieanlagen, erreichte eine Verfügbarkeit von über 96 % und reduzierte die tägliche Sichtung von Aufnahmen auf nur ein bis zwei Stunden.
Die Überwachung von Unterwasserumgebungen und Meeresenergieanlagen ist nicht einfach, aber unerlässlich, um zu verstehen, wie diese Infrastruktur mit dem umgebenden Ökosystem interagiert, und um sicherzustellen, dass sie sicher betrieben wird, ohne Wildtiere zu schädigen. Traditionell mussten Forschende stundenlang Unterwasseraufnahmen manuell durchsuchen – eine Aufgabe, die durch trübe Bedingungen, starke Strömungen und uneinheitliche Sichtverhältnisse noch schwieriger wird.
MarineSitu unterstützt Forschende und Organisationen dabei, Unterwasserumgebungen mit hochauflösenden Kameras, Computer Vision, bildgebenden Sonaren, Umweltsensoren und Machine-Learning-Modellen zu überwachen und zu verstehen. So können die Systeme beispielsweise mithilfe von Ultralytics YOLO-Modellen Wildtiere erkennen und verfolgen, während sie sich um Gezeitenturbinen und andere Meeresenergieinfrastruktur bewegen.
Intelligentere Meeresüberwachung durch KI-Innovation#
MarineSitu wurde 2016 gegründet und ging aus Forschungsarbeiten am Pacific Marine Energy Center (PMEC) und am Applied Physics Lab (APL) der University of Washington hervor. Heute arbeitet das Unternehmen mit Organisationen wie dem US-Energieministerium und der US-amerikanischen National Oceanic and Atmospheric Administration zusammen.
Über Plattformen wie SaltySuite™ verbindet MarineSitu seine speziell entwickelten Hardwaresysteme, darunter Kameras, Sonare und Hydrofone, mit KI-gestützten Erkennungsmodellen, um komplexe Unterwasserumgebungen zu überwachen und zu analysieren. Insbesondere durch den Einsatz von Computer-Vision-Aufgaben wie Objekterkennung (Lokalisieren und Identifizieren einzelner Tiere oder Objekte innerhalb eines Bildes), Bildklassifizierung (Zuweisen eines Labels zu einem gesamten Bild auf Grundlage seines Inhalts) und Objektverfolgung (Verfolgen erkannter Objekte über aufeinanderfolgende Einzelbilder hinweg, um ihre Bewegung zu analysieren) liefert MarineSitu Echtzeiteinblicke, die Meeresenergie, Fischerei und Umweltforschung unterstützen.
Warum die Unterwasserüberwachung schwieriger ist, als sie aussieht#
Die Überwachung von Meeresumgebungen ist wesentlich anspruchsvoller als die Beobachtung von Bedingungen an Land. Die Sicht kann sich ohne Vorwarnung verschlechtern, starke Strömungen verschieben die Ausrüstung, und mariner Bewuchs kann Kameras und Sensoren schnell verdecken. Die Bedingungen können sich von Stunde zu Stunde ändern, was eine konsistente Datenerfassung erschwert.
Für Forschende und Betreiber von Energieanlagen stellt dies einen großen Engpass dar. Projekte können Hunderte Terabyte an Video-, Sonar- und Akustikdaten erzeugen, wodurch eine manuelle Sichtung langsam und unpraktikabel wird.
Abgelegene Meeresstandorte stehen vor zusätzlichen Herausforderungen, etwa einer begrenzten Bandbreite, die das Übertragen großer Videodateien in die Cloud erschwert. Dadurch steigen die Betriebskosten, und es entstehen Bedenken hinsichtlich der Datensicherheit.
Um diese Herausforderungen zu lösen, setzt MarineSitu auf einen Edge-KI-Ansatz, bei dem Daten direkt auf der Unterwasserhardware verarbeitet werden, anstatt auf Übertragungen in die Cloud angewiesen zu sein. Dies ermöglicht die Echtzeiterkennung von Wildtieren und Umweltvorkommnissen, verringert die von Forschenden zu sichtende Datenmenge und gewährleistet eine zuverlässige Überwachung auch bei geringer Bandbreite und unvorhersehbaren Bedingungen im Meer.
Echtzeiterkennung unter Wasser mit Ultralytics YOLO-Modellen#
MarineSitu setzt seine Überwachungssysteme rund um anspruchsvolle Unterwasserinfrastruktur ein, darunter Gezeitenturbinen, Häfen, Forschungsanlagen und langfristige Umweltobservatorien, um zu erfassen, wie Meereslebewesen mit diesen Strukturen interagieren. Das Adaptable Monitoring Package (AMP) integriert hochauflösende optische Kameras, bildgebende Sonare, Hydrofone, LED-Beleuchtung und Antifouling-Systeme, die Linsen und Sensoren monatelang sauber halten.
Um den kontinuierlichen Strom multimodaler Daten zu interpretieren, verwendet MarineSitu speziell trainierte Ultralytics YOLO-Modelle, die Videoaufnahmen in Echtzeit analysieren. Diese Modelle erkennen und verfolgen Meeresarten, während sie sich durch Bereiche wie das Einflussfeld einer Turbine bewegen, markieren automatisch wichtige Ereignisse und gleichen sie mit den zugehörigen Sonar- und Akustikaufnahmen ab.
Wenn beispielsweise eine Qualle in die Nähe der Turbine treibt, kann die Instanzsegmentierung mit Unterstützung von Ultralytics YOLO-Modellen wie Ultralytics YOLOv8 und Ultralytics YOLO11 ihre vollständige Kontur im Bild erfassen. Dadurch werden Interaktionen mit Wildtieren mit vollständigem Kontext erfasst, statt in stundenlangen ereignislosen Aufnahmen unterzugehen.
Abb. 1. Beispiel für die Erkennung und Segmentierung von Quallen mit Ultralytics YOLO-Modellen.
Warum Ultralytics YOLO-Modelle wählen?#
Ultralytics YOLO-Modelle bieten MarineSitu die für die Echtzeiterkennung in komplexen Unterwasserumgebungen erforderliche Geschwindigkeit und Genauigkeit. Modelle wie YOLOv8 und YOLO11 laufen effizient auf den Edge-Systemen des Unternehmens und können in Formate wie TensorRT exportiert werden.
Die Überwachung mit MarineSitu und Ultralytics YOLO erreicht eine Verfügbarkeit von 96 %#
Der Einsatz von Ultralytics YOLO-Modellen durch MarineSitu ermöglicht eine zuverlässige Echtzeitüberwachung von Wildtieren während langfristiger Einsätze unter schwierigen Bedingungen im Meer.
Bei einem 141-tägigen Einsatz im pazifischen Nordwesten erreichte das Adaptable Monitoring Package von MarineSitu, kurz AMP, trotz starker Strömungen, geringer Sicht und anhaltendem Bewuchsdruck eine Verfügbarkeit von über 96 %. Antifouling-Systeme hielten Kameraöffnungen, Beleuchtung und bildgebende Sonare während des gesamten Zeitraums frei und gewährleisteten so konsistent hochwertige Daten.
Da YOLO kontinuierlich auf dem System lief, konnten Forschende Robben, Fische und andere Arten verfolgen, während sie sich um die Turbine bewegten. Die automatisierte Objekterkennung und Ereignisfilterung verkürzte die Zeit für die manuelle Sichtung drastisch. Laut Forschenden von PNNL und UW-APL dauerte die Prüfung der von YOLO markierten Ereignisse häufig nur ein bis zwei Stunden pro Tag, verglichen mit dem zeitaufwendigen Durchsehen ungefilterter Aufnahmen.
Abb. 2. Erkennung einer Robbe mit einem Ultralytics YOLO-Modell.
Durch die Kombination robuster Hardware mit multimodaler Erfassung und Computer Vision in Echtzeit lieferte MarineSitu ein vollständiges und kontextreiches Bild der Interaktionen mit Wildtieren – etwas, das allein durch manuelle Sichtung äußerst schwer zu erreichen gewesen wäre. Dieses Maß an Zuverlässigkeit und Effizienz trägt dazu bei, Umweltbewertungen für Gezeitenenergieprojekte zu beschleunigen und den Standard für Meeresüberwachungssysteme anzuheben.
Echtzeitintelligenz für Meeresumgebungen skalieren#
MarineSitu baut seine Echtzeitfähigkeiten im Bereich Computer Vision kontinuierlich auf eine Vielzahl von Unterwasserumgebungen aus. Über Gezeitenturbinen hinaus werden die mit Ultralytics YOLO betriebenen Systeme zur Überwachung von Wildtieren in Häfen, zur Unterstützung der Korallenriffforschung, zur Beobachtung des Fischverhaltens rund um wissenschaftliche Anlagen und zur Erfassung langfristiger Umweltdaten an abgelegenen Meeresstandorten eingesetzt.
Mit YOLO-Modellen als Kern seiner Erkennungspipeline konzentriert sich MarineSitu darauf, die Erkennung von Arten zu verbessern, die KI-Verarbeitung am Rand zu stärken und die automatisierte Überwachung an weitere Orte zu bringen, an denen herkömmliche Methoden schwierig oder kostspielig sind. Das Unternehmen möchte die Unterwasserüberwachung effizienter und zugänglicher machen und Forschenden klarere und schnellere Einblicke darin geben, wie Meeresökosysteme mit menschlichen Aktivitäten interagieren.
Interessierst du dich für KI? Sieh dir unsere Lizenzoptionen an, um Vision AI in deine Projekte zu integrieren. Besuche unser GitHub-Repository, um mehr zu erfahren. Entdecke auf unseren Lösungsseiten Computer Vision in der Robotik und KI in der Automobilindustrie.
