MarineSituがUltralytics YOLOを使用して水中モニタリングで96%以上の稼働率を達成

水中環境を監視することや海洋エネルギーシステムを扱うことは容易ではありませんが、インフラが周辺の生態系とどのように相互作用しているかを理解し、野生生物に害を与えることなく安全に運用するためには不可欠です。従来、研究者は何時間もの水中映像を人間が手作業で確認する必要があり、濁った環境、強い潮流、一貫性のない視界によってその作業はさらに困難なものとなっていました。

MarineSituは、高解像度カメラ、コンピュータービジョン、イメージングソナー、環境センサー、および機械学習モデルを使用して、研究者や組織が水中環境を監視・理解できるよう支援しています。例えば、Ultralytics YOLOモデルを使用することで、彼らのシステムは潮力タービンやその他の海洋エネルギーインフラ周辺を移動する野生生物を識別し追跡できます。

Link to this sectionAIイノベーションによるよりスマートな海洋モニタリング#

2016年に設立されたMarineSituは、パシフィック海洋エネルギーセンター(PMEC)およびワシントン大学応用物理学研究所(APL)での研究から始まりました。今日では、米国エネルギー省や米国海洋大気庁(NOAA)などの組織と協力しています。

MarineSituはSaltySuite™のようなプラットフォームを通じて、カメラ、ソナー、ハイドロフォンを含む専用のハードウェアシステムとAI搭載の検知モデルを統合し、複雑な水中環境を監視・分析しています。特に、物体検知（画像内の個々の動物や物体を特定・識別する）、画像分類（内容に基づいて画像全体にラベルを割り当てる）、物体追跡（連続するフレーム間で検知された物体を追跡して動きを分析する）といったコンピュータービジョンタスクを適用することで、MarineSituは海洋エネルギー、水産業、環境研究を支援するリアルタイムの洞察を提供しています。

Link to this section水中モニタリングが見た目以上に難しい理由#

海洋環境の監視は、陸上での観測よりもはるかに困難です。視界は予告なく低下する可能性があり、強い潮流が機器を動かし、海洋生物の付着がカメラやセンサーをすぐに覆い隠してしまいます。状況は1時間ごとに変化するため、一貫したデータ収集が困難です。

研究者やエネルギー事業者にとって、これは大きなボトルネックを生み出します。プロジェクトは数百テラバイトのビデオ、ソナー、音響データを生成する可能性があり、その手動確認は遅く非現実的です。

遠隔地の海洋サイトは、帯域幅の制限といったさらなるハードルに直面しており、大容量のビデオファイルをクラウドに送信することが困難です。これは運用コストを増加させ、データセキュリティに関する懸念も引き起こします。

これらの課題を解決するために、MarineSituはクラウド転送に依存せず、水中ハードウェア上で直接データを処理するエッジAIアプローチを採用しています。これにより、野生生物や環境イベントのリアルタイム検知が可能になり、研究者が確認すべきデータ量が削減され、低帯域幅で予測不可能な海洋状況下でも監視の信頼性が保たれます。

Link to this sectionUltralytics YOLOモデルを使用したリアルタイム水中検知#

MarineSituは、潮力タービン、港湾、研究施設、長期環境観測所など、要求の厳しい水中インフラ周辺に監視システムを配備し、海洋生物がこれらの構造物とどのように相互作用するかを捉えています。彼らのAdaptable Monitoring Package (AMP)は、高解像度光学カメラ、イメージングソナー、ハイドロフォン、LED照明、およびレンズやセンサーを数ヶ月間クリアに保つ防汚システムを統合しています。

マルチモーダルデータの連続ストリームを解釈するために、MarineSituは独自に学習させたUltralytics YOLOモデルを使用して、ビデオ映像をリアルタイムで分析しています。これらのモデルは、タービンの影響範囲内を移動する海洋種を検知・追跡し、重要なイベントを自動的にフラグ付けして、それに関連するソナーや音響記録と照合します。

例えば、クラゲがタービンの近くを漂う際、Ultralytics YOLOv8やUltralytics YOLO11のようなUltralytics YOLOモデルによってサポートされるインスタンスセグメンテーションが、画像内のその輪郭を完全に捉えることができます。これにより、野生生物との相互作用が、何時間もの変化のない映像の中に埋もれることなく、完全な文脈的詳細とともに記録されることが保証されます。

図1。Ultralytics YOLOモデルを使用してクラゲを検知・セグメンテーションした例。

Link to this sectionなぜUltralytics YOLOモデルが選ばれるのか#

Ultralytics YOLOモデルは、複雑な水中環境におけるリアルタイム検知に必要な速度と精度をMarineSituに提供します。YOLOv8やYOLO11といったモデルはエッジシステム上で効率的に実行され、TensorRTなどのフォーマットにエクスポート可能です。

Link to this sectionMarineSituとUltralytics YOLOのモニタリングで96%の稼働率を達成#

MarineSituによるUltralytics YOLOモデルの採用は、過酷な海洋状況下での長期配備において、信頼性の高いリアルタイム野生生物モニタリングを可能にしました。

太平洋岸北西部での141日間の配備において、MarineSituのAdaptable Monitoring Package（AMP）は、強い潮流、低い視界、絶え間ない生物付着の圧力にもかかわらず、96%以上の稼働率を維持しました。防汚システムがカメラポート、照明、イメージングソナーを常時クリアに保ち、一貫した高品質なデータを確保しました。

システム上でYOLOを継続的に実行することで、研究者はアザラシ、魚、その他の種がタービンの周囲を移動する様子を追跡できました。自動化された物体検知とイベントフィルタリングにより、手動確認の時間が大幅に削減されました。PNNLおよびUW-APLの研究者によると、YOLOによってフラグ付けされたイベントの確認は毎日わずか1〜2時間で済み、フィルターされていない映像をスキャンする時間のかかるプロセスと比較して効率的でした。

図2。Ultralytics YOLOモデルを使用したアザラシの検知。

耐久性の高いハードウェアとマルチモーダルセンシング、そしてリアルタイムのコンピュータービジョンを組み合わせることで、MarineSituは野生生物の相互作用に関する完全で文脈的なビューを提供しました。これは手動確認だけでは達成が極めて困難だったものです。この信頼性と効率性の高さは、潮力エネルギープロジェクトの環境評価を加速させ、海洋モニタリングシステムの基準を引き上げています。

Link to this sectionリアルタイム海洋インテリジェンスの拡大#

MarineSituは、幅広い水中環境において、リアルタイムのコンピュータービジョン機能を継続的に拡張しています。潮力タービン以外にも、彼らのUltralytics YOLOを活用したシステムは、港湾における野生生物の監視、サンゴ礁の研究支援、科学施設周辺の魚の行動観察、そして遠隔地の海洋サイトでの長期的な環境データ収集に使用されています。

検知パイプラインの中心にYOLOモデルを据えることで、MarineSituは種の認識向上、エッジベースのAI処理の強化、そして従来の手法では困難またはコストがかかる場所への自動モニタリング導入に注力しています。彼らは、海洋モニタリングをより効率的で身近なものにすると同時に、海洋生態系が人間の活動とどのように相互作用しているかについて、より明確で迅速な洞察を研究者に提供することを目指しています。

AIについて詳しく知りたいですか？ライセンスオプションを確認して、あなたのプロジェクトにVision AIを導入してください。詳細については、GitHubリポジトリをご覧ください。ソリューションページでロボティクスにおけるコンピュータービジョンや自動車産業におけるAIについてご覧いただけます。