MarineSitu đạt thời gian hoạt động 96%+ trong giám sát dưới nước bằng cách sử dụng Ultralytics YOLO

Giám sát môi trường dưới nước và các hệ thống năng lượng biển không hề dễ dàng, nhưng đây là yếu tố cốt yếu để hiểu cách cơ sở hạ tầng này tương tác với hệ sinh thái xung quanh, đồng thời đảm bảo nó vận hành an toàn mà không gây hại cho động vật hoang dã. Theo truyền thống, các nhà nghiên cứu phải thủ công sàng lọc hàng giờ cảnh quay dưới nước, một nhiệm vụ thậm chí còn khó khăn hơn do điều kiện nước đục, dòng chảy mạnh và tầm nhìn không nhất quán.

MarineSitu hỗ trợ các nhà nghiên cứu và tổ chức trong việc giám sát và tìm hiểu môi trường dưới nước bằng cách sử dụng camera độ phân giải cao, computer vision, sonar hình ảnh, cảm biến môi trường và các model machine-learning. Ví dụ, bằng cách sử dụng Ultralytics YOLO models, các hệ thống của họ có thể nhận diện và theo dõi động vật hoang dã khi chúng di chuyển xung quanh các tuabin thủy triều và các cơ sở hạ tầng năng lượng biển khác.

Link to this sectionGiám sát biển thông minh hơn thông qua đổi mới AI#

Được thành lập vào năm 2016, MarineSitu khởi nguồn từ các nghiên cứu tại Trung tâm Năng lượng Biển Thái Bình Dương (PMEC) và Phòng thí nghiệm Vật lý Ứng dụng (APL) thuộc Đại học Washington. Ngày nay, họ hợp tác với các tổ chức như Bộ Năng lượng Hoa Kỳ và Cơ quan Quản lý Khí quyển và Đại dương Quốc gia Hoa Kỳ.

Thông qua các nền tảng như SaltySuite™, MarineSitu tích hợp các hệ thống phần cứng được xây dựng có mục đích của mình, bao gồm camera, sonar và hydrophone, với các model phát hiện hỗ trợ AI để giám sát và phân tích các môi trường dưới nước phức tạp. Đặc biệt, bằng cách áp dụng computer vision tasks như object detection (định vị và nhận diện từng cá thể động vật hoặc vật thể trong hình ảnh), image classification (gán nhãn cho toàn bộ hình ảnh dựa trên nội dung của nó) và object tracking (theo dõi các đối tượng đã phát hiện qua các khung hình liên tiếp để phân tích chuyển động của chúng), MarineSitu cung cấp thông tin chi tiết theo thời gian thực nhằm hỗ trợ năng lượng biển, thủy sản và nghiên cứu môi trường.

Link to this sectionTại sao giám sát dưới nước lại khó hơn vẻ ngoài của nó#

Giám sát môi trường biển khó khăn hơn nhiều so với việc quan sát các điều kiện trên đất liền. Tầm nhìn có thể giảm mà không báo trước, dòng chảy mạnh làm dịch chuyển thiết bị và sinh vật biển phát triển nhanh chóng có thể che khuất camera và cảm biến. Các điều kiện có thể thay đổi theo từng giờ, khiến việc thu thập dữ liệu nhất quán trở nên khó khăn.

Đối với các nhà nghiên cứu và đơn vị vận hành năng lượng, điều này tạo ra một nút thắt lớn. Các dự án có thể tạo ra hàng trăm terabyte dữ liệu video, sonar và âm thanh, khiến việc đánh giá thủ công trở nên chậm chạp và không khả thi.

Các địa điểm đại dương từ xa đối mặt với những rào cản bổ sung, chẳng hạn như băng thông hạn chế, khiến việc gửi các tệp video lớn lên đám mây trở nên khó khăn. Điều này làm tăng chi phí vận hành và gây ra những lo ngại về bảo mật dữ liệu.

Để giải quyết những thách thức này, MarineSitu sử dụng phương pháp edge AI để xử lý dữ liệu trực tiếp trên phần cứng dưới nước thay vì dựa vào việc truyền tải lên đám mây. Điều này cho phép phát hiện động vật hoang dã và các sự kiện môi trường theo thời gian thực, giảm lượng dữ liệu mà các nhà nghiên cứu cần xem xét và duy trì sự tin cậy trong việc giám sát ngay cả trong điều kiện đại dương có băng thông thấp và không thể dự đoán trước.

Link to this sectionPhát hiện dưới nước thời gian thực sử dụng các model Ultralytics YOLO#

MarineSitu triển khai các hệ thống giám sát của mình xung quanh cơ sở hạ tầng dưới nước đòi hỏi khắt khe, bao gồm tuabin thủy triều, cảng, các cơ sở nghiên cứu và các đài quan sát môi trường dài hạn, để ghi lại cách sinh vật biển tương tác với các cấu trúc này. Gói Giám sát Thích ứng (AMP) của họ tích hợp camera quang học độ phân giải cao, sonar hình ảnh, hydrophone, đèn LED và các hệ thống chống bám bẩn giúp giữ cho ống kính và cảm biến luôn rõ ràng trong nhiều tháng liên tục.

Để diễn giải luồng dữ liệu đa phương thức liên tục, MarineSitu sử dụng các model Ultralytics YOLO được huấn luyện tùy chỉnh để phân tích cảnh quay video theo thời gian thực. Các model này phát hiện và theo dõi các loài sinh vật biển khi chúng di chuyển qua các khu vực như vùng ảnh hưởng của tuabin, tự động gắn cờ các sự kiện quan trọng và khớp chúng với các bản ghi sonar và âm thanh liên quan.

Ví dụ, khi một con sứa trôi gần tuabin, instance segmentation được hỗ trợ bởi các model Ultralytics YOLO như Ultralytics YOLOv8 và Ultralytics YOLO11 có thể ghi lại toàn bộ đường nét của nó trong hình ảnh. Điều này đảm bảo rằng các tương tác với động vật hoang dã được ghi lại với đầy đủ chi tiết ngữ cảnh thay vì bị chìm nghỉm trong hàng giờ cảnh quay không có sự kiện gì đáng kể.

Hình 1. Ví dụ về việc sử dụng các model Ultralytics YOLO để phát hiện và phân đoạn sứa.

Link to this sectionTại sao lại chọn các mô hình Ultralytics YOLO?#

Các model Ultralytics YOLO mang lại cho MarineSitu tốc độ và độ chính xác cần thiết để phát hiện thời gian thực trong các môi trường dưới nước phức tạp. Các model như YOLOv8 và YOLO11 chạy hiệu quả trên các hệ thống edge của họ và có thể được xuất sang các định dạng như TensorRT.

Link to this sectionViệc giám sát của MarineSitu và Ultralytics YOLO đạt thời gian hoạt động 96%#

Việc MarineSitu sử dụng các model Ultralytics YOLO đã cho phép giám sát động vật hoang dã theo thời gian thực một cách đáng tin cậy trong các đợt triển khai dài hạn trong điều kiện đại dương khó khăn.

Trong một đợt triển khai kéo dài 141 ngày ở vùng Tây Bắc Thái Bình Dương, Gói Giám sát Thích ứng AMP của MarineSitu đã duy trì thời gian hoạt động hơn 96% bất chấp dòng chảy mạnh, tầm nhìn thấp và áp lực bám bẩn sinh học liên tục. Các hệ thống chống bám bẩn đã giữ cho các cổng camera, đèn và sonar hình ảnh luôn rõ ràng trong suốt thời gian đó, đảm bảo dữ liệu chất lượng cao nhất quán.

Với YOLO chạy liên tục trên hệ thống, các nhà nghiên cứu có thể theo dõi hải cẩu, cá và các loài khác khi chúng di chuyển xung quanh tuabin. Việc tự động hóa object detection và lọc sự kiện đã cắt giảm đáng kể thời gian đánh giá thủ công. Theo các nhà nghiên cứu tại PNNL và UW-APL, việc xem lại các sự kiện được YOLO gắn cờ thường chỉ mất một hoặc hai giờ mỗi ngày, so với quá trình tốn thời gian khi phải quét qua cảnh quay chưa được lọc.

Hình 2. Phát hiện một con hải cẩu sử dụng model Ultralytics YOLO.

Bằng cách kết hợp phần cứng bền bỉ với cảm biến đa phương thức và computer vision thời gian thực, MarineSitu đã cung cấp một cái nhìn đầy đủ và có ngữ cảnh về các tương tác của động vật hoang dã, điều mà trước đây rất khó đạt được nếu chỉ dựa vào đánh giá thủ công. Mức độ tin cậy và hiệu quả này đang giúp đẩy nhanh các đánh giá môi trường cho các dự án năng lượng thủy triều và nâng cao tiêu chuẩn cho các hệ thống giám sát biển.

Link to this sectionMở rộng quy mô trí tuệ hàng hải thời gian thực#

MarineSitu đang tiếp tục mở rộng các khả năng computer vision thời gian thực của mình trên nhiều môi trường dưới nước. Ngoài tuabin thủy triều, các hệ thống chạy trên nền tảng Ultralytics YOLO của họ đang được sử dụng để giám sát động vật hoang dã tại các cảng, hỗ trợ nghiên cứu rạn san hô, quan sát hành vi của cá xung quanh các cơ sở khoa học và thu thập dữ liệu môi trường dài hạn tại các địa điểm đại dương từ xa.

Với các model YOLO làm cốt lõi cho quy trình phát hiện của mình, MarineSitu đang tập trung vào việc cải thiện khả năng nhận diện loài, tăng cường xử lý AI trên edge và đưa công nghệ giám sát tự động đến nhiều địa điểm hơn, nơi các phương pháp thông thường gặp khó khăn hoặc tốn kém. Họ đặt mục tiêu làm cho việc giám sát dưới nước trở nên hiệu quả và dễ tiếp cận hơn, đồng thời mang lại cho các nhà nghiên cứu những thông tin chi tiết nhanh hơn và rõ ràng hơn về cách hệ sinh thái biển tương tác với hoạt động của con người.

Bạn tò mò về AI? Hãy xem các tùy chọn cấp phép của chúng tôi để đưa Vision AI vào các dự án của bạn. Truy cập kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm. Khám phá computer vision trong robot và AI trong ngành công nghiệp ô tô trên các trang giải pháp của chúng tôi.