借助 Ultralytics YOLO 模型，MarineSitu 实现了海洋能源系统周边野生动物检测的自动化，系统正常运行时间超过 96%，并将每日视频审查时间缩短至一两个小时。
监测水下环境和海洋能源系统并非易事，但这对于了解这些基础设施如何与周围生态系统相互作用，以及确保它们安全运行且不伤害野生动物至关重要。过去，研究人员不得不手动筛查数小时的水下视频，而浑浊的水体、强劲的水流和不稳定的能见度让这项工作更加困难。
MarineSitu利用高分辨率摄像头、计算机视觉、成像声呐、环境传感器和机器学习模型，帮助研究人员和组织监测并了解水下环境。例如，借助 Ultralytics YOLO 模型，MarineSitu 的系统可以识别并跟踪在潮汐涡轮机及其他海洋能源基础设施周围活动的野生动物。
通过 AI 创新实现更智能的海洋监测#
MarineSitu 成立于 2016 年，源于太平洋海洋能源中心（PMEC）和华盛顿大学应用物理实验室（APL）的研究。如今，MarineSitu 与美国能源部和美国国家海洋和大气管理局等组织合作。
通过 SaltySuite™ 等平台，MarineSitu 将专用硬件系统（包括摄像头、声呐和水听器）与 AI 驱动的检测模型相结合，以监测和分析复杂的水下环境。具体而言，MarineSitu 应用计算机视觉任务，例如目标检测（在图像中定位并识别单个动物或物体）、图像分类（根据图像内容为整张图像分配标签）和目标跟踪（跨连续视频帧跟踪检测到的目标以分析其移动），从而提供实时洞察，支持海洋能源、渔业和环境研究。
为什么水下监测比看起来更困难#
监测海洋环境远比观察陆地环境更具挑战性。能见度可能毫无预警地下降，强劲的水流会使设备移位，海洋生物附着物也可能迅速遮挡摄像头和传感器。环境每小时都可能发生变化，因此很难持续收集一致的数据。
这给研究人员和能源运营商带来了重大瓶颈。项目可能产生数百 TB 的视频、声呐和声学数据，因此人工审查既缓慢又不切实际。
远海站点还面临带宽有限等其他障碍，因此很难将大型视频文件发送到云端。这会增加运营成本，并带来数据安全方面的担忧。
为解决这些挑战，MarineSitu 采用边缘 AI方案，直接在水下硬件上处理数据，而不依赖云端传输。这样既能实时检测野生动物和环境事件，减少研究人员需要审查的数据量，也能确保监测在带宽有限、环境难以预测的海洋条件下保持可靠。
使用 Ultralytics YOLO 模型实时检测水下目标#
MarineSitu 将监测系统部署在各种要求严苛的水下基础设施周围，包括潮汐涡轮机、港口、研究设施和长期环境观测站，以记录海洋生物与这些设施的相互作用。其自适应监测套件（AMP）集成了高分辨率光学摄像头、成像声呐、水听器、LED 照明和防污系统，可让镜头和传感器数月保持清洁。
为了分析持续不断的多模态数据流，MarineSitu 使用经过定制训练的 Ultralytics YOLO 模型实时分析视频片段。这些模型能够检测并跟踪在涡轮机影响范围等区域活动的海洋物种，自动标记重要事件，并将事件与相关声呐和声学录音对应起来。
例如，当水母漂到涡轮机附近时，借助 Ultralytics YOLOv8 和 Ultralytics YOLO11 等 Ultralytics YOLO 模型进行的实例分割，可以捕捉水母在图像中的完整轮廓。这样，野生动物与设施的互动就能以完整的上下文细节记录下来，而不会淹没在数小时平淡无奇的视频中。
图 1. 使用 Ultralytics YOLO 模型检测并分割水母的示例。
为什么选择 Ultralytics YOLO 模型？#
Ultralytics YOLO 模型为 MarineSitu 提供了在复杂水下环境中进行实时检测所需的速度和准确率。YOLOv8 和 YOLO11 等模型可在其边缘系统上高效运行，并可导出为 TensorRT 等格式。
MarineSitu 使用 Ultralytics YOLO 监测，系统正常运行时间达到 96%#
MarineSitu 使用 Ultralytics YOLO 模型，得以在艰难的海洋环境中进行长期部署，并可靠地实时监测野生动物。
在太平洋西北地区的一次为期 141 天的部署中，尽管面临强劲水流、低能见度和持续的生物污损，MarineSitu 自适应监测套件（AMP）的正常运行时间仍超过 96%。防污系统始终保持摄像头端口、照明设备和成像声呐清洁，确保持续获取高质量数据。
YOLO 在系统上持续运行，使研究人员能够跟踪在涡轮机周围活动的海豹、鱼类和其他物种。自动目标检测和事件筛选大幅缩短了人工审查时间。PNNL 和 UW-APL 的研究人员表示，每天审查 YOLO 标记的事件通常只需一两个小时，而筛查未经筛选的视频则十分耗时。
图 2. 使用 Ultralytics YOLO 模型检测海豹。
MarineSitu 将耐用硬件、多模态传感和实时计算机视觉结合起来，全面且结合上下文地呈现了野生动物与设施的互动；如果只依靠人工审查，这几乎难以实现。这种可靠性和效率有助于加快潮汐能源项目的环境评估进程，并提升海洋监测系统的标准。
扩展实时海洋情报能力#
MarineSitu 正在持续将实时计算机视觉能力扩展到各种水下环境。除了潮汐涡轮机，其由 Ultralytics YOLO 驱动的系统还用于监测港口中的野生动物、支持珊瑚礁研究、观察科学设施周围的鱼类行为，以及在远海站点收集长期环境数据。
MarineSitu 将 YOLO 模型作为检测流程的核心，重点改进物种识别、加强基于边缘设备的 AI 处理，并将自动化监测带到更多传统方法难以实施或成本高昂的地点。MarineSitu 致力于让水下监测更加高效、易于使用，同时帮助研究人员更清晰、更快速地了解海洋生态系统与人类活动之间的相互作用。
对 AI 感兴趣吗？查看我们的许可选项，将视觉 AI 引入你的项目。访问我们的 GitHub 代码仓库了解更多信息。前往我们的解决方案页面，探索机器人领域的计算机视觉和汽车行业的 AI。
