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，将正常运行时间提升至 96% 以上，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不容易，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，以及确保其安全运行且不伤害野生动物至关重要。过去，研究人员必须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、成像声纳、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，其系统可以识别和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，起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，他们与美国能源部和美国国家海洋和大气管理局等组织开展合作。
MarineSitu 通过 SaltySuite™ 等平台，将摄像头、声纳和水听器等专用硬件系统与 AI 驱动的检测模型集成起来，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（根据图像内容为整幅图像分配标签）和目标跟踪（在连续帧中跟踪检测到的物体以分析其运动），从而提供支持海洋能源、渔业和环境研究的实时洞察。
水下监测为何比看起来更困难#
监测海洋环境比观察陆地环境困难得多。能见度可能会在没有预警的情况下骤降，强劲的水流会使设备发生偏移，海洋生物附着物也会迅速遮挡摄像头和传感器。环境状况可能每小时都在变化，因此难以持续收集一致的数据。
对于研究人员和能源运营商而言，这会造成严重的瓶颈。项目可能产生数百 TB 的视频、声纳和声学数据，使人工审查变得缓慢且不切实际。
偏远海洋站点还面临带宽有限等额外障碍，难以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。
为了解决这些挑战，MarineSitu 采用边缘 AI方案，直接在水下硬件上处理数据，而不是依赖云端传输。这种方式可以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，并确保监测在低带宽且难以预测的海洋环境中仍然可靠。
使用 Ultralytics YOLO 模型进行实时水下检测#
MarineSitu 将其监测系统部署在潮汐涡轮机、港口、研究设施和长期环境观测站等要求严苛的水下基础设施周围，以捕捉海洋生物与这些结构的互动情况。其可适配监测套件（AMP）集成了高分辨率光学摄像头、成像声纳、水听器、LED 照明和防污系统，可使镜头和传感器在数月内保持清洁。
为了分析持续不断的多模态数据流，MarineSitu 使用定制训练的 Ultralytics YOLO 模型实时分析视频片段。这些模型可以检测并跟踪穿过涡轮机影响区域等区域的海洋物种，自动标记重要事件，并将其与相关声纳和声学录音进行对齐。
例如，当水母漂浮到涡轮机附近时，借助 Ultralytics YOLOv8 和 Ultralytics YOLO11 等 Ultralytics YOLO 模型支持的实例分割，可以捕捉图像中水母的完整轮廓。这样可以完整保留野生动物互动的上下文细节，而不会让这些信息淹没在数小时毫无变化的视频中。
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 在复杂水下环境中进行实时检测提供了所需的速度和准确性。YOLOv8 和 YOLO11 等模型可以在其边缘系统上高效运行，并导出为 TensorRT 等格式。
MarineSitu 与 Ultralytics YOLO 监测系统实现 96% 的正常运行时间#
MarineSitu 使用 Ultralytics YOLO 模型后，能够在复杂的海洋环境中进行长期部署期间，可靠地实时监测野生动物。
在太平洋西北部的一次为期 141 天的部署中，MarineSitu 可适配监测套件（AMP）尽管面临强劲水流、低能见度和持续的生物污损压力，仍保持了超过 96% 的正常运行时间。防污系统始终保持摄像头端口、灯光和成像声纳清洁，确保持续获得高质量数据。
由于 YOLO 在系统上持续运行，研究人员可以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减少了人工审查时间。据 PNNL 和 UW-APL 的研究人员称，审查 YOLO 标记的事件通常每天只需一两个小时，而扫描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相结合，呈现了完整且具有上下文的野生动物互动视图，而仅靠人工审查极难实现这一点。这种可靠性和效率正在帮助加快潮汐能项目的环境评估，并提升海洋监测系统的标准。
扩展实时海洋智能#
MarineSitu 正在持续将其实时计算机视觉能力扩展到各种水下场景。除了潮汐涡轮机之外，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，以及在偏远海洋站点收集长期环境数据。
凭借 YOLO 模型作为检测流程的核心，MarineSitu 正致力于改进物种识别、强化基于边缘的 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。他们希望让水下监测更加高效且易于使用，同时帮助研究人员更清晰、更快速地了解海洋生态系统如何与人类活动相互作用。
对 AI 感兴趣？查看我们的许可选项，将 Vision AI 应用到你的项目中。访问我们的 GitHub 代码仓库了解更多信息。在我们的解决方案页面上探索机器人领域的计算机视觉和汽车行业中的 AI。
