MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间

Monitoring underwater 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交互以及确保其安全运行而不伤害野生动物至关重要。传统上，研究人员必须手动筛选长达数小时的水下录像，浑浊的水质、强烈的洋流和不稳定的能见度让这项任务变得更加艰难。

MarineSitu 借助高分辨率相机、computer vision、成像声呐、环境传感器和机器学习模型，帮助研究人员和机构监测并了解水下环境。例如，通过使用 Ultralytics YOLO models，他们的系统能够在野生动物在潮流涡轮机和其他海洋能源基础设施周围移动时对其进行识别和追踪。

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，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。

通过 SaltySuite™ 等平台，MarineSitu 将其专门构建的硬件系统（包括相机、声呐和水听器）与人工智能驱动的检测模型集成在一起，以监测和分析复杂的水下环境。特别是，通过应用诸如目标检测（定位并识别图像中的单个动物或对象）、图像分类（根据图像内容为整个图像分配标签）和目标追踪（跨连续帧追踪检测到的对象以分析其运动）等 computer vision tasks，MarineSitu 提供了支持海洋能源、渔业和环境研究的实时洞察。

为什么水下监测比看起来更困难#

监测 marine environments 比观察陆地条件要具有挑战性得多。能见度可能会毫无预兆地下降，强烈的洋流会移动设备，海洋生物的生长会迅速遮挡相机和传感器。条件每小时都在变化，这使得持续收集数据变得困难。

对于研究人员和能源运营商来说，这造成了一个主要的瓶颈。项目可能产生数百 TB 的视频、声呐和声学数据，这使得手动审查变得缓慢且不切实际。

偏远海洋站点面临额外的障碍，例如带宽有限，这使得向云端发送大型视频文件变得困难。这增加了运营成本并带来了数据安全方面的顾虑。

为了解决这些挑战，MarineSitu 采用了 edge AI 方法，直接在水下硬件上处理数据，而不是依赖云端传输。这使得实时检测野生动物和环境事件成为可能，减少了研究人员需要审阅的数据量，并即使在带宽低、海洋状况不可预测的情况下也能保持监测的可靠性。

利用 Ultralytics YOLO 模型进行实时水下探测#

MarineSitu 将其监测系统部署在要求苛刻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，以捕捉海洋生物如何与这些结构相互作用。他们的自适应监测包 (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，使镜头和传感器能够保持数月的清晰状态。

为了解读连续的多模态数据流，MarineSitu 使用定制训练的 Ultralytics YOLO 模型来实时分析视频片段。这些模型可以在海洋生物穿过涡轮机影响范围等区域时进行检测和追踪，自动标记重要事件并将其与相关的声呐和声学记录进行对齐。

例如，当水母漂流到涡轮机附近时，由 Ultralytics YOLOv8 和 Ultralytics YOLO11 等 Ultralytics YOLO models 支持的实例分割可以捕获图像中它的完整轮廓。这确保了野生动物交互能够以完整的上下文细节被捕获，而不会淹没在数小时平淡无奇的录像中。

图 1. 使用 Ultralytics YOLO 模型检测和分割水母的示例。

为何选择 Ultralytics YOLO 模型？#

Ultralytics YOLO models 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性。像 YOLOv8 和 YOLO11 这样的模型在其边缘系统上高效运行，并且可以导出为 TensorRT 等格式。

MarineSitu 与 Ultralytics YOLO 监测实现了 96% 的正常运行时间#

MarineSitu 对 Ultralytics YOLO 模型的使用，使其能够在棘手的海洋条件下进行长期部署期间实现可靠的实时野生动物监测。

在太平洋西北地区的一次 141 天的部署中，MarineSitu 的自适应监测包 (AMP) 尽管面临强流、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。防污系统全程保持摄像头端口、灯光和成像声呐的清洁，确保了始终如一的高质量数据。

随着 YOLO 在系统上持续运行，研究人员可以追踪海豹、鱼类和其他物种在涡轮机周围的活动。自动目标检测和事件过滤大幅减少了手动审查时间。据 PNNL 和 UW-APL 的研究人员称，审查由 YOLO 标记的事件通常每天只需一两个小时，而扫描未经筛选的录像则非常耗时。

图 2. 使用 Ultralytics YOLO 模型检测海豹。

通过将耐用的硬件与多模态传感和实时计算机视觉相结合，MarineSitu 提供了野生动物互动的完整背景视图，而这仅通过人工审查是极难实现的。这种可靠性和效率水平有助于加速潮汐能源项目的环境评估，并提高了海洋监测系统的标准。

扩展实时海洋智能#

MarineSitu 正在继续将其实时计算机视觉能力扩展到广泛的水下环境中。除了潮汐涡轮机之外，他们基于 Ultralytics YOLO 的系统正被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，并在偏远海洋站点收集长期的环境数据。

随着 YOLO 模型成为其探测流程的核心，MarineSitu 正专注于提高物种识别能力、增强基于边缘的 AI 处理，并将自动化监测引入更多传统方法难以实施或成本高昂的位置。他们的目标是使水下监测更加高效和易于获取，同时为研究人员提供更清晰、更快捷的洞察，以了解海洋生态系统如何与人类活动相互作用。

对 AI 感兴趣吗？查看我们的 licensing options，将 Vision AI 引入你的项目。访问我们的 GitHub repository 以了解更多信息。在我们的解决方案页面上探索 computer vision in robotics 和 AI in the automotive 行业。