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

监测水下环境和海洋能源系统绝非易事，但这对于了解此类基础设施如何与周围生态系统相互作用，并确保其在不伤害野生动物的情况下安全运行至关重要。传统上，研究人员必须手动筛选数小时的水下录像，而浑浊的水况、强劲的水流和不稳定的能见度使这项工作变得更加困难。

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及了解水下环境。例如，利用 Ultralytics YOLO 模型，他们的系统能够识别并追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。

Link to this section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（包括摄像头、声呐和水听器）与 AI 驱动的探测模型集成，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（定位和识别图像中的单个动物或物体）、图像分类（根据内容为整个图像分配标签）和目标追踪（在连续帧中跟踪检测到的目标以分析其运动）等计算机视觉任务，MarineSitu 提供了支持海洋能源、渔业和环境研究的实时洞察。

Link to this section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条件更具挑战性。能见度可能毫无预警地下降，强流会移位设备，海洋生物的生长也会迅速遮挡摄像头和传感器。环境条件每小时都在变化，这使得持续的数据采集变得困难。

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 采用了边缘 AI 方法，直接在水下硬件上处理数据，而不是依赖云传输。这实现了野生动物和环境事件的实时探测，减少了研究人员需要审查的数据量，并确保了即使在低带宽和不可预测的海洋条件下监测依然可靠。

Link to this section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，当一只水母漂浮在涡轮机附近时，由 Ultralytics YOLOv8 和 Ultralytics YOLO11 等 Ultralytics YOLO 模型支持的实例分割功能可以捕捉到图像中它的完整轮廓。这确保了野生动物的互动是在完整的背景细节下被捕捉到的，而不是被埋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。

Link to this section为何选择 Ultralytics YOLO 模型？#

Ultralytics YOLO 模型为 MarineSitu 提供了在复杂水下环境中实时探测所需的速度和准确性。诸如 YOLOv8 和 YOLO11 等模型可以在其边缘系统上高效运行，并可导出为 TensorRT 等格式。

Link to this sectionMarineSitu 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。

Link to this section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？查看我们的许可选项，将视觉 AI 引入你的项目。访问我们的 GitHub 存储库以了解更多信息。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的 AI。