Automated estimation of gadoid and flatfish abundance in stereo-BRUV footage using YOLO object detection
Deze studie presenteert een op YOLO gebaseerde geautomatiseerde pijplijn die met succes gadiden en platvissen detecteert in stereo-BRUV-beelden van Noordzee windparken, waarbij een aangepaste metriek wordt geïntroduceerd om het vermogen te valideren om visabundantie efficiënt te schatten, en wordt aangetoond dat het combineren van duale camerastandpunten de gevoeligheid van populatieschattingen verbetert in vergelijking met enkelvoudige standpunten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
De oceaanbodem is een uitgestrekt, verschuivend landschap waar het leven gedijt op manieren die vaak onzichtbaar zijn voor het menselijk oog. Om te begrijpen hoe vispopulaties in de loop van de tijd veranderen, moeten wetenschappers ze tellen, maar dat onder water doen is berucht moeilijk. Traditionele methoden omvatten vaak het slepen met netten of vallen over de zeebodem, wat de ecosystemen die onderzoekers juist willen bestuderen, schade kan toebrengen. Een zachter alternatief is opgekomen: baited remote underwater video (op aas gebaseerde onderwatervideo). Wetenschappers laten een camerasysteem naar de oceaanbodem zakken, verzwaard met een kleine hoeveelheid visaas. De geur van het aas trekt lokale vissen aan, en de camera legt hen een uur of langer vast. Deze methode biedt een niet-invasief venster op het leven in de zee, maar het brengt een enorme flessenhals met zich mee. Eén enkele survey kan honderden gigabytes aan videomateriaal genereren. Om een telling van de vissen te krijgen, moet een menselijke expert elke minuut van die beelden frame voor frame bekijken om het maximale aantal individuen te tellen dat tegelijkertijd zichtbaar is. Dit handmatige proces is traag, duur en beperkt hoeveel data er ooit geanalyseerd kan worden.
Een team van onderzoekers aan de Universiteit van Exeter heeft deze flessenhals aangepakt door computers te leren tellen. Ze ontwikkelden een gespecialiseerd kunstmatige intelligentie-systeem dat ontworpen is om onderwatervideo te bekijken en automatisch twee specifieke groepen vissen te identificeren en te tellen: kabeljauwachtige vissen, ook wel gadoids genoemd, en platvissen. De studie vond plaats in de noordelijke Noordzee, een gebied dat bezaaid is met offshore windparken waar het team monitorde hoe deze enorme structuren het lokale visleven beïnvloeden. In plaats van te vertrouwen op één enkel camerastandpunt, gebruikte het team een stereosysteem, dat de scène vanuit twee licht verschillende perspectieven tegelijkertijd opneemt, vergelijkbaar met hoe menselijke ogen werken. Door hun AI te trainen op duizenden geannoteerde videoframes, creëerden ze een pijplijn die uren aan beelden kon scannen in een fractie van de tijd die een mens nodig zou hebben, waarbij betrouwbare tellingen van de visabundantie werden geproduceerd.
De onderzoekers bouwden niet alleen een detector; ze bouwden een systeem dat de specifieke uitdagingen van tellen onder water begrijpt. In een drukke videoframe verbergen vissen zich vaak achter elkaar, wat het moeilijk maakt om precies te bepalen hoeveel er aanwezig zijn. Het team trainde hun model om te herkennen dat naarmate het aantal vissen toeneemt, de moeilijkheid om ze perfect te tellen ook toeneemt. Ze introduceerden een nieuwe manier om succes te meten die rekening houdt met deze realiteit, waarbij ze accepteerden dat een kleine foutmarge natuurlijk is wanneer vissen dicht op elkaar gepakt zitten. Toen ze hun systeem testten tegen de tellingen gemaakt door menselijke experts, waren de resultaten opmerkelijk. De schattingen van de computer kwamen met zeer hoge nauwkeurigheid overeen met de menselijke tellingen en identificeerden correct de aanwezigheid en het geschatte aantal platvissen en kabeljauwachtigen in bijna alle gevallen. Het systeem was zo effectief dat het een aanzienlijk deel van het handmatige werk kon vervangen, waardoor de tijd die nodig is om surveydata te verwerken van maanden naar weken werd teruggebracht.
Een van de meest verrassende ontdekkingen kwam voort uit de manier waarop het systeem de twee camerastandpunten gebruikte. In traditionele surveys kiezen wetenschappers meestal slechts één camerabeeld om de vissen te tellen, waarbij de tweede camera als back-up of voor het meten van de vislengte wordt beschouwd. De onderzoekers ontdekten dat door de computer naar beide hoeken te laten kijken en simpelweg de hoogste telling van de twee te nemen, ze een veel duidelijker beeld kregen van de vispopulatie. Deze aanpak, die zij de "maximale telling" noemden, verminderde de ruis en onzekerheid in de data. Het maakte de surveyresultaten gevoeliger voor echte veranderingen in de omgeving. Zo onthulde de methode met twee camera's, bij het analyseren van hoe visaantallen veranderden met de afstand tot de bases van de windturbines, een duidelijk patroon dat de methode met één camera miste. De platvissen, die de neiging hebben laag bij de bodem te blijven en weg te vallen in de ondergrond, waren vanuit slechts één hoek bijzonder moeilijk te spotten, maar de dual-view benadering legde hen veel effectiever vast.
De studie benadrukte ook de praktische voordelen van deze automatisering voor langetermijnmonitoring. Hoewel het opzetten van het systeem een initiële investering van tijd vereiste om de trainingsdata te labelen en de software af te stemmen, was de beloning in het veld onmiddellijk. Het team was in staat om de 2024-surveydata te verwerken in slechts 68 dagen, vergeleken met 134 dagen voor de survey van het voorgaande jaar, die volledig vertrouwde op handmatige telling. Deze snelheid bespaart niet alleen tijd; het stelt wetenschappers in staat om complexere vragen te stellen over hoe mariene ecosystemen reageren op menselijke activiteiten. De onderzoekers merkten op dat hoewel hun systeem momenteel is afgestemd op de specifieke vissen en omstandigheden van de Noordzee, het raamwerk open en toegankelijk is. Het bewijst dat met de juiste instrumenten de enorme hoeveelheden videodata die mariene wetenschappers verzamelen, kunnen worden omgezet in bruikbare kennis zonder begraven te worden onder het gewicht van handmatige arbeid.
Het succes van dit project suggereert een nieuwe weg voorwaarts voor mariene conservatie. Door de tijdrovende taak van het tellen te automatiseren, kunnen wetenschappers hun energie richten op het interpreteren van de data in plaats van alleen op het verzamelen ervan. Het vermogen om subtiele veranderingen in de visabundantie te detecteren, zoals de afname van aantallen verder weg van de windturbines, levert cruciaal bewijs voor het verantwoord beheren van deze industriële locaties. De onderzoekers benadrukken dat hoewel de computer een krachtig hulpmiddel is, deze het beste werkt wanneer het de menselijke expertise aanvult in plaats van deze volledig te vervangen. Het systeem is ontworpen om het grootste deel van het telwerk af te handelen, waarbij de meest complexe scènes voor menselijke beoordeling worden gemarkeerd indien nodig. Deze samenwerking tussen menselijk inzicht en machine-snelheid biedt een schaalbare oplossing voor het monitoren van de gezondheid van onze oceanen, zodat we, terwijl we meer infrastructuur op de zeebodem bouwen, ook een nauwkeurig en waakzaam oog kunnen houden op het leven dat daar een thuis heeft gevonden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.