Специалисты Московского физико-технического института (МФТИ) и Института океанологии РАН создали систему на основе искусственного интеллекта, способную автоматически обнаруживать с борта корабля плавающий морской мусор и другие объекты на поверхности моря в условиях Арктики. Разработка позволит проводить масштабный мониторинг загрязнения Мирового океана. Работа опубликована в международном научном журнале Frontiers in Marine Science.

Загрязнение пластиком и другими типами мусора стало одной из главных угроз для экосистем Мирового океана наряду с изменением климата. Особую тревогу вызывает Арктический регион, где следы микропластика обнаруживают как в организме морских обитателей, так и в донных отложениях. Традиционные методы мониторинга крупного мусора на поверхности моря с помощью визуального наблюдения требуют огромных человеческих ресурсов и не обеспечивают необходимого охвата акваторий.

В МФТИ нашли решение этой проблемы. В основе разработанной учеными системы лежат два подхода машинного обучения: классификация изображений с контрастным обучением и прямое детектирование объектов. Оба метода были протестированы на уникальном наборе данных, собранном во время научной экспедиции в Арктике осенью 2023 года.

«Мы обработали более 500 000 фотографий морской поверхности, сделанных в Баренцевом и Карском морях. Особую сложность представляли сложные условия съемки: морская пена, качка судна и обширные блики от солнца, — которые сильно затрудняют обнаружение мелких объектов на поверхности воды и на небольшой глубине. Система способна идентифицировать четыре типа объектов: морской мусор, птиц, блики на воде и капли на объективе камеры. Разработка особенно актуальна для Арктического региона, где загрязнение нерастворимым антропогенным мусором представляет растущую угрозу для хрупкой экосистемы», — рассказал один из авторов исследования заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий.

Наиболее эффективным для обнаружения морского мусора оказался подход с использованием контрастного обучения ResNet50+MoCo и классификатора CatBoost. Он показал точность 0,4 по метрике F1-score. Для сравнения, популярный алгоритм YOLO смог достичь точности лишь около 0,1 для этой задачи, хотя с обнаружением птиц справился лучше (0,73).

«Низкая эффективность YOLO может быть связана с тем, что морской мусор часто представляет собой мелкие объекты, плохо видимые на фоне волн. Кроме того, к счастью, мусор все еще довольно редкое явление. Малое количество примеров, которые нужно детектировать, является классической проблемой для моделей машинного обучения. Наш подход с предварительным выделением фрагментов изображения позволил лучше справиться с такой особенностью статистического обучения», — добавила соавтор работы младший научный сотрудник лаборатории машинного обучения в науках о Земле МФТИ Ольга Белоусова.

В дальнейшем ученые планируют усовершенствовать алгоритмы для работы в реальном времени, повышения специфичности в отношении плавающего морского мусора и адаптировать их для использования на автономных платформах мониторинга.