Ученые ДВФУ и ШАД Яндекса создали нейросеть для определения загрязнения водоемов в труднодоступных регионах.
ML-разработчики Школы анализа данных Яндекса при поддержке Yandex B2B Tech и ученых Политехнического института ДВФУ создали и опубликовали в открытый доступ нейросеть, которая умеет определять объем, массу и виды мусора на побережьях водоемов. Решение успешно применили в экологической экспедиции в Южно-Камчатском федеральном заказнике — особо охраняемой природной территории под управлением ФГБУ «Кроноцкий государственный заповедник» на Дальнем Востоке, а также тестируют в Арктике и других регионах. Технологию смогут бесплатно использовать службы экологического контроля и волонтеры для более быстрого сбора мусора в труднодоступных местах.
Нейросетевая модель «Чистый берег» анализирует аэрофотоснимки побережья и делит мусор на шесть типов: рыболовные сети, железо, резина, крупный пластик, бетон и древесина. Точность классификации — выше 80%. Модель отмечает координаты расположения мусора на карте, указывает его состав и вес. Эти данные помогают рассчитать размер необходимой группы людей и количество техники для уборки.
Эксперты Проекта Yandex B2B Tech предложили архитектуру решения с применением облачных технологий. Студенты ШАДа обучили нейросеть с помощью облачного сервиса Yandex DataSphere на аэрофотоснимках, сделанных в Кроноцком заповеднике, а также на искусственных данных. Учёные ДВФУ помогли разработать методологию для исследования состава мусора и дали экспертную оценку качества работы нейросети.
«Мы стоим на пороге революционного прорыва в борьбе с морским мусором. Десятилетий опыт исследований нашего Департамента природно-технических систем и техносферной безопасности ДВФУ в сочетании с современными технологиями искусственного интеллекта открывает новые возможности для мониторинга загрязненности прибрежных территорий. Особенно важно, что разработанная нейросеть будет полезна всем участникам процесса — от волонтеров до контролирующих органов. Это решение полностью соответствует международной повестке в сфере охраны окружающей среды и станет эффективным инструментом в борьбе с морской загрязненностью, особенно в труднодоступных районах Приморья», — отметила Яна Блиновская, доктор технических наук, профессор Политехнического института ДВФУ.
Решение использовали во время экспедиций на территориях Кроноцкого заповедника и Южно-Камчатского заказника на Камчатке. Команда проекта собрала и разметила около 2 000 реальных фотографий, разделив их на две группы: снимки с мусором и без него. Это было сделано с помощью классификатора, разработанного студентами ШАДа. Полученные снимки использовались для генерации более 500 000 искусственных изображений с мусором и чистыми участками с помощью StarGAN и эвристическим методом (Фурье). Обучение нейросети проходило в среде Yandex Datasphere, где модель «училась» распознавать мусор и вычислять процент замусоривания на полученном смешанном наборе данных, включающем как реальные, так и сгенерированные изображения. Это решение также интегрировано с QGIS, что позволяет визуализировать результаты на карте в режиме реального времени.
С помощью нейросети специалисты выяснили, что больше всего побережье загрязнено пластиковой тарой и упаковкой (33–39%), а также отходами промышленного рыболовства (27–29%). Эксперты рассчитали, что для очистки берега потребуется группа в 20 волонтёров, два самосвала, два квадроцикла и фронтальный погрузчик. Благодаря использованию дронов и нейросети организовать уборку пяти тонн отходов удалось в 4 раза быстрее, чем без использования технологии.
В ближайших планах — интеграция с Yandex DataLens для аналитики объема и расположения мусора, а также создание публичных дашбордов для более глубокого понимания проблемы и эффективного управления отходами в заповеднике.
В 2025 году технологию планируют использовать в других национальных парках и заповедниках Дальнего Востока и Арктики. Вывоз отходов из этих регионов особенно затруднен из-за их транспортной доступности, и решение поможет лучше планировать уборку мусора в таких районах.
Технологию можно научить находить другие виды отходов. Код разработки также выложен в открытый доступ. Ее можно применять по всему миру для организации мониторинга разных видов отходов. Узнать больше о проекте можно на специальном сайте.