Специалисты Московского физико-технического института совместно с Институтом океанологии РАН создали систему на основе искусственного интеллекта, способную автоматически обнаруживать плавающий морской мусор и другие объекты на поверхности воды в условиях Арктики. Разработка предназначена для масштабного мониторинга загрязнения Мирового океана и может применяться непосредственно с борта научных и исследовательских судов.
Результаты работы опубликованы в международном научном журнале Frontiers in Marine Science.
Загрязнение океана пластиком и другими видами антропогенного мусора сегодня рассматривается как одна из ключевых угроз морским экосистемам наряду с изменением климата. Особую обеспокоенность у учёных вызывает Арктический регион, где следы микропластика находят как в организмах морских животных, так и в донных отложениях. При этом традиционные методы мониторинга крупного мусора на поверхности моря основаны в основном на визуальных наблюдениях и требуют значительных человеческих ресурсов, не обеспечивая необходимого пространственного охвата.
Разработанная в МФТИ система решает эту задачу за счёт применения методов машинного обучения. В основе технологии лежат два подхода: классификация изображений с использованием контрастного обучения и прямое детектирование объектов. Алгоритмы были протестированы на уникальном массиве данных, собранном во время научной экспедиции в Арктике осенью 2023 года.
В ходе исследований учёные обработали более 500 тысяч фотографий поверхности моря, сделанных в Баренцевом и Карском морях. Существенную сложность представляли условия съёмки — морская пена, качка судна и интенсивные солнечные блики, которые затрудняют выявление мелких объектов на воде и в приповерхностном слое.
Система способна различать четыре типа объектов: морской мусор, птиц, солнечные блики и капли воды на объективе камеры. Такой подход позволяет не только выявлять потенциальные загрязнения, но и снижать количество ложных срабатываний.
Как пояснил заведующий лабораторией машинного обучения в науках о Земле МФТИ Михаил Криницкий, разработка особенно актуальна для Арктики, где нерастворимый антропогенный мусор представляет растущую угрозу для хрупких экосистем. По его словам, сочетание сложных природных условий и удалённости региона делает автоматизированный мониторинг принципиально важным инструментом экологического контроля.
Наиболее эффективным при обнаружении морского мусора оказался метод, основанный на контрастном обучении с использованием архитектуры ResNet50 в сочетании с классификатором CatBoost. Он продемонстрировал точность порядка 0,4 по метрике F1-score. Для сравнения, популярный алгоритм YOLO показал значительно более низкие результаты при поиске мусора, хотя оказался эффективнее при обнаружении птиц.
Как отметила соавтор исследования, младший научный сотрудник лаборатории МФТИ Ольга Белоусова, низкая эффективность традиционных алгоритмов связана с тем, что морской мусор часто имеет небольшие размеры и плохо различим на фоне волн. Кроме того, такие объекты относительно редки, что создаёт сложности для обучения моделей машинного обучения. Использованный в проекте подход с предварительным выделением фрагментов изображения позволил частично преодолеть эту проблему.
В дальнейшем учёные планируют доработать алгоритмы для работы в режиме реального времени, повысить специфичность обнаружения именно морского мусора и адаптировать систему для использования на автономных платформах мониторинга, включая беспилотные суда.