Поиск мусора в океане вручную — долгий и сложный процесс. Российские ученые решили эту проблему, обучив ИИ отличать пластик на снимках поверхности воды.
Ученые из МФТИ, МГУ имени М.В. Ломоносова и БФУ имени Иммануила Канта с коллегами разработали оптимальный метод обучения нейросети для автоматического распознавания плавающего мусора в океане по видеозаписям с борта судна. Как сообщила пресс-служба Минобрнауки РФ порталу Наука Mail, модель умеет отличать пластик от птиц, бликов и капель на объективе камеры и может использоваться для постоянного мониторинга состояния морей в России. Результаты исследования опубликованы в журнале Remote Sensing.
Ежегодно в Мировой океан попадает до 23 миллионов тонн антропогенного мусора, угрожающего морским экосистемам: животные могут проглотить крупные частицы или запутаться в пластике. Поэтому важно отслеживать и убирать скопления плавающего мусора.
Ученые из МФТИ, МГУ имени М. В. Ломоносова и БФУ имени Иммануила Канта с коллегами обучили нейросеть распознавать плавающий в океане мусор, используя два разных подхода.
Для обучения и тестирования алгоритмов авторы использовали видео с борта научно‑исследовательского судна «Дальние Зеленцы» (арктическая экспедиция 2023 года). Из 136 часов записей получили более полумиллиона фото морской поверхности; примерно на 10 тысячах снимков вручную отметили птиц, мусор, блики и капли на объективе.
Первый подход к обучению был «самообучающимся»: нейросети показывали пары кадров с разными временными промежутками. Анализируя изменения, она сформировала представление о «нормальном» океане и научилась выявлять отклонения — мусор, птиц, блики. Затем классификатор разделял эти аномалии по внешним признакам.
Поиск мусора с судов — долгий и трудозатратный процесс, поэтому эффективнее анализировать снимки поверхности океана, сделанные дронами или камерами на судах. Для этого нужны нейросети, способные отличать пластик от животных, пены и бликов на воде.
Во втором, более трудоемком методе нейросеть обучали на множестве размеченных вручную изображений. В итоге алгоритм научился находить такие же объекты на новых снимках.
Чтобы решить проблему редкого появления мусора на кадрах, ученые варьировали соотношение «пустых» и «насыщенных» изображений в обучающих наборах. В результате «самообучающаяся» нейросеть оказалась на 30% эффективнее в поиске мусора, чем алгоритм, натренированный на размеченных данных.
Мусор встречается на снимках поверхности океана относительно редко и выглядит настолько разнообразно, что для его поиска эффективнее использовать метод поиска аномалий, который мы реализовали в первом подходе к обучению. «Самообучение» позволяет избежать ручной разметки тысяч изображений и делает алгоритм более гибким. В дальнейшем мы планируем собрать более разнообразные данные для анализа из других регионов, чтобы с их помощью повысить точность наших моделей.
Полина Кривошлык
младший научный сотрудник лаборатории физики моря Института океанологии имени П.П. Ширшова РАН, научный сотрудник БФУ имени Иммануила Канта
В исследовании также принимали участие сотрудники Института океанологии имени П. П. Ширшова РАН (Москва) и Государственного океанографического института имени Н. Н. Зубова (Москва).