实时人工智能模型旨在帮助保护大堡礁

　　海洋生物学家有了一种新的人工智能工具来监测和保护珊瑚礁。谷歌与澳大利亚联邦科学和工业研究组织（CSIRO）合作开发的 项目 利用计算机视觉检测模型，通过实时摄像头来精确定位荆棘冠海星（COTS）的破坏性爆发。密切关注珊瑚礁有助于科学家快速应对不断增长的人口，保护宝贵的大堡礁生态系统。

　　尽管珊瑚礁覆盖了不到 1% 的辽阔海底，但却支撑着约 25% 的海洋物种，包括鱼类、无脊椎动物和海洋哺乳动物。在健康的情况下，这些生产性海洋环境为旅游业和娱乐业提供商业和自给渔业以及收入。它们还可以在风暴潮期间保护沿海社区，是药物发现研究中抗病毒化合物的丰富来源。

　　在整个印度 – 太平洋地区都能找到胶辊的组合，它们以珊瑚虫为食，珊瑚虫是硬珊瑚礁的生命部分。它们通常数量很少，对生态系统造成的危害很小。然而，由于营养流失和天敌数量减少，疫情频发，正在造成重大损害。

　　健康的珊瑚礁需要 10 到 20 年的时间才能从 COTS 爆发中恢复， COTS 爆发的定义是每 10000 平方米有 30 个或更多的成年人，或者密度消耗珊瑚的速度快于珊瑚的生长速度。面临气候变化、污染和破坏性捕鱼做法等环境压力的退化珊瑚礁不太可能恢复，导致不可逆转的损害、珊瑚覆盖减少和生物多样性丧失。

　　科学家通过干预措施控制疫情。两种常见的方法包括向海星注射胆盐或从水中清除海星种群。但是，传统的礁石测量方法是将浮潜器拖到船后进行视觉识别，这既耗时又费力，而且精度较低。

　　根据项目的 TensorFlow 文章 “ CSIRO 开发了一个 edge ML 平台（构建在 NVIDIA Jetson AGX Xavier ） 它可以分析水下图像序列，并近乎实时地绘制出检测结果。”作者 Megha Malpani 是谷歌的 AI / ML 产品经理， Ard Oerlemans 是谷歌的软件工程师，他们是 CSIRO 研究团队的一员，致力于构建最精确、性能最好的模型。

　　研究人员利用 CSIRO 提供的一个带注释的数据集，开发了一个精确的目标检测模型，该模型使用实时摄像头而不是浮潜器来检测海星。

　　它在各种海洋条件下以每秒 10 帧以上的速度处理图像，如照明、能见度、深度、视点、珊瑚栖息地和现有 COTS 数量。

　　根据帖子，当 COTS 海星被检测到时，它会被分配一个唯一的 ID 跟踪器，将检测结果与时间和视频帧联系起来。 Malpani 和 Oerlemans 写道：“我们通过首先使用光流预测海星在下一帧中的位置，然后根据它们在联合（ IoU ）分数上的交点将检测与预测进行匹配，从而将后续帧中的检测相互联系起来。”。

　　随着快速确定 COT 总数的最终目标的实现，团队将重点放在整个管道的准确性上。“当前 1080p 型号使用 TensorFlow TensorRT 在 Jetson AGX Xavier 上以 11 FPS 的速度运行，达到基于序列的 F2得分 0.80 分！我们还训练了一个 720p 模型，该模型在 Jetson 模块上以 22 FPS 的速度运行，使用基于序列的 F2得分为 0.78 ，”研究人员写道。

　　根据这项研究，该项目旨在展示机器学习和人工智能技术应用于大规模海洋栖息地监测的能力。

　　他们的工作是通过 GitHub 上荆棘冠海星检测管道 或 Google Colab 开源的。该项目是谷歌 数字未来计划 和 CSIRO 的一部分。

　　关于作者

　　Michelle Horton 是 NVIDIA 的高级开发人员通信经理，拥有通信经理和科学作家的背景。她在 NVIDIA 为开发者博客撰文，重点介绍了开发者使用 NVIDIA 技术的多种方式。

　　审核编辑：郭婷