معهد ماساتشوستس للتكنولوجيا يعرض نظام رؤية حاسوبية لحساب الأسماك في مشاريع العلوم المدنية

قام MIT Sea Grant بالتعاون مع مركز Woodwell Climate Research Center وCSAIL وشركاء آخرين بعرض نظام قائم على التعلم العميق يعد أسماك المياه من خلال فيديو تحت الماء. الفكرة ليست استبدال المتطوعين، بل سد الفجوات العمياء في المراقبة اليدوية والحصول على بيانات أكثر دقة حول الهجرة.

لماذا العد اليدوي محدود

في كل ربيع، يعود رنجة النهر من المياه الساحلية لماساتشوستس إلى الأنهار والجداول، حيث تتكاثر في المياه العذبة. على مدى العقود الماضية، انخفضت أعدادها بشكل حاد، لذا من المهم للوكالات الحكومية لحماية البيئة ومديري مصايد الأسماك أن يفهموا كم عدد الأسماك التي تمر فعلياً عبر الأنهار وفي أي الأوقات يحدث ذلك. المشكلة تكمن في أن المراقبة الكلاسيكية عادة ما تستند إلى عمليات عد بصرية من الشاطئ والمساعدة من المتطوعين، وهذه الملاحظات توفر فقط أجزاء قصيرة من الصورة الكاملة.

للطرق اليدوية قيود صارمة. يعمل المتطوعون عادة أثناء النهار ولا يستطيعون مراقبة تدفق الأسماك بشكل مستمر، لذا الحركات الليلية والقمم الهجرية القصيرة تختفي بسهولة من البيانات. أحياناً تمر مئات الأفراد عبر جزء من النهر في دقائق قليلة، وهذه القمم يصعب تقييمها بالعين. الطرق الأكثر تقدماً مثل المراقبة الصوتية والسونار لا تعمل في كل مكان وتكلفتها أعلى، بينما يبقى الاستعراض اليدوي لفيديو تحت الماء متعباً جداً. لهذا السبب اختارت الفريق الرهان على الرؤية الحاسوبية كخيار أكثر قابلية للتوسع.

كيفية بناء النموذج

بنى الباحثون خط أنابيب كامل: من تثبيت الكاميرات تحت الماء في الميدان إلى تسمية مقاطع الفيديو وتدريب النموذج. تم جمع الفيديو من ثلاثة أنهار في ماساتشوستس — Coonamessett في Falmouth و Ipswich في Ipswich و Santuit في Mashpee. كان هذا التصميم ضروري ليس لعرض جميل، بل لاختبار ما إذا كان النظام يمكن أن يعمل في ظروف حقيقية، حيث يتغير الإضاءة وصفاء الماء وكثافة الأسماك والموسم والوقت من اليوم باستمرار.

• التقطت الكاميرات تحت الماء الهجرة في ثلاثة أنهار مختلفة
• استخدم التدريب لقطات بإضاءة متغيرة وجودة ماء وأنواع أسماك وكثافات مختلفة
• قام الفريق بتسمية 1.435 مقطع فيديو و 59.850 إطار يدوياً بصناديق محددة
• تم التحقق من نتائج الخوارزمية مقابل الاستعراض اليدوي للفيديو والعد من الشاطئ وبيانات علامات PIT

أثبتت النتيجة الأساسية أنها عملية جداً: كانت النماذج المدربة على بيانات متنوعة من مواقع متعددة على مدى سنوات عديدة تعمل بشكل أفضل. قدم هذا النهج تقديرات موسمية مفصلة تطابقت نتائج المراقبة التقليدية. بمعنى آخر، هذا ليس نموذج أولي للمختبر، بل نظام قادر على توفير عمليات عد مماثلة للبشر مع القيام بذلك بدقة زمنية أعلى.

ما أظهرته البيانات

الجزء الأكثر إثارة للاهتمام ليس فقط أتمتة العد، بل ملاحظات جديدة حول سلوك الأسماك. على فيديو الهجرة لعام 2024 من نهر Coonamessett، عدّ النظام 42.510 سمك رنجة. أظهر التحليل أن الحركة صعوداً كانت تصل ذروتها عند الفجر، بينما الحركة هبوطاً حدثت بشكل أساسي في الليل. يعزو الباحثون ذلك إلى أن الأسماك تستخدم فترات أكثر ظلاماً وهدوءاً لتقليل خطر لقاء الحيوانات المفترسة. بالنسبة للبيئيين، هذا لم يعد مجرد رقم، بل صورة أغنى للهجرة.

"سيحسن هذا العمل قدرات مراقبة مصايد الأسماك وتقييم السكان للمديرين ومجموعات حماية البيئة," يقول روبير فينسنت من MIT

Sea Grant.

في الوقت ذاته، يؤكد المؤلفون مباشرة أن العد الآلي لا ينبغي أن يحل محل الطرق التقليدية على الفور. السجلات الطويلة للملاحظة مهمة بحد ذاتها، والوكالات تحتاج إلى الحفاظ على قابلية المقارنة بين البيانات بينما يتم نشر الأنظمة الجديدة بشكل كامل. علاوة على ذلك، العلوم المواطنة لا تختفي هنا بل تتغير وظيفتها: المتطوعون لا يزالون مطلوبين لصيانة الكاميرات وتسمية الفيديوهات والتحقق من صحة النماذج. عند دمجها مع الرؤية الحاسوبية، يتم إنشاء نظام مراقبة بيئية أكثر اكتمالاً من أي من النهجين وحده.

ما تعنيه هذه

بالنسبة للذكاء الاصطناعي، هذا مثال جيد لكيفية انتقال الرؤية الحاسوبية من العروض التوضيحية إلى مهام الميدان ذات الفائدة القابلة للقياس. بالنسبة للبيئة، إنها طريقة لتعزيز برامج المتطوعين والحصول على مراقبة شبه مستمرة واتخاذ قرارات الحفاظ على البيئة بناءً على بيانات أكثر كثافة ودقة. إذا أصبحت هذه الأنظمة منتشرة على نطاق واسع، فيمكن إجراء مراقبة الأنواع النادرة والمهاجرة بشكل أكثر تكراراً وأرخص مع خسائر جودة أقل.