Le MIT dévoile un système de vision par ordinateur pour compter les poissons dans les projets de science participative

Le MIT Sea Grant, avec le Woodwell Climate Research Center, le CSAIL et d'autres partenaires, a dévoilé un système fondé sur l'apprentissage profond qui compte les poissons dans des vidéos sous-marines. L'idée n'est pas de remplacer les bénévoles, mais de combler les angles morts du suivi manuel et d'obtenir des données plus précises sur la migration.

Pourquoi le comptage manuel est limité

Chaque printemps, les harengs de rivière quittent les eaux côtières du Massachusetts pour remonter les rivières et les ruisseaux, où ils frayent en eau douce. Leurs populations ont fortement diminué ces dernières décennies. Les services de conservation et les gestionnaires de la pêche ont donc besoin de savoir combien de poissons passent réellement dans les cours d'eau et à quels moments. Le problème est que le suivi classique repose généralement sur des comptages visuels depuis la berge et sur l'aide de bénévoles, et que ces observations ne saisissent que de courts fragments du tableau d'ensemble.

L'approche manuelle a des limites strictes. Les bénévoles travaillent le plus souvent de jour et ne peuvent pas surveiller le flux de poissons en continu : les déplacements nocturnes et les brefs pics de migration échappent donc facilement aux données. Parfois, des centaines d'individus franchissent un tronçon de rivière en quelques minutes, et ces pics sont difficiles à estimer à l'œil. Des méthodes plus avancées, comme le suivi acoustique et les sonars, ne conviennent pas partout et coûtent plus cher, tandis que l'examen manuel des vidéos sous-marines reste trop laborieux. C'est pourquoi l'équipe a parié sur la vision par ordinateur, plus facile à déployer à grande échelle.

Comment le modèle a été construit

Les chercheurs ont bâti une chaîne complète, de l'installation de caméras sous-marines sur le terrain à l'annotation des clips et à l'entraînement du modèle. Les vidéos ont été collectées simultanément sur trois rivières du Massachusetts : la Coonamessett à Falmouth, l'Ipswich à Ipswich et la Santuit à Mashpee. Ce dispositif ne visait pas une démonstration spectaculaire, mais à vérifier si le système peut fonctionner en conditions réelles, où l'éclairage, la transparence de l'eau, la densité de poissons, la saison et l'heure de la journée changent en permanence.

• Des caméras sous-marines ont enregistré la migration sur trois rivières différentes
• L'entraînement a utilisé des clips variés en lumière, qualité de l'eau, espèces et densité de poissons
• L'équipe a annoté manuellement 1 435 clips vidéo et 59 850 images avec des bounding boxes
• Les résultats de l'algorithme ont été comparés à l'examen manuel des vidéos, aux comptages depuis la berge et aux données de marques PIT

La conclusion principale est assez pratique : les meilleurs modèles étaient ceux entraînés sur des données variées provenant de plusieurs sites et de plusieurs années. Cette approche a produit des estimations saisonnières détaillées, qui concordaient avec les résultats du suivi traditionnel. Autrement dit, il ne s'agit pas d'un prototype de laboratoire, mais d'un système capable de fournir des comptages comparables à ceux d'un humain, avec une résolution temporelle plus fine.

Ce que les données ont montré

Le plus intéressant n'est pas seulement l'automatisation du comptage, mais aussi les nouvelles observations sur le comportement des poissons. Sur la vidéo de la migration de 2024 dans la rivière Coonamessett, le système a compté 42 510 harengs de rivière. L'analyse a montré que la remontée atteignait son pic à l'aube, tandis que la dévalaison se déroulait surtout la nuit. Les chercheurs l'expliquent par le fait que les poissons profitent des périodes plus sombres et plus calmes pour réduire le risque de croiser des prédateurs. Pour les écologues, ce n'est plus un simple chiffre, mais une image plus riche de la migration.

«

Ce travail améliorera les capacités de suivi de la pêche et d'évaluation des populations pour les gestionnaires et les groupes de conservation », déclare Robert Vincent, du MIT Sea Grant.

Les auteurs disent clairement que le comptage automatique ne doit pas évincer d'un coup les méthodes traditionnelles. Les longues séries d'observations ont une valeur en soi, et les agences doivent préserver la comparabilité des données tant que les nouveaux systèmes ne sont pas pleinement déployés. Par ailleurs, la science participative ne disparaît pas : elle change de rôle. Les bénévoles restent nécessaires pour entretenir les caméras, annoter les vidéos et valider les modèles. Associée à la vision par ordinateur, cette approche donne un système de suivi écologique plus complet que chacune des deux prises séparément.

Ce que cela signifie

Pour l'IA, c'est un bon exemple de vision par ordinateur qui quitte les démonstrations pour des tâches de terrain aux bénéfices mesurables. Pour l'écologie, c'est un moyen de renforcer les programmes de bénévolat, d'obtenir une observation quasi continue et de prendre des décisions de conservation à partir de données plus denses et plus précises. Si de tels systèmes se généralisent, le suivi des espèces rares et migratrices pourrait se faire plus souvent, à moindre coût et avec moins de pertes de qualité.