Le MIT présente un système de vision par ordinateur pour compter les poissons dans des projets de science citoyenne

MIT Sea Grant, en collaboration avec le Woodwell Climate Research Center, CSAIL et d'autres partenaires, a présenté un système basé sur l'apprentissage profond qui compte les poissons à partir de vidéo sous-marine. L'idée n'est pas de remplacer les volontaires, mais de combler les points aveugles de la surveillance manuelle et d'obtenir des données plus précises sur la migration.

Pourquoi le Comptage Manuel est Limité

Chaque printemps, le hareng anadrome retourne des eaux côtières du Massachusetts aux rivières et ruisseaux, où il se reproduit en eau douce. Au cours des dernières décennies, ses populations ont diminué considérablement, il est donc important que les agences de conservation et les gestionnaires des pêches comprennent combien de poissons passent réellement par les rivières et quand cela se produit. Le problème est que la surveillance classique repose généralement sur des comptages visuels depuis le rivage et l'aide de volontaires, et de telles observations ne fournissent que de courts fragments du tableau complet.

Les approches manuelles ont des limitations strictes. Les volontaires travaillent généralement le jour et ne peuvent pas surveiller continuellement le flux de poissons, donc les mouvements nocturnes et les pics courts de migration disparaissent facilement des données. Parfois, des centaines d'individus passent dans une section de rivière en quelques minutes, et ces pics sont difficiles à évaluer à l'œil nu. Des méthodes plus avancées comme la surveillance acoustique et le sonar ne fonctionnent pas partout et coûtent plus cher, tandis que l'examen manuel de vidéo sous-marine reste très laborieux. C'est pourquoi l'équipe a misé sur la vision par ordinateur comme option plus scalable.

Comment Ils Ont Construit le Modèle

Les chercheurs ont construit un pipeline complet : de l'installation de caméras sous-marines sur le terrain à l'étiquetage des vidéos et l'entraînement du modèle. La vidéo a été collectée dans trois rivières du Massachusetts — Coonamessett à Falmouth, Ipswich à Ipswich et Santuit à Mashpee. Cette conception était nécessaire non pas pour une belle démonstration, mais pour tester si le système pouvait fonctionner dans des conditions réelles, où l'éclairage, la clarté de l'eau, la densité de poissons, la saison et l'heure du jour changent constamment.

• Les caméras sous-marines ont capturé la migration dans trois rivières différentes
• L'entraînement a utilisé des vidéos avec un éclairage variable, une qualité d'eau, des espèces de poissons et une densité différents
• L'équipe a manuellement étiqueté 1.435 clips vidéo et 59.850 images avec des boîtes de délimitation
• Les résultats de l'algorithme ont été comparés avec un examen manuel de vidéo, des comptages de rive et des données de marques PIT

Une découverte clé s'est avérée très pratique : les modèles entraînés sur des données diversifiées provenant de plusieurs sites sur plusieurs années ont fonctionné le mieux. Cette approche a fourni des estimations saisonnières détaillées qui correspondaient aux résultats de la surveillance traditionnelle. En d'autres termes, ce n'est pas un prototype de laboratoire, mais un système capable de fournir des comptages comparables aux humains tout en le faisant avec une résolution temporelle plus élevée.

Ce Que les Données Ont Montré

La partie la plus intéressante n'est pas seulement d'automatiser le comptage, mais de nouvelles observations sur le comportement des poissons. Sur la vidéo de migration de 2024 de la rivière Coonamessett, le système a compté 42.510 harengs. L'analyse a montré que le mouvement vers l'amont atteignait son pic à l'aube, tandis que le mouvement vers l'aval se produisait principalement la nuit. Les chercheurs attribuent cela au fait que les poissons utilisent des périodes plus sombres et calmes pour réduire le risque de rencontres avec des prédateurs. Pour les écologistes, ce n'est plus simplement un nombre, mais une image plus riche de la migration.

"Ce travail améliorera les capacités de surveillance des pêches et l'évaluation des populations pour les gestionnaires et les groupes de conservation," déclare

Robert Vincent du MIT Sea Grant.

En même temps, les auteurs affirment directement que le comptage automatique ne devrait pas immédiatement remplacer les méthodes traditionnelles. Les longs enregistrements d'observation sont importants en eux-mêmes, et les agences doivent maintenir la comparabilité des données pendant que les nouveaux systèmes sont complètement déployés. De plus, la science citoyenne ne disparaît pas ici, mais change de rôle : les volontaires sont toujours nécessaires pour l'entretien des caméras, l'étiquetage de vidéos et la validation des modèles. Combinée à la vision par ordinateur, cela crée un système de surveillance écologique plus complet que chaque approche seule.

Ce Que Cela Signifie

Pour l'AI, c'est un bon exemple de la vision par ordinateur passant de démonstrations à des tâches de terrain avec un bénéfice mesurable. Pour l'écologie, c'est un moyen de renforcer les programmes de volontaires, d'obtenir une surveillance quasi continue et de prendre des décisions de conservation sur la base de données plus denses et plus précises. Si ces systèmes deviennent généralisés, la surveillance des espèces rares et migratrices pourrait être effectuée plus fréquemment, à moindre coût et avec moins de pertes de qualité.