قاعدة بيانات صور مفتوحة المصدر تطلق العنان لقوة الذكاء الاصطناعي لاستكشاف المحيطات
يعمل جهد تعاوني جديد بين MBARI والمؤسسات البحثية الأخرى على الاستفادة من قوة الذكاء الاصطناعي والتعلم الآلي لتسريع الجهود المبذولة لدراسة المحيط.
من أجل إدارة التأثيرات الناجمة عن تغير المناخ والتهديدات الأخرى، يحتاج الباحثون بشكل عاجل إلى معرفة المزيد عن سكان المحيطات والنظم الإيكولوجية والعمليات.
نظرًا لأن العلماء والمهندسين يطورون روبوتات متقدمة يمكنها تصور الحياة البحرية والبيئات لمراقبة التغيرات في صحة المحيط فإنهم يواجهون مشكلة أساسي.
جمع الصور والفيديو والبيانات المرئية الأخرى يتجاوز إلى حد كبير قدرة الباحثين على التحليل.
FathomNet هي قاعدة بيانات صور مفتوحة المصدر تستخدم أحدث خوارزميات معالجة البيانات للمساعدة في معالجة تراكم البيانات المرئية.
سيؤدي استخدام الذكاء الاصطناعي والتعلم الآلي إلى التخفيف من عنق الزجاجة لتحليل الصور تحت الماء وتسريع الأبحاث المهمة حول صحة المحيطات.
“المحيط الكبير يحتاج إلى بيانات كبيرة. يقوم الباحثون بجمع كميات كبيرة من البيانات المرئية لمراقبة الحياة في المحيط.
كيف يمكننا معالجة كل هذه المعلومات بدون أتمتة؟ يوفر التعلم الآلي طريقًا إلى الأمام، ولكن هذه الأساليب تعتمد على مجموعات بيانات ضخمة للتدريب وقد تم بناء FathomNet لسد هذه الفجوة، “قال المهندس الرئيسي MBARI كاكاني كاتيجا.
قام مؤسسو المشروع كاتيجا وكاتي كروف بيل (Ocean Discovery League) و Ben Woodward (CVision AI)، جنبًا إلى جنب مع أعضاء فريق FathomNet الموسع، بتفصيل تطوير قاعدة بيانات الصور الجديدة هذه في منشور بحثي حديث في التقارير العلمية.
تتيح التطورات الحديثة في التعلم الآلي إجراء تحليل سريع ومتطور للبيانات المرئية، ولكن استخدام الذكاء الاصطناعي في أبحاث المحيطات كان محدودًا بسبب عدم وجود مجموعة قياسية من الصور الحالية التي يمكن استخدامها لتدريب الآلات على التعرف على الأجسام الموجودة تحت الماء وتصنيفها.
والحياة. تلبي FathomNet هذه الحاجة من خلال تجميع الصور من مصادر متعددة لإنشاء قاعدة بيانات تدريب على الصور تحت الماء متاحة للجمهور ومنسقة بخبرة.
“في السنوات الخمس الماضية، أحدث التعلم الآلي ثورة في مشهد التحليل البصري الآلي، مدفوعًا إلى حد كبير بمجموعات ضخمة من البيانات المصنفة.
تعد ImageNet و Microsoft COCO مجموعات بيانات معيارية للتطبيقات الأرضية التي يتدفق عليها باحثو التعلم الآلي ورؤية الكمبيوتر، ولكن قال بن وودوارد ، المؤسس المشارك والرئيس التنفيذي لشركة CVision AI وأحد مؤسسي FathomNet ، لم نبدأ حتى في خدش سطح قدرات التعلم الآلي للتحليل البصري تحت الماء.
“مع FathomNet ، نهدف إلى توفير معيار ثري ومثير للاهتمام لإشراك مجتمع التعلم الآلي في مجال جديد.”
على مدار الـ 35 عامًا الماضية، سجلت MBARI ما يقرب من 28000 ساعة من مقاطع الفيديو في أعماق البحار وجمعت أكثر من مليون صورة لأعماق البحار.
تم شرح هذه المجموعة من البيانات المرئية بالتفصيل من قبل فنيي البحث في مختبر فيديو MBARI.
يتضمن أرشيف فيديو MBARI ما يقرب من 8.2 مليون تعليق توضيحي تسجل ملاحظات الحيوانات والموائل والأشياء. تعد مجموعة البيانات الثرية هذه مصدرًا لا يقدر بثمن للباحثين في المعهد والمتعاونين حول العالم.
تضم FathomNet مجموعة فرعية من مجموعة بيانات MBARI، بالإضافة إلى أصول من National Geographic وNOAA.
قام مختبر تكنولوجيا الاستكشاف التابع للجمعية الجغرافية الوطنية بنشر إصدارات من منصة الهبوط القاعية المستقلة، نظام كاميرات أعماق البحار، منذ عام 2010، حيث جمع أكثر من 1000 ساعة من بيانات الفيديو من المواقع في جميع أحواض المحيطات وفي مجموعة متنوعة من الموائل البحرية.
تم استيعاب مقاطع الفيديو هذه لاحقًا في منصة التحليل التعاوني القائمة على السحابة الخاصة بـ CVision AI وتم شرحها بواسطة متخصصين في الموضوع في University of Hawaii و OceansTurn.
الإدارة الوطنية للمحيطات والغلاف الجوي (NOAA) بدأ استكشاف المحيطات في جمع بيانات الفيديو باستخدام نظام مركبة يتم تشغيله عن بعد على متن سفينة NOAA Ship Okeanos Explorer في عام 2010.
تم أرشفة أكثر من 271 تيرابايت ويمكن الوصول إليها للجمهور من مراكز NOAA الوطنية للمعلومات البيئية (NCEI).
في الأصل NOAA Ocean Exploration التعليقات التوضيحية من مصادر جماعية من خلال العلماء المشاركين المتطوعين، وبدأت في دعم خبراء التصنيف في عام 2015 لإضافة تعليقات توضيحية إلى مقاطع الفيديو التي تم جمعها بشكل أكثر شمولاً.
“FathomNet هو مثال رائع على كيف يمكن للتعاون وعلوم المجتمع تعزيز الاختراقات في كيفية تعلمنا عن المحيط.
مع البيانات من MBARI والمتعاونين الآخرين باعتبارها العمود الفقري، نأمل أن تساعد FathomNet في تسريع أبحاث المحيطات في وقت عند فهم المحيط قال Lonny Lundsten ، كبير فنيي الأبحاث في MBARI Video Lab ، والمؤلف المشارك، وعضو فريق FathomNet ، “أصبح أكثر أهمية من أي وقت مضى”.
كمورد مفتوح المصدر قائم على الويب، يمكن للمؤسسات الأخرى المساهمة في FathomNet واستخدامها بدلاً من الجهود التقليدية كثيفة الموارد لمعالجة البيانات المرئية وتحليلها.
أطلقت MBARI برنامجًا تجريبيًا لاستخدام نماذج التعلم الآلي المدربة من قبل FathomNet لتعليق الفيديو الذي تم التقاطه بواسطة المركبات التي تعمل تحت الماء عن بعد (ROVs).
أدى استخدام خوارزميات الذكاء الاصطناعي إلى تقليل الجهد البشري بنسبة 81 في المائة وزيادة معدل وضع العلامات عشرة أضعاف.
تتمتع نماذج التعلم الآلي المدربة ببيانات FathomNet أيضًا بإمكانية إحداث ثورة في استكشاف المحيطات ومراقبتها.
على سبيل المثال، يمكن أن يؤدي تجهيز المركبات الآلية بكاميراتها وخوارزميات التعلم الآلي المحسّنة إلى تمكين البحث الآلي وتتبع الحيوانات البحرية والأجسام الأخرى الموجودة تحت الماء.
“قبل أربع سنوات، تصورنا استخدام التعلم الآلي لتحليل آلاف الساعات من مقاطع الفيديو الخاصة بالمحيطات، ولكن في ذلك الوقت، لم يكن ذلك ممكنًا في الأساس بسبب نقص الصور المشروحة.
ستجعل FathomNet الآن هذه الرؤية حقيقة واقعة، وتفتح الاكتشافات و “تمكين الأدوات التي يمكن للمستكشفين والعلماء والجمهور استخدامها لتسريع وتيرة اكتشاف المحيطات”، قالت كاتي كروف بيل، مؤسس ورئيس اتحاد اكتشاف المحيطات وأحد مؤسسي FathomNet.
اعتبارًا من سبتمبر 2022، احتوت FathomNet على 84454 صورة، تمثل 175875 موقعًا من 81 مجموعة منفصلة لـ 2243 مفهومًا، مع استمرار المساهمات الإضافية.
تهدف FathomNet إلى الحصول على 1000 ملاحظة مستقلة لأكثر من 200000 نوع حيواني في أوضاع وظروف تصوير متنوعة – في النهاية أكثر من 200 مليون ملاحظة إجمالية
لكي تصل FathomNet إلى أهدافها المقصودة، ستكون هناك حاجة إلى مشاركة مجتمعية كبيرة – بما في ذلك مساهمات عالية الجودة عبر مجموعة واسعة من المجموعات والأفراد – والاستخدام الواسع لقاعدة البيانات.
“على الرغم من أن FathomNet عبارة عن نظام أساسي مستند إلى الويب مبني على واجهة برمجة تطبيقات حيث يمكن للأشخاص تنزيل البيانات المصنفة لتدريب خوارزميات جديدة، فإننا نريد أيضًا أن تكون بمثابة مجتمع حيث يمكن لمستكشفي المحيطات والمتحمسين من جميع الخلفيات المساهمة بمعرفتهم وخبراتهم والمساعدة في حل التحديات المتعلقة بالبيانات المرئية للمحيطات والتي تكون مستحيلة دون مشاركة واسعة النطاق، “قال كاتيجا.
المصدر: techxplore
قد يهمك:
