Применение методов искусственного интеллекта для автоматизации беспилотного учёта отнерестившихся особей кеты в Хабаровском крае

Беспилотный учёт тихоокеанских лососей перспективен, но его реализация сопряжена с трудностями ручной обработки больших объёмов аэрофотоснимков с целью подсчёта численности производителей, включая отнерестившихся особей (т.е. снёнки). Автоматизация подсчёта особей на фотоматериалах беспилотной съёмки посредством методов искусственного интеллекта (ИИ), в частности посредством нейросетей, относящихся к технологиям глубокого обучения, является одним из наиболее перспективных способов оптимизации беспилотного учёта лососей, повышения его производительности и эффективности. На данный момент использование ИИ для выявления особей на материалах беспилотной съёмки реализовано лишь для крупных хрящевых рыб (акулы, скаты). Настоящая работа впервые показывает данную возможность для костистых рыб, а именно для снёнки кеты. Предложенный подход демонстрирует принципиальную возможность учёта сравнительно малых и весьма изменчивых по внешнему виду ВБР, какими являются тихоокеанские лососи, даже при плохой видимости в условиях нерестовых рек. На примере рек Хабаровского края показано, что использование корректно настроенных (обученных) нейросетей позволяет автоматизировать выявление и подсчёт снёнки кеты на материалах беспилотной аэрофотосъёмки. Приведено описание выполненного создания модели на базе нейросети для решения данной задачи, реализации выявления и подсчёта снёнки методами ИИ на платформе настольной ГИС. Обоснована важность развития учёта тихоокеанских лососей методами ИИ именно на платформе настольной ГИС ввиду ряда объективных преимуществ такого подхода. Предложенная автоматизация учёта снёнки кеты в Хабаровском крае посредством нейросетей является началом автоматизации беспилотного учёта тихоокеанских лососей методами ИИ с учётом видовой и региональной специфики. Показана важность межфилиального взаимодействия подразделений ВНИРО для ведения общего репозитория моделей на базе нейросетей и обеспечивающих их данных.

1. Бизиков В.А., Петерфельд В.А., Черноок В.И., и др. Методические рекомендации по проведению учёта приплода байкальской нерпы (Pusa sibirica) с беспилотных летательных аппаратов в Байкальском рыбохозяйственном бассейне. М.: Изд-во ВНИРО, 2021. 56 с.

2. Методические рекомендации по учёту численности тихоокеанских лососей в реках Сахалинской области. Южно-Сахалинск: Изд-во СахНИРО, 2013. 31 с.

3. Свиридов В.В., Коцюк Д.В., Подорожнюк Е.В. Беспилотный фотограмметрический учёт тихоокеанских лососей посредством БПЛА потребительского класса // Изв. ТИНРО. 2022а. Т. 202. С. 429–449.

4. Свиридов В.В., Подорожнюк Е.В., Никитин В.Д., Скорик А.В. Модификации беспилотного учёта производителей тихоокеанских лососей в реках Сахалинской области и Хабаровского края // Изв. ТИНРО. 2022б. Т. 202. С. 1015–1031.

5. Attard M.R.G., Phillips R.A., Bowler E., et al. Review of Satellite Remote Sensing and Unoccupied Aircraft Systems for Counting Wildlife on Land // Remote Sensing. 2024. Т. 16. № 4. С. 627.

6. Borowicz A., Le H., Humphries G. et al. Aerial-trained deep learning networks for surveying cetaceans from satellite imagery // PLOS One. 2019. V. 14. № 10. 15 p.

7. Boulent J., Charry B., Kennedy M. et al. Scaling whale monitoring using deep learning: A human-in-the-loop solution for analyzing aerial datasets // Frontiers in Marine Science. 2023. V. 10. 13 p.

8. Butcher P., Colefax A., Gorkin I. et al. The drone revolution of shark science: A review // Drones. 2021. V. 5. № 1. 8 p.

9. Desgarnier L., Mouillot D., Vigliola L. et al. Putting eagle rays on the map by coupling aerial video-surveys and deep learning // Biological Conservation. 2022. V. 267. 24 p.

10. Dujon A., Ierodiaconou D., Geeson J. et al. Machine learning to detect marine animals in UAV imagery: effect of morphology, spacing, behaviour and habitat // Remote Sensing in Ecology and Conservation. 2021. V. 7. № 3. P. 341–354.

11. Gray P., Bierlich K., Mantell S. et al. Drones and convolutional neural networks facilitate automated and accurate cetacean species identification and photogrammetry // Methods in Ecology and Evolution. 2019. V. 10. № 9. P. 1490–1500.

12. Guirado E., Tabik S., Rivas M. et al. Whale counting in satellite and aerial images with deep learning // Scientific reports. 2019. V. 9. № 1. 13 p.

13. Infantes E., Carroll D., Silva W. et al. An automated work-flow for pinniped surveys: a new tool for monitoring population dynamics // Frontiers in Ecology and Evolution. 2022. V. 10. 17 p.

14. Kellenberger B., Veen T., Folmer E., et al. 21 000 birds in 4,5 h: efficient large scale seabird detection with machine learning // Remote Sensing in Ecology and Conservation. 2021. V. 7. № 3. P. 445–460.

15. Rodofili E., Lecours V., LaRue M. Remote sensing techniques for automated marine mammals detection: a review of methods and current challenges // PeerJ. 2022. V. 10. 22 p.