Détection des engins fantômes à l’aide de l’IA

(English: Ghost Gear Detection using AI)

Introduction

La détection des engins est une méthode permettant de déterminer au préalable les emplacements d’engins perdus afin de faciliter les efforts de récupération. Il existe diverses approches pour la détection et la surveillance des engins perdus. Le sondage par sonar à balayage latéral (SBL) est l’une des méthodes de détection de plus en plus utilisées dans la détection sous-marine car elle produit des résultats bien différenciés concernant les objets visibles sur le fond marin.

Défis liés à la détection des engins fantômes

La détection des engins fantômes est généralement effectuée en examinant manuellement les images sous-marines, soit hors site pour planifier les opérations de récupération ultérieures, soit sur site pour déterminer les cibles à récupérer. Les connaissances locales et les données historiques permettent de déterminer les zones où des engins fantômes peuvent être situés. Cependant, ces processus sont longs et difficiles, ce qui rend coûteuses la planification et l’affectation efficaces des ressources.

En outre, l’expertise nécessaire à une analyse plus avancée n’existe souvent pas à l’interne. Les organisations de nettoyage doivent externaliser cette assistance à un coût élevé. Par conséquent, soit ces organisations sont laissées à elles-mêmes pour interpréter les données avec une formation minimale, soit elles n’ont qu’un contrôle limité sur leurs données. En outre, ces analyses ont révélé un taux élevé de faux positifs, ce qui a entraîné la perte de ressources sur des cibles incorrectes et le gaspillage de temps précieux en mer.

Ces défis font de la détection des engins fantômes un processus compliqué, en particulier lorsque les projets de récupération doivent être exécutés dans des délais limités, quelles que soient les capacités des analystes de sonar. Cela rend les méthodes traditionnelles de détection des engins inadaptées aux projets de récupération à grande échelle. Les solutions assistées par l’intelligence artificielle (IA) peuvent automatiser l’analyse des données pour la détection des engins perdus, réduisant considérablement le temps de post-traitement et améliorant l’efficacité dans les projets de récupération à grande échelle.

Solutions assistées par IA pour la détection et la cartographie d’engins fantômes

Les solutions assistées par l’intelligence artificielle (IA) peuvent automatiser l’analyse des données pour la détection des engins perdus, réduisant considérablement le temps de post-traitement et améliorant l’efficacité dans les projets de récupération à grande échelle.

Objectif du projet

Le Bureau de l’intendant principal des données (BIPD) de Pêches et Océans Canada (MPO) collabore étroitement avec le Programme des engins fantômes pour mettre à l’essai une plateforme novatrice qui permet aux organisations de nettoyage d’analyser les images recueillies lors des sondages par sonar à balayage latéral (SBL). Cette plateforme est conçue pour automatiser le processus de détection des engins fantômes en le rendant moins chronophage et plus rentable. Elle est conçue pour transformer les données brutes en renseignements exploitables s’intégrant de manière harmonieuse dans le flux de travail de l’utilisateur. L’objectif est d’améliorer l’efficacité du processus d’analyse et de la localisation des engins fantômes, tant pendant la planification de l’opération que pendant la recherche active.

Portée du projet

La portée initiale du projet est de mettre au point une validation de principe pour automatiser la détection des casiers à homards et des casiers à crabes et de leurs cordes à partir d’images produites par un sonar à balayage latéral (SBL) et de cartographier leurs emplacements respectifs.

Détection d’objets dans l’imagerie marine

Le domaine du problème technique à l’étude est la tâche de vision par ordinateur de la détection d’objets. À partir d’une image donnée, la tâche consiste à identifier les types d’objets présents dans l’image et à les localiser en dessinant un cadre autour de chacun d’eux. Comme les images sont géocodées, ces détections fournissent également l’emplacement géographique précis de l’engin fantôme détecté.

Cela peut être accompli en utilisant des réseaux neuronaux convolutifs, qui sont des modèles d’IA de pointe utilisés pour de nombreux types de tâches de vision par ordinateur. Un prototype pour les détections dans les images produites par sonar a déjà été entraîné à l’aide de la bibliothèque de source ouverte pour le modèle de détection d’objet YOLOv8. En utilisant une technique appelée transfert d’apprentissage, il a été possible de prendre un modèle général très efficace et de l’entraîner sur un petit ensemble de données de sonar créées en laboratoire et d’obtenir des performances comparables à celles qui auraient été obtenues par un entraînement à partir de zéro sur un très grand ensemble de données de sonar, ce qui aurait été beaucoup plus difficile à obtenir. Les exemples de détections du prototype sont affichés dans l’image la plus à gauche. Le MPO travaille actuellement avec des experts en la matière pour obtenir et annoter des données d’entraînement provenant de véritables efforts de récupération. On peut également voir dans la paire d’images de droite, un échantillon des expériences réalisées avec un modèle de source ouverte entraîné au préalable pour la détection de débris marins flottants dans des images satellites.

Défi des données de la fonction publique

Nous sommes fiers d’annoncer que le MPO a participé au premier Défi des données de la fonction publique avec cette idée de projet. Le concept de l’équipe du MPO était axé sur l’utilisation de l’IA pour optimiser les efforts de nettoyage des engins fantômes en collaboration avec le Programme des engins fantômes. Entre 150 idées, le MPO s’est qualifié pour l’événement final, où les quatre meilleures idées ont été choisies pour être présentées aux hauts responsables de la gestion des données et du numérique de l’ensemble du gouvernement.

Cliquez ici pour regarder l’événement inaugural de 2023 et pour en savoir plus sur l’analyse de rentabilisation du projet.