به گزارش ایسنا، دانشمندان به منظور حفاظت و مدیریت بهتر تنوع زیستی دریایی، به اطلاعات دقیق درباره بستردریاها نیاز دارند. یک راه برای جمع آوری چنین اطلاعاتی استفاده از “ربات‌های خودکار زیرآبی”(AUVs) مجهز به دوربین است.

اکنون پژوهشگران “دانشگاه پلیموث”(University of Plymouth) انگلستان در مطالعه اخیر خود دریافته‌اند، هوش مصنوعی(AI) می‌تواند به آنها در جمع‌آوری اطلاعات ارزشمند بستر دریا کمک کند.

طی این مطالعه، دانشمندان دریایی و کارشناسان رباتیک، اثربخشی سیستم “بینایی رایانه‌ای”(computer vision) را برای شناسایی موجودات دریایی آزمایش کردند و این سیستم با دقت ۸۰ درصد توانست آنها را شناسایی کند. اگر داده‌های مورد استفاده برای آموزش الگوریتم کافی باشد، سیستم مذکور حتی می‌تواند این موجودات را با دقت ۹۳ درصد نیز شناسایی کند.

“نیلز پیچاد”(Nils Piechaud) دانشجوی دکترا و نویسنده ارشد این مطالعه گفت: ربات‌های خودکار یک ابزار حیاتی برای ارزیابی مناطق وسیعی از دریا هستند و توسط آنها می‌توان به عمقی از بستر دریا در عمق بیش از ۶۰ متر است (بیشترین عمقی که غواصان می‌توانند به آن دسترسی پیدا کنند) دست پیدا کرد. ما طی این مطالعه از فناوری هوش مصنوعی به عنوان ابزاری برای طبقه بندی تصاویر حیوانات استفاده کردیم. این کارها سبب می‌شود تا اطلاعات بسیاری درباره کف اقیانوس به دست آوریم.

طی این مطالعه پژوهشگران داده‌های یکی از ربات‌های خودکار زیر آبی ملی انگلستان موسوم به “آتوساب ۶۰۰۰ “(Autosub ۶۰۰۰) را جمع آوری کردند. این داده‌ها شامل بیش از ۱۵۰ هزار تصویر بود، مورد بررسی قرار دادند. محققان سپس ۱۲۰۰ مورد از این تصاویر را به صورت دستی مورد بررسی قرار دادند و موفق به شناسایی ۴۰ هزار عدد از آنکه منحصراً مربوط به ۱۱۰ نوع گونه‌های متفاوت جانوری بود، شدند.

آنها سپس از نرم افزار “تنسورفلو” گوگل برای آموزش “شبکه عصبی پیچشی”(Convolutional Neural Network) به منظور شناسایی گونه‌های موجود در تصاویر ربات‌های خودکار زیرآبی، استفاده کردند و دریافتند که این روش با دقت ۸۰ درصد موفق به شناسایی این گونه‌ها شده و این در حالی است که دقت انسان‌ها در انجام این کار در محدوده ۵۰ تا ۹۵ درصد قرار دارد.

تنسورفلو (TensorFlow ) یک کتابخانه نرم‌افزاری متن‌باز برای یادگیری ماشین است. “شبکه‌های عصبی پیچشی” یا “همگشتی” رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.

یافته‌های این مطالعه در مجله “Marine Ecology Progress Series” منتشر شد.