- 检测精度足以监测海洋环境
- 观察深海悬浮颗粒数量的时间变化
- 为制定考虑环境影响的深海资源开发计划做出贡献
原始图像（左）中的悬浮颗粒数量是使用 AI 技术自动测量的。
在分析后的图像中（右），检测到的悬浮颗粒被红色矩形包围。
*这是对原始论文中的数字的引用或修改。
米乐m6官方网站（以下简称“AIST”）、日本地质调查局地质信息研究部、研究员 Naoki Saito、AIST 特别研究员 Travis Washburn（研究时）、研究小组组长铃木淳等人，旨在评估深海资源开发对环境的影响AI（人工智能）我们设计了一种利用技术观察悬浮颗粒的方法。
近年来，人们开始考虑开发深海矿产资源。在深海中，即使悬浮颗粒的微小增加也会影响生物体，例如海底钻探和抽矿井水产生的悬浮颗粒对环境的影响。因此，在评估资源开发对环境的影响时，悬浮颗粒物的观测非常重要。然而，利用现有方法很难观测深海中的悬浮颗粒。这项研究利用称为目标检测的人工智能技术来自动测量水下图像中悬浮颗粒的数量。这项研究有望使评估资源开发对悬浮颗粒的影响成为可能。
此成就的详细信息将于 2023 年 7 月 11 日（日本时间）公布。海洋科学前沿发布
近年来，世界各国都在考虑深海资源开发，目标瞄准富钴地壳。富钴结壳是一种铁锰氧化物，分布在深度约1000m或更深处的海山中，覆盖基岩，厚度为几毫米至几十厘米。含有钴、镍、铂等稀有金属，作为潜在矿产资源而受到关注。日本方面，在经济产业省的倡议下，从确保矿产资源稳定供应的角度考虑对日本周边海域和公海进行开发。
开发深海资源时，环境影响评估非常重要。资源开发过程中，海底钻探和抽矿水排放过程中会产生悬浮颗粒，这些悬浮颗粒可能会在开发区及周边海域扩散和再沉积。有人担心，这可能会埋葬珊瑚和海绵等固着生物，或堵塞其滤食器官，从而对生态系统造成损害。大多数深海自然含有很少的悬浮颗粒，因此即使很小的增加也会影响生物体。因此，有必要对悬浮颗粒物进行观测，作为环境影响评价的依据。
然而，使用传统的观测方法很难量化深海中的微量悬浮颗粒。例如，诸如浊度计之类的光学传感器基于从悬浮颗粒反射的光来测量悬浮颗粒浓度。然而，在悬浮颗粒浓度较低的深海，存在无法获得足够的反射光、测量精度较低的问题。另一种方法是对海水取样，直接测量海水中悬浮颗粒的浓度。然而，由于从深海收集海水需要时间，因此很难测量短时间间隔内深海环境的变化。
图 1 用于分析的原始图像。悬浮颗粒显示为白色或半透明圆圈。
为了清楚起见，显示了含有特别大量悬浮颗粒的图像。
*这是对原始论文中的数字的引用或修改。
AIST 在日本能源金属和矿产公司 (JOGMEC) 的领导下，一直在开展富钴结壳开发的环境影响评估研究。这次，我们设计了一种新的观察方法来评估开发可能对悬浮颗粒产生的影响。这项研究是经济产业省委托项目的成果。
这项研究利用物体检测（一种人工智能技术）来测量悬浮颗粒的数量。物体检测是一种基于计算机的图像识别技术，可以自动识别和定位图像中的特定物体。近年来，深度学习的模型的提出，极大地提高了检测精度和速度。物体检测也开始用于监测海洋环境，因为可以准确、快速地处理和分析大量图像。例如，应用于自动检测鱼类等海洋生物的数量、海洋垃圾的件数等。通过散射相机发出的光，悬浮颗粒在水下图像中脱颖而出（图 1）。因此，我们想到它将是一个相对容易检测的物体。在这项研究中，我们开发了一个对象检测模型YOLOv5用于深度学习和分析的图像是用深海定点相机Edokko No1（冈本硝子株式会社）拍摄的，该相机可以承受深达8000米的水压，可以拍摄几个月的长期图像。一些生成的图像教师数据导入YOLOv5并自动提取和学习悬浮颗粒的特征。使用的训练数据是包含 3,484 个粒子的 1,028 张图像，模型学习了各种粒子模式，例如形状和亮度。
图 2 深海定点相机拍摄的图像。摄影是在大约 900 米深度的海底进行的，历时两个月。
*原始论文中的数字被引用或修改。
使用我们构建的悬浮颗粒检测模型自动测量悬浮颗粒数量（图 3）。分析图像（图 3）右上角显示的“N = 92”表示检测到的颗粒数量为 92。原始图像（图 1）和分析后图像之间的色调不同，但这是由于图像处理造成的（边缘保留平滑滤波器）。模型是AP（平均精度）和F1 值，一个检测准确度指标，显示模型的预测与正确答案的接近程度，记录的准确率超过 82%（满分 100%）。这一检测精度与之前将物体检测应用于海洋生物和海洋垃圾的研究的精度相当（> 80%，例如Salman et al, 2020；Xue et al, 2021；Bonofiglio et al, 2022），可以说对于监测海洋环境来说足够准确。将模型应用于两个月内拍摄的 6,753 张图像后，总共检测到 23,913 个颗粒。对这些颗粒物的统计分析表明，悬浮颗粒物的数量有时会突然增加到平均值的10倍以上。悬浮颗粒物数量的平均值和时间变化等基础知识有望成为未来评估资源开发引起的悬浮颗粒物影响的基础。
图 3 分析后的图像。检测到的悬浮颗粒由红色矩形包围。
绿线是指示屏幕顶部 40% 的参考线，绘制用于分析。
*原始论文中的数字被引用或修改。
使用对象检测模型（一种人工智能技术）的优点之一是无需手动处理。使用其他图像分析方法，例如通过设置亮度阈值来提取粒子的方法，存在生物体或海底可能被错误地检测为粒子的担忧。另一方面，目标检测模型能够通过学习粒子的特征来自动避免错误检测（图 4）。这减少了手动检查误报和执行额外处理以避免误报的需要。
图 4 担心被错误检测为悬浮颗粒的物体示例。
*原始论文中的数字被引用或修改。
未来需要开展工作来扩大用于准确性验证的图像多样性，并确定悬浮颗粒检测模型的检测限。应验证的数据示例包括各种环境条件，包括颗粒尺寸、悬浮颗粒浓度和流速。关于拍摄条件，要特别注意照明，它会影响颗粒的可见度。
未来，我们计划扩大悬浮颗粒检测模型训练的图像数量，以便即使在各种环境和拍摄条件下也能高精度检测。由于图像捕捉是海洋观测中的常见项目，因此已经有大量的图像可以用于学习。悬浮颗粒检测模型使得收集资源开发对悬浮颗粒影响的数据成为可能，并有望从环境影响的角度为制定更理想的开发计划做出贡献。
已出版的杂志：海洋科学前沿
论文标题：利用深度学习评估深海悬浮颗粒的时间变化
作者：Naoki Saito、Travis W Washburn、Shinichiro Yano 和 Atsushi Suzuki
DOI：103389/fmars20231132500