Par Jonathan Woods
2 juin 2022
- Un nouveau cadre de vision par ordinateur détermine avec précision la couverture, l'abondance et la biomasse des moules zébrées et quagga dans les images sous-marines.
- Ce cadre a le potentiel de fournir des cartes précises et à jour de la densité des moules, essentielles pour réduire les impacts néfastes sur les écosystèmes et les infrastructures.
- Son utilisation peut augmenter la productivité temporelle des biologistes et améliorer la rentabilité des tâches.
- Ce cadre ouvre la voie à d'autres applications environnementales.
Des chercheurs de l'Institut Vector ont mis au point un nouveau cadre d'intelligence artificielle qui peut aider les biologistes à mieux cartographier, surveiller et gérer les moules envahissantes dans les lacs d'eau douce du Canada. Dans une première application du genre, Angus Galloway, doctorant à Vector, et Graham Taylor, directeur de recherche par intérim de Vector, ont utilisé la vision par ordinateur pour identifier automatiquement les moules zébrées et quagga sur des images de fonds lacustres. Cette approche offre « une solution efficace et précise pour cartographier les populations de moules à une échelle jusqu'alors impossible », comme l'explique un article récemment publié sur ce cadre. « L'apprentissage machine a été sous-exploité dans ce domaine », affirme Galloway. « Il est parfaitement adapté à la tâche périlleuse et ardue d'exploration des fonds lacustres, des rivières et des océans côtiers, généralement effectuée par des plongeurs. »
Les moules envahissantes constituent un problème majeur pour les lacs d'eau douce canadiens : elles perturbent les écosystèmes, favorisent la prolifération d'algues et obstruent des infrastructures essentielles comme les prises d'eau potable. Des cartes précises et à jour de la densité des moules sont cruciales pour surveiller et gérer leurs effets. Or, les cartes actuelles reposent sur des données recueillies manuellement, un processus qui implique souvent le dragage par des plongeurs ou une analyse d'images fastidieuse par des experts. Elles ne reflètent pas la variabilité des populations de moules à différents moments et à différents endroits, car l'analyse est limitée par le nombre de sites que les plongeurs peuvent visiter et d'images que les humains peuvent évaluer. « En faisant une cartographie très dense, on peut savoir précisément où se situe le problème et y déployer des ressources », explique Taylor. « Cela permet des traitements très ciblés. »
Galloway et Taylor ont développé ce cadre après que des scientifiques d'Environnement et Changement climatique Canada ont contacté Vector pour obtenir des solutions d'IA pour l'analyse de leur bibliothèque d'images de fonds lacustres. À partir de 1 600 photos des fonds des lacs Érié et Ontario prises entre 2016 et 2018, les chercheurs ont entraîné un modèle de vision par ordinateur à identifier les moules et à déterminer leur taux de couverture (le pourcentage de la surface occupée par les moules), leur abondance (le nombre de moules par unité de surface) et leur biomasse (le poids sec des moules par unité de surface). « Maintenant que nous disposons de l'ensemble de données et qu'il est accessible à tous, le travail d'annotation de ces images réalisé par les experts peut être repris par d'autres groupes qui utilisent cette technologie dans d'autres plans d'eau », explique Taylor. « Ça amplifie leurs efforts. »
Le cadre d'analyse a atteint un taux de concordance de 85 %, 79 % et 71 % avec l'analyse humaine d'experts concernant respectivement la couverture, l'abondance et la biomasse des moules, et présente plusieurs avantages par rapport aux méthodes d'analyse manuelles actuelles, notamment :
- la précision s'améliore avec le temps à mesure que le modèle apprend
- Le modèle améliore la rentabilité en analysant les images en quelques millisecondes, peu importe le nombre de moules par image.
- augmentation de la productivité des biologistes grâce à des efforts axés sur l'étiquetage d'images pour entraîner des modèles au lieu du comptage manuel des moules pour créer des cartes de densité.
« La méthode est déjà suffisamment précise pour estimer la couverture de moules dans les zones typiques des Grands Lacs, dans des conditions optimales », explique Galloway. « La prochaine étape consiste à combler l'écart de précision grâce aux plongeurs qui effectuent des relevés physiques sous l'eau. »
Ce cadre ouvre également la voie à d'autres applications environnementales. « Les progrès que nous pourrons réaliser dans l'étude des moules auront un impact sur les chercheurs travaillant sur d'autres problématiques d'écologie aquatique », explique Taylor. Grâce à des ajustements précis, le modèle pourrait être adapté à la détection d'autres espèces d'intérêt, comme le gobie à taches noires, une espèce envahissante, ou appliqué à d'autres milieux, comme la rivière Niagara ou l'océan côtier.
