Aumentando a ciência cidadã com visão computacional para monitoramento de peixes

Aumentando a ciência cidadã com visão computacional para monitoramento de peixes

O MIT Sea Grant trabalha com o Woodwell Climate Research Center e outros colaboradores para demonstrar um sistema baseado em deep learning para monitoramento de peixes.

Cada primavera, as populações de arenques-do-rio migram das águas costeiras de Massachusetts para iniciar sua jornada anual rio acima e riachos até habitats de desova em água doce. Os arenques-do-rio enfrentaram graves declínios populacionais nas últimas décadas, e sua migração é extensivamente monitorada em toda a região, principalmente por meio de contagem visual tradicional e programas baseados em voluntários. 

Monitorar o movimento dos peixes e compreender a dinâmica populacional são essenciais para informar os esforços de conservação e apoiar a gestão pesqueira. Com o início da corrida anual de arenques este mês, pesquisadores e gestores de recursos mais uma vez assumem o desafio de contar e estimar a população de peixes migrantes da forma mais precisa possível. 

Uma equipe de pesquisadores do Woodwell Climate Research Center, MIT Sea Grant, MIT Computer Science and Artificial Intelligence Lab (CSAIL), MIT Lincoln Laboratory e Intuit explorou um novo método de monitoramento usando vídeo subaquático e visão computacional para complementar os esforços de ciência cidadã. Os pesquisadores — Zhongqi Chen e Linda Deegan do Woodwell Climate Research Center, Robert Vincent e Kevin Bennett do MIT Sea Grant, Sara Beery e Timm Haucke do MIT CSAIL, Austin Powell da Intuit e Lydia Zuehsow do MIT Lincoln Laboratory — publicaram um artigo descrevendo este trabalho na revista Remote Sensing in Ecology and Conservation em fevereiro. 

O artigo de acesso aberto, “From snapshots to continuous estimates: Augmenting citizen science with computer vision for fish monitoring”, descreve como os avanços recentes em visão computacional e deep learning, desde detecção e rastreamento de objetos até classificação de espécies, oferecem soluções promissoras do mundo real para automatizar a contagem de peixes com eficiência e qualidade de dados aprimoradas. 

Os métodos de monitoramento tradicionais são limitados pelo tempo, condições ambientais e intensidade de trabalho. As contagens visuais de voluntários são limitadas a breves janelas de amostragem diurna, perdendo o movimento noturno e os curtos pulsos de migração, quando centenas de peixes passam em questão de minutos. Embora tecnologias como monitoramento acústico passivo e sonar de imagem tenham avançado cont

visão computacionalciência cidadãmonitoramento ambiental