图1：MarineSitu公司开发了一种AI辅助相机系统，可以长时间监测水下环境。

MarineSitu是美国华盛顿州的一家新兴公司，公司于2017年作为华盛顿大学的子公司而成立。MarineSitu公司的创始人兼总裁James Joslin在华盛顿大学完成了研究生学业，在成立MarineSitu之前，他在华盛顿大学做了几年的研究工程师。在美国能源部的资助下，MarineSitu公司开始构建用于监测海洋生物和水下环境的集成式机器视觉系统，主要用于监测波浪能转换器和水下涡轮机等设备周围的条件；波浪能转换器和水下涡轮机被用于相对较新的可再生海洋能源行业，该行业被称为“蓝色经济”，通常指海洋资源的可持续经济发展。

将相机用于各种水下视觉系统应用，并不是什么新鲜事儿。然而，Joslin指出，大多数为水下应用而设计的相机，通常安装在水下无人机和潜水器上；它们只能部署有限的时间，就需要从水中取出进行清洁和维护。 

MarineSitu的系统最初设计用于监测鱼类种群趋势，以帮助确保水下涡轮机等设备不会危及或以其他方式对重要和/或濒危物种产生负面影响。

Joslin介绍说：“海洋能源是一个新兴的、不断发展的行业，需要一种方法来确保它对环境敏感。目前，尚且没有任何为长期部署而精心设计的相机系统。”

MarineSitu公司正着手开发一种可以在水下部署数月甚至数年的相机系统。具体来说，他们瞄准了蓝色能源公司，并在美国各地部署了系统。

Joslin说：“我们目前在夏威夷瓦胡岛的波浪能中心部署了一个系统。这是一个由美国海军运营的设施，旨在供波浪能开发商演示和测试他们的系统。我们的监测系统已经在水中使用了20个月，它目前看起来仍然很好。”

该监控系统有两个不同的组件，硬件包括相机、外壳、照明系统和控制器；以及计算机和软件，用于建立和训练AI模型以收集某些类型的数据进行分析。

MarineSitu公司选择了Allied Vision公司的Alvium GigE相机。这些相机具有高达5G的带宽、34.1M的像素分辨率和464fps的帧率；相机被集成到MarineSitu专门为水下长期低维护使用而设计的外壳中。相机还配备了美国Kowa公司的LM5JCM镜头。

“我们做了很多设计，”Joslin说，“它们必须耐腐蚀，所以大多数外壳都是由塑料部件制成的。”

外壳由带缩醛端盖的PVC塑料圆柱体和带铜扣环的硼硅酸盐观察口制成。铜材料具有一些固有的防污性能；它与一个可以扫过镜头以保持清晰的机械雨刷器相结合。

照明和能见度可能是一项挑战。部署的每个系统都含有一台相机，或两台相机以立体方式工作。每台相机都配有多达八个高功率LED光源；光源和相机与相机控制器（由MarineSitu建造）相连并同步。控制相机的计算机通常位于陆地上的可访问位置，并连接到互联网进行远程访问。如果相机系统包括一台以上的相机和/或光源，则还会与相机系统一起部署一个微控制器。该微控制器允许使用硬件触发器来同步不同的相机和光源。

图像直接在相机上数字化，相机通常采用GigE接口，通过以太网连接进行传输。由于标准无线连接在水下的范围非常有限，因此这些系统通常通过光纤电缆连接到岸边。

光源的数量和部署模式可能会有所不同，具体取决于部署深度、视野和其他因素。

“归根结底，这取决于水的清澈程度，”Joslin解释说，“在普吉特湾，可能有5~10英尺的能见度；在夏威夷，则可以从水面向下看到30米深的海底。”

将AI引入系统中

需要解决的一个问题是：决定保存哪些信息并用于分析。显然，在不断变化的水生环境中，相机一次全天候运行数月，将会捕捉到大量数据。收集到的数据比可以存储的数据多，需要的数据更少，这样可以很快完成分析。

MarineSitu最近与人工智能解决方案开发商Plainsight合作，开发可以有效解析大量数据的AI模型，只识别和保存特定监控场景所需的数据。

然而，直到最近，默认的监控过程主要包括真人在指定的时间段内实时监控视频屏幕，手动记录他们观察到的情况，并试图从这些观察中推断出所需的数据。

阿拉斯加大学参与了一项关于在阿拉斯加州Igiugig小镇附近的Kvichak河安装两台发电涡轮机的研究。多年来，这个偏远的小镇所有的能源都是用柴油生产的，柴油必须空运到小镇上，这使得电力成本非常昂贵。该镇和阿拉斯加州想知道水下涡轮机发电，是否是一个可行且成本效益高的解决方案。

然而，这条原始的河流是世界上最大的鲑鱼生存的河流之一，该州许多人将渔业经济作为生计的重要组成部分。他们希望确保涡轮机不会对鱼类产生负面影响，也不会造成任何其他环境影响。

两台涡轮机被放置在河床上的水下。MarineSitu在涡轮机附近部署了一套相机系统，阿拉斯加大学的科学家对其进行了物理监测和数据收集。

Joslin说：“基本上需要人们夜以继日地工作，一次监控电脑屏幕六个小时，他们对在屏幕上观察到的鱼进行手工计数。”

Joslin和Plainsight联合创始人兼首席产品官Elizabeth Spears都指出，虽然数据收集和分析尽可能彻底，但很明显，这一过程将从AI辅助模型中受益匪浅。

“这是一项非常劳动密集型的工作。过去，对于海洋环境，只能通过快照进行监测。”Spears说，“现在有了AI模型，你所能做的监控质量和水平就有了昼夜之差。”

为了开发AI模型，Plainsight团队收集数据，对其进行标记或注释，然后训练AI模型来识别他们希望识别的任何参数和目标——在该应用场景中，被识别的目标是特定的鱼类。随着模型的学习，会有更详细的数据，从而能进行更详细的分析。

“它可以很容易地从识别和计数个体发展到识别行为和迁移模式，甚至检测潜在的污染事件等环境变化。”Spears说，“它最终能做的事情真的没有限制。”

图2：Plainsight开发的AI模型可以被训练来识别水下环境中的元素，例如某些鱼类。

接下来做什么？

Kvichak河的研究仍在进行中，但参与研究的人员已经看到了AI辅助的好处。

Joslin说：“到目前为止，我们收到的反馈很好，毫无疑问，这将成为AI辅助水下监测好处的一个很好的案例研究。”

MarineSitu在多个地点部署了检查系统，包括华盛顿大学用于监测普吉特湾实验涡轮机系统的检查系统，以及部署在夏威夷海军波浪能中心的检查系统。此外，Joslin表示，MarineSitu正在与太平洋西北国家实验室合作，该实验室将在一个为期十年的基础设施项目中，使用AI辅助系统。

Joslin表示，该系统可用于蓝色经济其他领域的检查/监测应用，包括基础设施项目、渔业和鱼类孵化场分析以及农业流程。

系统本身包含基本相同的组件，但配置、模型和部署则会根据每个项目和客户的需求而异，因此每个系统在集成和启动过程中，都需要一些定制和帮助。例如，一个系统正在用于水电大坝系统，监测使用“鱼梯”的鱼类数量，“鱼梯是安装在大坝上的一系列平台，允许洄游鱼类在大坝上来回游动。在这种情况下，没有必要在水下放置相机。

但是，无论是在构建能够承受长期部署的严格要求的系统方面，还是在维护这些系统方面，仍然存在挑战。Joslin表示，要实现“开发一套完全交钥匙系统”的目标，从相机和数据采集，到机器视觉解决方案和基于云的数据库，都需要一种严谨的多学科方法。

然而，Joslin相信MarineSitu的未来是光明的。“我们已经做好了与蓝色经济一起增长的准备。”Joslin说道。