การใช้ Deep Learning Model และ Computer Vision เพื่อช่วยในการอนุรักษ์แนวปะการัง
Dell Technologies ได้พัฒนา deep learning model เพื่อเพิ่มความรวดเร็วในการติดฉลากและวิเคราะห์ภาพถ่ายแนวปะการัง ที่ถ่ายโดย Citizens of the Great Barrier Reef ซึ่งเป็นองค์กรอนุรักษ์องค์กรหนึ่งในออสเตรเลีย
ภาพใต้น้ำที่ถ่ายโดยนักประดาน้ำและนักดำน้ำตื้นที่ออกทะเลด้วยเรือประดาน้ำและเรืออื่นๆได้ถูกนำมาใช้สำหรับ Great Reef Census (GRC) ประจำปี เพื่อยืนยันความสมบูรณ์ของแนวปะการัง Great Barrier Reef ซึ่งทอดยาว 2,400 กม. ไปตามชายฝั่งตะวันออกของประเทศออสเตรเลีย
ในปีแรกของโครงการเราสามารถรวบรวมภาพได้กว่า 13,000 ภาพ ที่ถ่ายมาจากแนวปะการัง 240 แนว ทำให้โครงการนี้เป็นหนึ่งในโครงการวิทยศาสตร์พลเมือ (citizen science project) ที่ใหญ่ที่สุดในโลก ตามคำกล่าวอ้างของ Andy Ridley ผู้ก่อตั้ง และ CEO ของ Citizens of the Great Barrier Reef.
แต่การทำความเข้าใจกับภาพอาจใช้เวลานาน ในการสำรวจสำมะโนครั้งแรกนักวิทยาศาสตร์พลเมืองใช้เวลา 1,516 ชั่วโมงในการที่จะวิเคราะห์ภาพทั้งหมด โดยอาสาสมัครแต่ละคนใช้เวลาประมาณเจ็ดนาทีต่อภาพ นอกจากนี้ยังมีเรื่องของความถูกต้องเนื่องจากนักวิทยาศาสตร์พลเมืองมีแนวโน้มที่จะระบุแนวปะการังได้แม่นยำน้อยกว่ามืออาชีพ
ซึ่งจุดนี้เองที่ทาง Dell ได้ทำการพัฒนา deep learning model ที่จะช่วยจำแนกแนวปะการังโดยใช้วิธี sematic segmentation ซึ่งจะสามารถทำการ label ภาพถ่ายได้ในเวลาไม่ถึง 10 วินาที จากนั้นนักวิทยาศาสตร์พลเมืองจะตรวจสอบความถูกต้องอีกครั้ง
Aruna Kolluru หัวหน้านักเทคโนโลยีปัญญาประดิษฐ์ที่ Dell Technologies Asia-Pacific กล่าวว่าการ deep learning model จะแม่นยำยิ่งขึ้นด้วยการ training (ในแบบของ deep learning) ที่มากขึ้น และนั่นคือสิ่งที่เรากำลังดำเนินการเพื่อเพิ่มความแม่นยำในการวิเคราะห์ โดยการใช้ สถาปัตยกรรมของแบบจำลอง และข้อมูลใหม่ๆ
ปัจจุบันแบบจำลองสามารถทำให้เกิดความแม่นยำได้ราวๆ 67% ซึ่งก็นับว่าสูงแล้วเนื่องจากมันเป็นการยากที่จะวิเคราะห์ข้อมูลจากวัตถุจากธรรมชาติ ระบบนี้คาดว่าจะสามารถนำมาใช้งานจิรงได้ในราวเดือน พฤศจิกายน คศ 2022 ซึ่งขณะนี้อยู่ในระหว่างการทดสอบเพิ่มเติม
นอกจากการใช้ Deep Learning แล้ว ที่สถาบันวิทยาศาสตร์ทางทะเลแห่งออสเตรเลีย (Aims) ได้ดำเนินการตรวจสอบสุขภาพของแนวปะการังและระบบนิเวศทางทะเลในออสเตรเลียโดยการใช้ computer vision ซึ่งเป็นความร่วมมือกับพาร์ทเนอร์อย่าง Accenture
เทคโนโลยีนี้สามารถนำมาช่วยในการวิเคราะห์ภาพแนวปะการังจากฐานข้อมูลของ Aims กว่า 6,000 ภาพ ซึ่งถ่ายจากหกภูมิภาคมหาสมุทร (ocean regions) ที่แตกต่างกันโดยอัตโนมัติ เพื่อแยกแยะภาพที่เกี่ยวข้องกับการ ฟอกขาว ออกจากสิ่งอื่นๆ เพื่อช่วยให้นักวิจัยสามารถเข้าใจการตอบสนองของปะการังแต่ละชนิดที่มีผลต่อการฟอกขาว
Richard McNiff ผู้อำนวยการด้าน นวัตกรรมเร่งด่วน (rapid innovation) ของ Accenture กล่าวว่า ก่อนหน้านี้นักวิจัยต้องทำการวิเคราะห์และติดป้าย (label) ภาพต่างๆเหล่านี้ด้วยตนเอง ซึ่งมีขีดจำกัดในการวิเคราะห์ภาพและทำให้กระบวนการในการปกป้องแนวปะการังช้าลงเป็นอย่างมาก ซึ่งการใช้ computer vision มาช่วยทำเรื่องเหล่านี้แบบอัตโนมัติ จะสามารถทำให้กระบวนการติดฉลากเป็นไปอย่างรวดเร็วและมีรายละเอียดมากขึ้น และจะช่วยให้สามารถวิเคราะห์ภาพในเชิงลึกมากขึ้นไปอีกได้
ที่มา: computerweekly.com