Наши океаны и побережья задыхаются от антропогенного мусора. Ежегодно более 11 миллионов тонн пластика попадает в Мировой океан, превращая некогда чистые воды и берега в свалки. На Камчатке, известной своей уникальной природой, эта проблема стоит особенно остро. Пластиковые бутылки, обрывки рыболовных сетей, фрагменты лодок, строительные отходы и даже бетонные конструкции уродуют побережье, создавая серьезную угрозу для морских экосистем. Ситуация усугубляется труднодоступностью многих участков камчатского берега, что делает ручную уборку мусора невероятно сложной и ресурсозатратной задачей.
В ответ на этот экологический вызов на Камчатке реализуется проект «Чистый берег». В рамках этого проекта, при участии специалистов Yandex Cloud, студентов Школы анализа данных и ученых Дальневосточного федерального университета, была разработана облачная нейросеть. Эта технология призвана стать глазами и аналитическим центром для планирования очистных мероприятий. Искусственный интеллект (ИИ) был обучен не просто обнаруживать мусор на фотографиях побережья, но и классифицировать его по шести основным типам: пластик, дерево, резина, железо, бетон и рыболовные сети. Кроме того, нейросеть способна определять границы загрязненных участков на снимках и давать оценку примерного объема накопившихся отходов.
В основе технологии лежит метод семантической сегментации изображений, относящийся к области компьютерного зрения. Он позволяет с высокой точностью выделять конкретные объекты на фотографиях. Для обучения модели команда Школы анализа данных создала специализированное приложение. В нем эксперты размечали фотографии побережья, указывая на мусор простыми кликами мыши. Система мгновенно реагировала, выделяя объекты, а человек мог уточнить границы, добавляя позитивные или негативные метки. Такой интерактивный подход позволил достичь высокой точности разметки при минимальных временных затратах.
Особую ценность этот метод представляет в сложных условиях, когда мусор частично скрыт под камнями, занесен песком или покрыт водорослями – ситуациях, типичных для диких побережий. Чтобы нейросеть эффективно работала на различных типах берегов – галечных, песчаных, покрытых растительностью – и не путала мусор с элементами ландшафта, разработчики применили метод аугментации данных. Они искусственно увеличили обучающую выборку, используя алгоритмы преобразования изображений и генеративные нейросети, такие как StarGAN. Это сделало модель значительно более устойчивой к разнообразным условиям съемки и особенностям местности.
Практические результаты не заставили себя ждать. В ходе первой же экспедиции, спланированной с использованием данных, предоставленных нейросетью, удалось эффективно очистить участок территории Южно-Камчатского заказника, вывезя оттуда около 5 тонн мусора. Этот успех демонстрирует потенциал технологии для оптимизации логистики и повышения эффективности очистных работ.
Создатели проекта видят большие перспективы для его масштабирования. Разработанная модель может быть адаптирована для мониторинга и очистки других побережий России, включая уязвимые арктические регионы. Технологию также можно легко интегрировать в геоинформационные системы, что позволит создавать подробные карты очагов загрязнения и отслеживать динамику ситуации.
Однако текущая версия нейросети в проекте «Чистый берег» способна распознавать только твердые бытовые отходы. Проблема жидких загрязнений, таких как разливы мазута, остается более сложной. Мазут часто смешивается с водой, его сложно отличить на спутниковых или фотографических снимках. Над решением этой задачи работает другая группа исследователей: специалисты Российской академии наук при технологической поддержке Яндекса разрабатывают сервис спутникового мониторинга для обнаружения мазутных пятен. Это направление является критически важным дополнением к усилиям по борьбе с твердым мусором, ведь нефтяные загрязнения несут не меньшую угрозу морским экосистемам.