Алгоритм распознавания водных растений в реальном времени на мобильных устройствах на основе глубокого обучения для интеллектуального экологического мониторинга

Почему важно распознавать водные растения с помощью телефона

Водные растения — это не просто украшение прудов и озёр: они фильтруют загрязнения, обеспечивают кислород и служат укрытием для рыб и насекомых. Но когда неподходящие виды распространяются слишком быстро, они могут заглушить водоёмы и нарушить целые экосистемы. В этом исследовании представлен новый способ автоматического распознавания различных типов водных растений с помощью обычного смартфона, что помогает учёным и менеджерам водных ресурсов следить за хрупкими экосистемами в реальном времени вместо того, чтобы полагаться только на медленные ручные обследования.

Сложности наблюдения за жизнью под поверхностью

Здоровье озёр и рек зависит от тонкого баланса местных водных растений. Они поглощают питательные вещества и вредные вещества из воды, поддерживают её прозрачность, а также обеспечивают пищу и укрытие для дикой природы. Инвазивные виды, однако, могут быстро захватить среду, блокируя судоходство, снижая уровень кислорода и вредя рыболовству. Традиционно идентификация таких растений требовала выездов экспертов, сбора и ручной классификации образцов — процесс, который занимает много времени, дорог и трудно повторяется с нужной частотой, чтобы зафиксировать быстрые изменения, вызванные климатом и деятельностью человека.

От громоздких компьютеров к детекторам растений в кармане

В последние годы искусственный интеллект научился выделять объекты на фото и видео с впечатляющей точностью, и исследователи применили его к сорнякам, сельскохозяйственным культурам и некоторым водным растениям. Тем не менее большинство таких систем работают на мощных настольных компьютерах или серверах. Лёгкие версии для телефонов или дронов обычно жертвуют точностью или требуют больше вычислительных ресурсов, чем могут предоставить небольшие устройства. Авторы сосредоточились на этом узком месте: как сохранить быстроту и точность обнаружения, одновременно уменьшив модель, чтобы она плавно работала на мобильном телефоне у береговой линии.

Более умный и экономный способ видеть растения в сложной водной среде

Команда опирается на YOLOv8n — популярную модель «you only look once» для обнаружения объектов, изначально спроектированную как относительно компактная. Они переработали два ключевых блока внутреннего конвейера, чтобы лучше справляться с мелкими и средними по размеру водными растениями на фоне загромождённой, отражающей поверхности. Во‑первых, новая голова «Faster Detect» сосредотачивает внимание на размерах растений, наиболее часто встречающихся в реальном мире, улучшая очерчивание и маркировку объектов. Во‑вторых, переработанный блок обработки признаков «C2f‑UIB» более эффективно смешивает мелкие детали и широкую информацию о сцене, позволяя сети различать похожие виды при меньших вычислительных затратах. Вместе эти изменения формируют новую модель APlight‑YOLOv8n, специально адаптированную для мониторинга водных растений.

Полевые испытания модели

Чтобы проверить работоспособность APlight‑YOLOv8n вне лаборатории, авторы обучают и тестируют её на более чем двух тысячах изображений высокого разрешения рек, болот и рыбных прудов, охватывающих двенадцать видов растений четырёх форм роста: прибрежные (emergent), плавающие, с плавающими листьями и погружённые. Снимки включают мутную воду, налегающие друг на друга листья и растения, частично скрытые другими объектами. По сравнению с оригинальным YOLOv8n и несколькими другими известными моделями обнаружения новый дизайн оказался одновременно компактнее и умнее. Он сокращает число настраиваемых параметров и требуемых операций более чем на четверть, при этом обнаруживает растения точнее — особенно прибрежные и плавающие виды. При установке на смартфон с Android модель обрабатывает примерно 33 видеокадра в секунду при сканировании на наличие растений, что достаточно быстро для работы в реальном времени вдоль берегов или с небольших лодок.

Ограничения, дальнейшие шаги и значение для чистоты воды

Хотя APlight‑YOLOv8n в целом показывает хорошие результаты, ей по‑прежнему сложнее распознавать погружённые растения, контуры которых легко размываются в мутной воде, из‑за отражений и недостатка света. Текущий набор данных также охватывает ограниченный набор видов из конкретного региона, поэтому потребуются дополнительные изображения из других климатов и растительных сообществ, чтобы превратить это в глобально надёжный инструмент. Исследователи предлагают в будущем усилить чувствительность модели к слабым подводным сигналам и адаптировать её для других мобильных платформ, таких как дроны и энергоэффективные встроенные платы.

Новый инструмент для более быстрого и умного охранения вод

Для неспециалистов основное послание простое: это исследование показывает, что обычный смартфон, оснащённый тщательно разработанной моделью ИИ, может быстро распознавать многие типы водных растений в реальном времени. Делая мониторинг дешевле, быстрее и гибче, APlight‑YOLOv8n может помочь менеджерам водных ресурсов отслеживать инвазивные виды, планировать мероприятия по контролю за растительностью и защищать водные местообитания до того, как проблемы выйдут из‑под контроля. Это ранний, но многообещающий шаг к тому, чтобы продвинутые инструменты экологического мониторинга оказались прямо в руках людей, работающих у кромки воды.

Цитирование: Wang, D., Dong, Z., Yang, G. et al. A real-time mobile aquatic plant recognition algorithm based on deep learning for intelligent ecological monitoring. Sci Rep 16, 5075 (2026). https://doi.org/10.1038/s41598-026-35310-1

Ключевые слова: водные растения, инвазивные виды, экологический мониторинг, мобильное глубокое обучение, обнаружение объектов