Les poissons et les bulles ont beaucoup en commun quant à leur apparence lorsqu’ils sont scannés par les sonars utilisés pour la surveillance des environnements marins. Différencier les deux a été un défi pour les chercheurs et les scientifiques qui tentent de comprendre l’impact des dispositifs d’énergie marémotrice sur la vie marine de la baie de Fundy.
Maintenant, grâce à une nouvelle solution logicielle qui reproduit fidèlement ce qui était autrefois un processus manuel fastidieux, il faut deux fois moins de temps pour obtenir les mêmes résultats.
L’équipe DeepSense de Dalhousie contribue à simplifier, fiabiliser et optimiser la surveillance de l’environnement marin pour les projets d’énergie marémotrice en créant des applications personnalisées destinées aux chercheurs et aux développeurs.
Leurs travaux s’inscrivent dans le cadre du programme Pathway, une initiative de développement et de test technologique menée par l’OERA (Offshore Energy Research Association) et le FORCE (Fundy Ocean Research Centre for Energy). Les deux organisations coordonnent la recherche sur l’énergie marémotrice, et le FORCE exploite un site de recherche dans la baie de Fundy où les développeurs peuvent tester les dispositifs.
Présentation d’Échofilter
Grâce au programme Pathway, des chercheurs experts, dont les membres de l’équipe DeepSense, identifient et valident les solutions de surveillance environnementale les plus adaptées aux projets d’énergie marémotrice. DeepSense donne accès à des données océaniques fiables grâce à son expertise en apprentissage machine, une forme d’intelligence artificielle qui implique l’étude d’algorithmes informatiques s’améliorant automatiquement avec l’expérience.
Dans le cadre de ses travaux sur le programme Pathway, DeepSense a créé Echofilter, un nouveau logiciel qui utilise l’intelligence artificielle et des méthodes d’apprentissage automatique pour automatiser le traitement des résultats de surveillance environnementale des échosondeurs, un type de sonar qui utilise le son pour détecter les poissons et autres espèces marines.
Chris Whidden, professeur adjoint à la Faculté d’informatique, a dirigé la planification et la conception initiales d’Echofilter.
« Nous avons travaillé en étroite collaboration avec FORCE et OERA pour comprendre leurs défis spécifiques, proposer une conception initiale et la modifier au cours du projet », explique-t-il. « La première étape pour utiliser l’apprentissage machine afin d’améliorer les processus d’affaires consiste à comprendre les données et à identifier les plus gros coûts et pertes de temps. Cela peut s’avérer particulièrement complexe dans l’économie océanique, en raison des capteurs spécialisés, des logiciels de traitement exclusifs et des caractéristiques environnementales uniques. »
S’appuyant sur ces connaissances, Scott Lowe, postdoctorant en informatique, a utilisé les données existantes pour diriger la création d’un modèle d’apprentissage machine, réalisant ainsi des gains de temps considérables grâce à l’automatisation du processus d’analyse des données.
« Notre défi était de savoir si on pouvait automatiser cette tâche pour qu’un humain n’ait pas à passer autant de temps à supprimer manuellement toutes ces bulles de ses données ? » explique le Dr Lowe. « Le modèle d’apprentissage machine qu’on a entraîné est basé sur les données. Nous avons entraîné le modèle en utilisant des relevés antérieurs annotés par des experts humains et en lui demandant de générer la même ligne de séparation autour de l’air entraîné que celle étiquetée par l’humain. Après l’entraînement, le modèle produit des lignes de séparation très semblables à celles des annotateurs humains. »
Gain de temps
Le code développé par DeepSense est maintenant utilisé par FORCE. L’équipe FORCE a utilisé le logiciel sur plusieurs ensembles de données hydroacoustiques. On estime que le modèle réduit d’environ 50 % le temps humain consacré à l’analyse des données hydroacoustiques sur les poissons recueillies dans la baie de Fundy.
Echofilter est l’un des moyens par lesquels DeepSense stimule la croissance de l’économie océanique grâce à l’intelligence artificielle, à l’apprentissage machine et à la recherche appliquée sur les mégadonnées. Les travaux de l’équipe ont été rendus possibles grâce au financement et au soutien de l’Université Dalhousie, de l’Agence de promotion économique du Canada atlantique (APECA), de la province de la Nouvelle-Écosse, du Centre for Ocean Ventures and Entrepreneurship (COVE), de l’Ocean Frontier Institute (OFI) et d’IBM.
Un webinaire présentant la collaboration de l’équipe DeepSense avec FORCE et l’OERA, présenté par Jennifer LaPlante, directrice générale de DeepSense, et Chris Whidden, professeur adjoint à la Faculté d’informatique de l’Université Dalhousie, aura lieu le 25 mars de 13 h à 14 h (HAA). Tout le monde est invité à assister à la conférence Automatisation du post-traitement des relevés hydroacoustiques bruyants des poissons pour la surveillance des turbines marémotrices – l’inscription gratuite est disponible ici.