L’intelligence artificielle surveille la vie sous-marine – Automatisation du suivi de la biomasse

Le client est un institut de recherche allemand de premier plan, spécialisé dans les sciences polaires, climatiques et marines. Son antenne de Kiel se consacre aux solutions innovantes pour une aquaculture durable. L’un des projets phares portait sur l’élevage industriel de crevettes, avec pour objectif d’optimiser les processus de production et de surveiller la santé animale. En collaboration avec l’équipe de recherche de Kiel, nous avons lancé le développement d’un système permettant le comptage automatique et non invasif des crevettes, ainsi que l’analyse de la dynamique de leur biomasse.

L’un des principaux défis rencontrés par l’institut était la nécessité de surveiller régulièrement le nombre de crevettes et l’évolution de leur biomasse. Ces données sont essentielles pour évaluer la qualité de l’élevage, planifier les ventes et prendre des décisions de production éclairées. Jusqu’à présent, les données étaient collectées manuellement par échantillonnage — une méthode non seulement chronophage et imprécise, mais également stressante et potentiellement nuisible pour les animaux.

L’objectif était donc de développer un système capable de compter automatiquement les crevettes sans avoir à les extraire. Les critères clés comprenaient une grande précision de mesure, une résistance aux conditions variables (éclairage, densité et couleur des crevettes, angle de la caméra), ainsi que la possibilité d’effectuer des mesures en continu sans perturber le fonctionnement de la ferme.

Étape 1 : Prototype et démarrage rapide

Pour valider rapidement le concept, nous avons développé une première version du système utilisant un iPhone alimenté en continu, prenant des photos toutes les minutes. Ces images étaient automatiquement envoyées à un serveur. Bien que temporaire, cette solution a permis de tester la qualité des données et de révéler les premières limitations techniques, telles que les problèmes de Wi-Fi dans la salle d’élevage.

Étape 2 : Déploiement de l’infrastructure technique

Après le succès du prototype, nous avons fourni des équipements professionnels pour l’acquisition d’images ainsi qu’un environnement de calcul (serveurs) capable de traiter les données de manière continue et stable. Toute l’architecture du système a été conçue sur mesure pour les besoins de la vision par ordinateur (CV).

Étape 3 : Construction et test des modèles d’IA

Nous avons commencé à développer le module d’intelligence artificielle responsable de l’analyse des images :

1. Un jeu de données diversifié a été créé et annoté (conditions de lumière variées, densités différentes, angles de caméra, couleurs des crevettes).
2. Trois architectures ont été testées : Faster R-CNN (détecteur en deux étapes), YOLOv5 (détecteur en une seule étape) et un modèle basé sur les cartes de densité avec U2-Net.
3. Nous avons conçu des couches neuronales personnalisées et utilisé une augmentation de données intensive pour améliorer la précision du modèle dans des conditions complexes, comme une forte densité de crevettes.

Étape 4 : Validation et optimisation

Les modèles ont été testés sur un ensemble d’images indépendantes, incluant des données hors distribution.

• YOLOv5 a obtenu les meilleurs résultats avec une erreur relative de comptage d’environ 6 %.
• Le système a réussi à traiter des scènes contenant plus de 200 crevettes par image.

Étape 5 : Visualisation et accès aux résultats

Pour permettre à l’équipe de recherche de suivre le système en temps réel, nous avons développé une application web légère avec Streamlit. Elle permet la visualisation en direct des résultats ainsi que la consultation des données archivées.

• Surveillance continue de l’élevage – prises de vue toutes les minutes, analyse en temps réel
• Données précises sur la population et la biomasse – meilleure gestion de la production et des ventes
• Réduction du stress et des blessures chez les crevettes – plus besoin de les extraire
• Automatisation des tâches manuelles fastidieuses – gain de temps et de ressources humaines
• Potentiel de mise à l’échelle – adaptable à d’autres types d’élevages (saumons, homards, moules)
• Retour positif et perspectives de commercialisation – le client a décidé de poursuivre le développement au-delà de la phase PoC