Depuis maintenant plusieurs années, l’intelligence artificielle fait partie de notre quotidien et nous la rencontrons tout autour de nous. Ces technologies sont en plein essor et notamment le Deep Learning (ou apprentissage profond). Cette technologie est un processus d’apprentissage automatique grâce à des milliers de données. Pour concevoir et entrainer un réseau de Deep Learning il est nécessaire de posséder une grande base de données permettant à la machine d’apprendre puis nous permettant de tester ses performances. Le Deep Learning se base sur un réseau de neurones artificiels qui est composé d’une première couche recevant les données puis de plusieurs couches de neurones dites cachées qui vont analyser ces données puis, pour finir une couche de neurones qui va donner le résultat d’analyse. Il existe trois principaux types de réseaux de neurones de Deep Learning :

• CNN (Convolutional Neural Networks) principal réseau utilisé pour l’analyse d’images
• GAN (Generative Adversarial Networks)
• RNR (Recurrent Neural Networks).

            Une application des plus populaires du Deep Learning est la reconnaissance d’ «objet» sur des images. Des algorithmes de toutes sortes sont développés pour permettre à des outils de reconnaître des plantes, des personnes et autres… Dernièrement, en France, cette technologie a été développée dans le secteur de la biologie marine en vue de sa protection.

Recensement de la faune marine

En Nouvelle-Calédonie, un projet a été mené par plusieurs chercheurs des laboratoires Entropie, Limm, et de Marbec afin de recenser la faune sous-marine calédonienne. Pour cela, Laura Manocci, biologiste au laboratoire de Marbec, a filmé en ULM le lagon calédonien, dans lequel les eaux sont peu profondes ce qui offre une bonne visibilité depuis le ciel des animaux marins. Pour pouvoir recenser les animaux marins présents sur ces images prises depuis l’UML, les scientifiques ont utilisé un réseau CNN de Deep Learning qui permet de reconnaître des formes ou objets pour lesquels il a été entraîné. Comme dit précédemment, pour qu’un réseau de neurones puissent apprendre à reconnaître les formes que l’on souhaite il faut lui apporter une très grande quantité d’images qui va lui permettre d’apprendre. C’est là qu’est la deuxième originalité de ce projet. Pour réunir autant d’images que nécessaire pour entrainer leur réseau, les scientifiques ont eu l’idée de se créer une base de données à partir des images circulant sur les réseaux sociaux. Ils ont ainsi pu réunir une vingtaine de vidéo de dugong, animal emblématique de la région, leur permettant ainsi de le reconnaitre grâce au Deep Learning. Toutefois, ce projet a ses limites. En effet, pour les espèces rares et menacées, il est difficile de réunir suffisamment de données pour que le réseau puisse les reconnaître avec suffisamment de précision.

Ce projet va permettre de recenser et cartographier certaines espèces et ainsi mieux les protéger.

Des filets de pêche intelligents

En 2019, en Bretagne, a commencé le projet GAME OF TRAWLS (Giving Artificial Monitoring intElligence tO Fishing TRAWLS) qui consiste à développer un filet de chalutier intelligent. Ce projet réuni l’IFREMER de Lorient, la société Marport, le Comité départemental des pêches maritimes et des élevages marins du Morbihan, et des spécialistes en détection et réseaux de neurones de l’Université Bretagne Sud. Leur objectif à travers ce projet est de réduire le gaspillage de la pêche, causant de graves problèmes à l’environnement et à la faune marine. Ce filet permet de trier les poissons avant même de remonter le filet sur le chalutier, et ainsi éviter la mort de plusieurs tonnes de poissons non-commercialisables dû à des captures involontaires. Actuellement, 25 espèces sont intégrés dans cet outil. Ce triage est possible par un système de capteurs et de caméras embarqués sur le chalutier ainsi qu’une trappe qu’il est possible d’ouvrir grâce au logiciel lors d’une mauvaise prise. Ce projet nécessite énormément de données comme pour toute méthode de Deep Learning mais requiert également des données de température, de pH, et des données acoustiques pour classifier les poissons. Ce projet dont les tests et le terme est prévu pour ce mois-ci, permettra de réduire l’impact de la pêche sur la faune marine par triage des prises sous l’eau et non plus sur le bateau.

Conclusion

Ces deux projets nous montrent un aperçu de l’application du Deep Learning dans le domaine de la biologie marine au sein de projets visant à la protection de l’environnement, et comment cette nouvelle technologie peut être utilisée pour protéger la faune marine. Le Deep Learning est en plein développement et de nombreuses applications sont encore à développer. Ses performances et son développement dans certains domaines, comme ici la biologie marine, restent freinés par la quantité de données disponibles et nécessaires pour mener à bien ces projets.