Para contribuir a la prevención de víctimas por corrientes de resaca, la Agencia Hidrográfica y Oceanográfica de Corea (KHOA) aplicó tecnologías de detección de objetos y clasificación de imágenes a los sistemas de monitoreo de corrientes de resaca en tiempo real. Estas tecnologías han atraído recientemente la atención en los campos de la inteligencia artificial y la visión artificial. Permiten identificar corrientes de resaca en imágenes en tiempo real y transmitir información sobre su aparición al personal de monitoreo, lo que permite una respuesta inmediata.

Las corrientes de resaca, consideradas una de las principales causas de accidentes en las playas para nadar durante la temporada de verano, son corrientes de agua de mar fuertes y estrechas que fluyen desde la costa hacia el mar abierto y se producen principalmente en playas con una pendiente amplia y suave. Las corrientes de resaca se producen brevemente y luego desaparecen, a menudo en buenas condiciones climáticas, lo que dificulta su observación directa en la costa e identificación de sus características. Para abordar este problema, la KHOA comenzó a aplicar tecnologías de inteligencia artificial y visión artificial, como la detección de objetos y la clasificación de imágenes, en áreas de alto riesgo de corrientes de resaca (ver Figura 1) donde están operativos los sistemas de monitoreo de corrientes de resaca en tiempo real. La transmisión de información sobre la aparición de corrientes de resaca al personal permite una respuesta rápida antes de que pueda ocurrir un incidente.

Desarrollo de tecnología de detección automática de corrientes de resaca

La KHOA desarrolló la tecnología de detección automática de corrientes de resaca en la playa de Haeundae, una zona con corrientes de resaca frecuentes y muchos casos de víctimas con patrones de ocurrencia distintos que está cubierta por un sistema de monitoreo de corrientes de resaca en tiempo real. Esta tecnología aplicó el modelo de detección de objetos YOLOv8 (You Only Look Once, versión 8) de Ultraltytics basado en imágenes de CCTV de un sistema de vigilancia de corrientes de resaca en tiempo real. A diferencia de los modelos de detección de objetos existentes que buscan regiones de interés en una imagen varias veces utilizando una ventana deslizante o examinan múltiples regiones candidatas utilizando un método de propuesta de región, YOLOv8 detecta objetos observando la imagen completa a la vez, lo que mejora significativamente la velocidad de detección en comparación con los modelos existentes y lo hace aplicable a la detección de objetos en tiempo real.

  

El principio de funcionamiento de YOLOv8 es el siguiente (ver Figura 2):

• Segmentación de imagen (división de cuadrícula): la imagen de entrada se divide en cuadrículas N×N, donde cada celda de la cuadrícula juzga la posibilidad de que exista un objeto en la imagen.
• Predicción de cuadro delimitador: cada celda de la cuadrícula predice múltiples cuadros delimitadores y el puntaje de confianza de cada cuadro.
• Predicción de probabilidad de clase: se predice la probabilidad de que cada cuadro delimitador pertenezca a una clase de objeto específica.
• Supresión no máxima (NMS): el resultado de detección final se obtiene manteniendo el cuadro con la mayor confianza entre los cuadros superpuestos y eliminando el resto.

Para que el modelo YOLOv8 detectara las corrientes de resaca, los investigadores tuvieron que entrenarlo con imágenes de corrientes de resaca e información sobre ellas. Se utilizaron tres años de datos para generar datos de entrenamiento utilizando imágenes de cuatro CCTV ubicadas en la playa de Haeundae para verificar el algoritmo. Se pudieron identificar dos clases en las imágenes de CCTV: RipCurrent y RipDoubt. RipCurrent se refiere a un caso en el que claramente se produce una corriente de resaca y el flujo que sale del agua es visible. RipDoubt, sin embargo, se refiere a un caso en el que la forma de la corriente de resaca no está clara. Una forma de ola rompiente, como una ruptura en la cresta de la ola que avanza o dos o más crestas de ola cruzándose, también muestra que se ha producido una corriente de resaca. Además, se agregó una imagen sin corriente de resaca como fondo para evitar la detección falsa de corrientes de resaca en situaciones en las que no surgen corrientes de resaca.

Aprendizaje, verificación y prueba de imágenes

El conjunto de datos final consistió en 58.000 imágenes. Estas se dividieron, utilizando una proporción específica, en imágenes de aprendizaje, verificación y prueba. El modelo YOLOv8 se desarrolló utilizando los datos de aprendizaje y verificación para el entrenamiento y se evaluó utilizando los datos de prueba. El rendimiento se evaluó calculando la precisión (la proporción de objetos predichos correctamente, que indica la probabilidad de que el objeto predicho como A sea A), la recuperación (cuántos de los objetos que deberían ser correctos eran correctos y cuántas de las imágenes con múltiples objetos llamados A se verificaron como A) y mAP (precisión media promedio; un valor que calcula la precisión promedio en varias categorías y es un indicador de la precisión de la predicción del modelo en múltiples clases (RipCurrent, RipDoubt)).

El índice de rendimiento de las imágenes de CCTV mostró que la precisión fue de 0,903 (90,3 %), la recuperación de 0,917 (91,7 %) y el mAP de 0,950 (95,0 %), todas ellas con excelentes rendimientos de verificación de más del 90 % (Figura 3).

Se construyó un proceso automático de detección de corrientes de resaca utilizando el modelo desarrollado y se aplicó para cada cuadro de las imágenes de CCTV en tiempo real. Si la detección de una corriente de resaca duraba menos de ocho segundos, se consideraba "no detectada"; si duraba entre ocho y once segundos, se consideraba una "detección preliminar" y, si duraba más de once segundos, se consideraba una "detección real". El tiempo de ocurrencia de la corriente de resaca se muestra en la pantalla y parpadea para alertar al personal de monitoreo si excede un límite.

Figura 3: Ejemplos de predicción de una corriente de resaca utilizando CCTV con YOLOv8 en Haeundae en Busan.

Conclusión

Las corrientes de resaca, que son difíciles de predecir, son un fenómeno natural que amenaza las playas y que puede provocar accidentes mortales. La tecnología que detecta rápidamente y clasifica con precisión estas corrientes de resaca es esencial para la seguridad marítima. Al combinar la tecnología de detección automática de corrientes de resaca desarrollada a través de este estudio con imágenes en tiempo real de un sistema de monitoreo de corrientes de resaca en tiempo real, se ha establecido un sistema que puede responder con mayor precisión y rapidez a la aparición de corrientes de resaca. Esta tecnología podría aplicarse a más playas y entornos marinos en el futuro para acumular datos y mejorar el rendimiento del modelo construido. Esto reduciría la pérdida de vidas causada por las corrientes de resaca y crearía un océano más seguro.