L’intelligence artificielle SharkSpotter, développée par l’Université de Technologie de Sydney, améliore la sécurité des plages en détectant les requins avec une précision de 90 %. Bien que ces systèmes dominent le marché actuel, des recherches récentes soulignent des limites persistantes dans des conditions marines difficiles et une efficacité réduite en mode autonome.
La technologie SharkSpotter face aux défis de l’océan
La surveillance des zones de baignade subit une mutation technologique majeure. Le système SharkSpotter, conçu par le professeur Michael Blumenstein et son équipe de l’Université de Technologie de Sydney (UTS), s’impose comme la référence opérationnelle. Déployé sur plus de 50 plages en Australie, notamment dans le Queensland et en Nouvelle-Galles du Sud, ce dispositif analyse le flux vidéo des drones Westpac Little Ripper en temps réel.
L’IA repose sur l’apprentissage profond pour classer les objets détectés parmi seize catégories. Pour atteindre une précision de 90 %, le système croise trois indicateurs : la silhouette, le mouvement et le comportement. Le grand requin blanc nage en n’agitant guère que sa queue, une locomotion dite thunniforme qui, vue du ciel, dessine une signature très différente de l’ondulation souple d’un dauphin
, explique l’analyse technique. Cette rigueur permet au système de surpasser nettement les observateurs humains, dont l’efficacité oscille entre 12,5 % et 20 % selon le mode de patrouille aérienne.
L’évolution vers la mémoire temporelle avec FLAIR
La détection en milieu marin reste complexe en raison de l’instabilité visuelle causée par les vagues et les reflets. Pour pallier la perte de suivi d’une cible lors d’un plongeon ou d’une perturbation de surface, les chercheurs ont introduit le modèle FLAIR (Frame Level ALIgnment and tRacking), publié en janvier 2025. Ce système utilise SAM 2 (Segment Anything Model 2) et CLIP (Contrastive Language-Image Pre-training) pour conserver en mémoire la position d’un objet même lorsqu’il est temporairement masqué.
Cette conscience temporelle permet de filtrer les fausses alertes, comme les ombres ou les débris, en prolongeant la trajectoire de l’animal. Bien que FLAIR atteigne un score Dice de 0,81, il demeure actuellement un outil de recherche écologique, les applications commerciales de sécurité restant confiées aux versions éprouvées du système SharkSpotter.
Limites opérationnelles et automatisation
Malgré ces avancées, l’IA rencontre des obstacles physiques incontournables. L’eau turbide, limitant la visibilité à moins de 1,5 mètre, neutralise l’efficacité de la détection. De plus, des éléments naturels comme les vastes étendues d’algues ou les récifs sont parfois confondus avec des squales, tandis que certaines espèces, telles que la raie-guitare, peuvent induire le système en erreur.
Le degré d’automatisation des stations autonomes, dites « drone-in-a-box », fait également l’objet d’un examen critique. Une étude publiée en 2026 par Monteforte et al. à la Southern Cross University met en lumière un écart de performance notable :
| Mode de pilotage | Taux de manqués |
|---|---|
| Drone autonome | 52,4 % |
| Drone piloté manuellement | Environ 30 % |
Ces données soulignent que, bien que prometteuses, les technologies de surveillance automatique ne peuvent pas encore totalement se substituer à l’intervention humaine, dont la précision reste supérieure dans les conditions de terrain actuelles. La recherche se concentre désormais sur l’amélioration de la fiabilité de ces systèmes autonomes pour réduire ce taux d’échec significatif.