دراسة حالة: DeepPlastic وYOLOv5

البلاستيك يخنق الحياة البحرية: كل دقيقة، يتم إلقاء شاحنتي قمامة من البلاستيك في محيطاتنا، وهو ما يعادل أكثر من 10 ملايين طن سنوياً. يذكر علماء DeepPlastic أن هذا البلاستيك البحري يشكل تهديدات مجتمعية على "البيئة البحرية، وسلامة الغذاء، وصحة الإنسان، والسياحة البيئية، والمساهمة في التغير المناخي."

ولمكافحة ذلك، كان هذا الفريق من الباحثين والمهندسين يبحث في كيفية استخدام الرؤية الحاسوبية للقضاء على البلاستيك في محيطاتنا.

باستخدام تقنية التعلم العميق، طور باحثو DeepPlastic نهجاً يستخدم مركبات ذاتية القيادة تحت الماء (AUVs) لمسح البلاستيك الموجود أسفل سطح المحيط مباشرة وتحديده وتقدير كميته، حيث لا يزال الضوء قادراً على النفاذ، أو ما يُعرف بطبقة النطاق الضوئي (Epipelagic layer).

"كان هدفنا هو الحصول على نموذج صغير جداً يتمتع بسرعة استنتاج عالية جداً يمكن استخدامه لاكتشاف البلاستيك." Jay Lowe، باحث في التعلم الآلي

قام فريق DeepPlastic بتدريب نموذجين صغيرين ودقيقين، YOLOv4 و YOLOv5، مما سمح باكتشاف الأشياء في الوقت الفعلي. تم تدريب هذه النماذج على مجموعة بيانات DeepTrash، والتي تتكون من:

• 1900 صورة تدريب، 637 صورة اختبار، 637 صورة تحقق (تقسيم بنسبة 60، 20، 20)
• صور ميدانية ملتقطة من بحيرة تاهو، وخليج سان فرانسيسكو، وخليج بوديجا في كاليفورنيا.
• صور من الإنترنت

"كنا نبحث عن خوارزمية لاكتشاف الأشياء تنتج دقة عالية وسريعة للغاية. البيئات المحيطية التي نعمل فيها هي تضاريس قاسية وصعبة. لقد حقق YOLOv5 المطلوب على جميع الأصعدة كأفضل نموذج لاكتشاف الأشياء كان بإمكاننا استخدامه." "نحن نحب استخدام YOLOv5 لأنه سهل الإعداد والاستخدام للغاية، وقد كان ينتج النتائج التي أردناها باستمرار." "بالنسبة لأي نماذج مستقبلية سنقوم بنشرها، سننظر إلى YOLOv5 كخيارنا الأول بلا أدنى شك." Gautam Tata، باحث في التعلم الآلي

اطلع على مستودع DeepPlastic، والورقة البحثية المنشورة، وملخص الفيديو.