البلاستيك يخنق الحياة البرية البحرية: في كل دقيقة، يتم إلقاء حمولة شاحنتين من البلاستيك في محيطاتنا، أي ما يعادل أكثر من 10 ملايين طن سنويًا. يذكر علماء DeepPlastic أن هذا البلاستيك البحري يشكل تهديدات مجتمعية على "البيئة البحرية، وسلامة الأغذية، وصحة الإنسان، والسياحة البيئية، والمساهمات في تغير المناخ".
لمكافحة ذلك، يقوم هذا الفريق من الباحثين والمهندسين بالتحقيق في كيف يمكن لرؤية الكمبيوتر القضاء على البلاستيك في محيطاتنا.
باستخدام تكنولوجيا التعلم العميق، طور باحثو DeepPlastic نهجًا يستخدم مركبات مستقلة تحت الماء (AUVs) لمسح وتحديد وقياس كمية البلاستيك الموجودة أسفل سطح المحيط مباشرةً حيث لا يزال الضوء قادرًا على اختراقها، أو طبقة Epipelagic.
"كان هدفنا هو الحصول على نموذج صغير جداً مع سرعة استنتاج سريعة جداً يمكن استخدامه detect البلاستيك."
جاي لو، باحث في تعلم الآلة
قام فريق DeepPlastic بتدريب نموذجين صغيرين ودقيقين هما YOLOv4 و YOLOv5مما يسمح باكتشاف الأجسام في الوقت الحقيقي. دُرِّبت هذه النماذج على مجموعة بيانات DeepTrash، والتي تتألف من:
- 1900 صورة تدريب، 637 صورة اختبار، 637 صورة تحقق (تقسيم 60، 20، 20)
- صور ميدانية مأخوذة من بحيرة تاهو وخليج سان فرانسيسكو وخليج بوديجا في كاليفورنيا.
- Internet images (<20%) taken by scraping Google Images.
- صور أعماق البحار من مجموعة بيانات JAMSTEK JEDI
كيف تعمل المركبات المستقلة تحت الماء (AUVs)؟
AUV هو روبوت ينتقل تحت الماء. وهي مركبات بطيئة يمكنها الانزلاق بحرية إلى أعماق المحيط والعودة إلى السطح. يجب تركيب نموذج للتعلم العميق في المركبات الآلية ذاتية القيادة AUV حتى تتمكن من تحديد وجمع البلاستيك تحت الماء. يمكن نشر المركبات الذاتية الحركة في ثلاث خطوات سهلة detect البلاستيك تحت الماء.
1. تثبيت نموذج تعلم عميق في مركبة ذاتية القيادة تحت الماء (AUV)
2. مسح المحيط
3. تحديد البلاستيك
مشاكل نماذج التعلم العميق السابقة وتنظيف المحيطات
اختبر فريق DeepPlastic العديد من نماذج التعلم العميق مثل YOLOv4 و Faster R-CNN على المركبات المستقلة تحت الماء (AUVs). ومع ذلك، واجه الباحثون مجموعة من التحديات التي جعلت تنظيف المحيطات أمرًا إشكاليًا.
أدى محدودية الوصول إلى الباحثين إلى توقف الفريق
بدون أي خبراء في التعلم العميق في الفريق، مُنع الباحثون من تحقيق أقصى استفادة من نماذج التعلم العميق.
أدى بطء سرعة الاستدلال إلى إضعاف اكتشاف البلاستيك
الاستدلال هو مدى سرعة قدرة المركبة المائية ذاتية القيادة على التعرف على البلاستيك. مع YOLOv4 و Faster R-CNN، لم تكن المركبات المائية ذاتية القيادة فعالة في اكتشاف البلاستيك، مما أثر على قدرتها على تنظيف المياه.
دقة منخفضة في تحديد الكائنات
كان لدى YOLOv4 و Faster R-CNN متوسط معدل نجاح يبلغ 77٪ -80٪ فقط عند تحديد البلاستيك.
اكتشاف ضعيف: الخلط بين الشعاب المرجانية والأجسام البلاستيكية
عند استخدام Faster R-CNN، تم تحديد 3-5٪ من الشعاب المرجانية على أنها بلاستيكية بواسطة المركبات المستقلة تحت الماء (AUVs)، وهو ما كان أقل من المستوى المقبول.
قوة ودقة أكبر مع YOLOv5
عند التحول إلى YOLOv5 شهد الباحثون تحولًا فوريًا. فقد تم تعزيز الدقة وزيادة السرعة إلى أقصى حد، كما أن بساطة YOLOv5 جعلته في متناول جميع أعضاء الفريق.
متوسط سرعة استدلال أسرع بنسبة 20% مقارنة بـ Faster R-CNN
معدل دقة 93%
أقل من ساعة واحدة لإعداد YOLOv5
أتاحت زيادة إمكانية الوصول للباحثين الحصول على أقصى استفادة من YOLOv5
كان هناك العديد من الجوانب في YOLOv5 التي سمحت للفريق بالعمل معها بسهولة، استنادًا إلى العملية البسيطة خطوة بخطوة التي أنشأناها في المستودع.
- كان تنزيل المستودع أمرًا سهلاً ومباشرًا
- تم تنظيم جميع الوثائق بطريقة واضحة وسهلة الاتباع
- تدريب نموذج مبسط
- التحقق اليدوي من النتائج
زيادة سرعة الاستدلال لتحقيق أقصى قدر من كفاءة تنظيف المحيطات
قدم YOLOv5 سرعات استنتاج أسرع بنسبة 20% من سرعة شبكة الشبكة العنكبوتية ذات الشبكة الأوتوماتيكية الأسرع، حيث عالجت صورة واحدة في 9 مللي ثانية في المتوسط. ونتيجةً لذلك، تمكنت المركبات الجوية بدون طيار من detect البلاستيك العائم بسرعة أكبر، مما زاد من كمية البلاستيك الملتقطة وكفاءة المشروع بشكل عام.
دقة محسنة في معدلات الدقة
بلغت معدلات الدقة متوسط 85٪ والتي ارتفعت أحيانًا إلى 93٪. هذه قفزة من متوسط 77-80٪ الذي شوهد في النماذج السابقة.
سهولة استخدام أكبر سمحت للباحثين
كان إعداد YOLOv5 تجربة سلسة وسهلة للباحثين. تم توجيه المستخدمين من الألف إلى الياء خلال عملية الإعداد بأكملها مما سمح للفريق بالبدء في استخدام YOLOv5 في أقل من ساعة.
سمحت تعددية الاستخدامات المحسنة للباحثين بتطبيق YOLOv5 على بيئات مائية مختلفة
في غضون يومين، وباستخدام مجموعة بيانات صغيرة مكونة من 3000 صورة بدون تعزيز، تمكنت المجموعة من تدريب المركبات الجوية بدون طيار على العمل في البحيرات والأنهار. على الرغم من المياه العكرة وغيرها من الظروف السيئة، لا يزال بإمكان المركبات فوق البنفسجية الآلية المدربة على YOLOv5 detect البلاستيك وتحديده بدقة عالية.
"كنا نبحث عن خوارزمية لاكتشاف الأجسام تنتج دقة عالية وسريعة للغاية. البيئات المحيطية التي نعمل فيها هي بيئات قاسية ووعرة. وقد وفرت YOLOv5 كل شيء على جميع الجبهات كأفضل نموذج لاكتشاف الأجسام كان بإمكاننا استخدامه.
"نحن نحب استخدام YOLOv5 نظرًا لسهولة إعداده واستخدامه، كما أنه يحقق النتائج التي أردناها باستمرار.
"بالنسبة لأي طرازات مستقبلية سننشرها، سننظر إلى YOLOv5 كخيارنا الأول دون أدنى شك."
جوتام تاتا، باحث في تعلم الآلة
تحقق من مستودع DeepPlastic، و الورقة المنشورة، و ملخص الفيديو.
.webp)
