اكتشف الكيفية Ultralytics يعالج التلوث البلاستيكي للمحيطات باستخدام AUVs و YOLOv5 للكشف والتنظيف الفعال تحت الماء.
البلاستيك يخنق الحياة البرية البحرية: كل دقيقة ، يتم إلقاء حمولة شاحنتين من البلاستيك في محيطاتنا ، أي ما يعادل أكثر من 10 ملايين طن سنويا. يذكر علماء DeepPlastic أن هذا البلاستيك البحري يشكل تهديدات مجتمعية "للبيئة البحرية ، وسلامة الأغذية ، وصحة الإنسان ، والسياحة البيئية ، والمساهمات في تغير المناخ".
لمكافحة هذا ، كان هذا الفريق من الباحثين والمهندسين يبحثون في كيفية قيام رؤية الكمبيوتر بالقضاء على البلاستيك في محيطاتنا.
باستخدام تقنية التعلم العميق ، طور باحثو DeepPlastic نهجا يستخدم المركبات المستقلة تحت الماء (AUVs) لمسح وتحديد وقياس البلاستيك الموجود أسفل سطح المحيط مباشرة حيث لا يزال بإمكان الضوء اختراقه ، أو طبقة Epipelagic.
"كان هدفنا هو الحصول على نموذج صغير جدا مع سرعة استدلال سريعة جدا يمكن استخدامها للكشف عن البلاستيك."
جاي لوي ، باحث في التعلم الآلي
قام فريق DeepPlastic بتدريب نموذجين صغيرين ودقيقين ، YOLOv4 و YOLOv5، مما يسمح باكتشاف الكائنات في الوقت الفعلي. تم تدريب هذه النماذج على مجموعة بيانات DeepTrash ، والتي تتكون من:
AUV هو روبوت يسافر تحت الماء. إنها مركبات بطيئة يمكنها الانزلاق بحرية إلى أعماق المحيط والعودة إلى السطح. يجب تثبيت نموذج التعلم العميق في AUVs حتى يتمكنوا من تحديد وجمع البلاستيك تحت الماء. يمكن نشر AUVs في ثلاث خطوات سهلة للكشف عن البلاستيك تحت الماء.
1. تثبيت نموذج التعلم العميق في AUV
2. مسح المحيط
3. تحديد البلاستيك
اختبر فريق DeepPlastic العديد من نماذج التعلم العميق مثل YOLOv4 و Faster R-CNN على AUVs. ومع ذلك ، واجه الباحثون مجموعة من التحديات التي جعلت تنظيف المحيطات مشكلة.
بدون أي خبراء في التعلم العميق في الفريق ، تم منع الباحثين من تحقيق أقصى استفادة من نماذج التعلم العميق.
الاستدلال هو مدى سرعة AUV في التعرف على البلاستيك. مع YOLOv4 و Faster R-CNN ، لم تكن AUVs فعالة في اكتشاف البلاستيك ، مما أفسد قدرتها على تنظيف المياه.
حقق YOLOv4 و Faster R-CNN معدل نجاح 77٪ -80٪ فقط عند تحديد البلاستيك.
عند استخدام Faster R-CNN ، تم تحديد 3-5٪ من الشعاب المرجانية على أنها بلاستيكية بواسطة AUVs ، وهو أقل من المعيار المقبول.
عند التبديل إلى YOLOv5، رأى الباحثون تحولا فوريا. تم زيادة الدقة ، وتم تعظيم السرعة ، وبساطة YOLOv5 جعلها في متناول الجميع في الفريق.
سرعة استدلال أسرع بنسبة 20٪ في المتوسط عند مقارنتها ب R-CNN الأسرع
معدل دقة 93٪
أقل من ساعة واحدة للإعداد YOLOv5
كانت هناك عدة جوانب من YOLOv5 سمح ذلك للفريق بالعمل معه بسهولة ، بناء على العملية البسيطة خطوة بخطوة التي أنشأناها في المستودع.
YOLOv5 قدم سرعات استدلال أسرع بنسبة 20٪ من RCNN الأسرع ، حيث تمت معالجة صورة 1 في المتوسط في 9 مللي ثانية. نتيجة لذلك ، تمكنت AUVs من اكتشاف البلاستيك العائم بسرعة أكبر ، مما زاد من كمية البلاستيك التي تم التقاطها والكفاءة الإجمالية للمشروع.
كانت معدلات الدقة عند متوسط 85٪ والتي ارتفعت في بعض الأحيان إلى 93٪. هذه قفزة من متوسط 77-80٪ الذي شوهد مع النماذج السابقة.
اعداد YOLOv5 كانت تجربة سلسة وسهلة للباحثين. تم توجيه المستخدمين من الألف إلى الياء طوال عملية الإعداد بأكملها مما سمح للفريق بالبدء في YOLOv5 في أقل من ساعة.
في غضون يومين ، باستخدام مجموعة بيانات صغيرة من 3000 صورة دون زيادة ، تمكنت المجموعة من تدريب AUVs للعمل في البحيرات والأنهار. على الرغم من المياه العكرة والظروف السيئة الأخرى ، تم تدريب AUVs على YOLOv5 لا يزال بإمكانه اكتشاف وتحديد البلاستيك بدقة عالية.
"كنا نبحث عن خوارزمية للكشف عن الأشياء تنتج دقة عالية وسريعة للغاية. البيئات المحيطية التي نعمل فيها هي تضاريس قاسية ووعرة. YOLOv5 يتم تقديمه على جميع الجبهات كأفضل نموذج للكشف عن الأشياء كان بإمكاننا استخدامه.
"نحن نحب استخدام YOLOv5 نظرا لأنه سهل الإعداد والاستخدام ، فقد حقق النتائج التي أردناها باستمرار.
"بالنسبة لأي نماذج مستقبلية سننشرها ، سننظر في YOLOv5 كخيارنا الأول دون أدنى شك ".
غوتام تاتا ، باحث في التعلم الآلي
تحقق من مستودع DeepPlastic والورقة المنشورة وملخص الفيديو.
