يخنق البلاستيك الحياة البرية البحرية: في كل دقيقة، يتم إلقاء حمولتي شاحنة من البلاستيك في محيطاتنا، أي ما يعادل أكثر من 10 ملايين طن سنويًا. ويذكر علماء منظمة DeepPlastic أن هذا البلاستيك البحري يشكل تهديدات مجتمعية على "البيئة البحرية، وسلامة الغذاء، وصحة الإنسان، والسياحة البيئية، والمساهمة في تغير المناخ".
ولمواجهة هذه المشكلة، قام هذا الفريق من الباحثين والمهندسين بدراسة كيف يمكن للرؤية الحاسوبية أن تقضي على البلاستيك في محيطاتنا.
باستخدام تقنية التعلم العميق، طوّر باحثو DeepPlastic نهجًا يستخدم المركبات المستقلة تحت الماء (AUVs) لمسح وتحديد وقياس البلاستيك الموجود تحت سطح المحيط مباشرةً حيث لا يزال بإمكان الضوء اختراقه، أو ما يُعرف بالطبقة فوق البحرية، وتحديد حجم البلاستيك الموجود تحت سطح المحيط مباشرةً.
"كان هدفنا هو الحصول على نموذج صغير جداً مع سرعة استنتاج سريعة جداً يمكن استخدامه للكشف عن البلاستيك."
جاي لوي، باحث في التعلم الآلي
قام فريق DeepPlastic بتدريب نموذجين صغيرين ودقيقين هما YOLOv4 و YOLOv5، مما 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 (60، 20، 20، 20 مقسمة)
- صور ميدانية مأخوذة من بحيرة تاهو وخليج سان فرانسيسكو وخليج بوديجا في كاليفورنيا.
- Internet images (<20%) taken by scraping Google Images.
- صور لأعماق البحار من مجموعة بيانات JAMSTEK JEDI
كيف تعمل المركبات ذاتية القيادة 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 للكشف عن البلاستيك تحت الماء.
1. تثبيت نموذج تعلّم عميق في مركبة فضائية ذاتية الحركة
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 فوق البنفسجية ذاتية القيادة. ومع ذلك، واجه الباحثون مجموعة من التحديات التي جعلت تنظيف المحيطات أمراً صعباً.
محدودية إمكانية الوصول إلى الباحثين عطلت الفريق
وبدون وجود أي خبراء في التعلم العميق في الفريق، لم يتمكن الباحثون من تحقيق أقصى استفادة من نماذج التعلم العميق.
سرعة الاستدلال البطيئة ضعف الكشف عن البلاستيك
الاستدلال هو مدى سرعة المركبة AUV في التعرف على البلاستيك. مع YOLOv4 و Faster R-CNN، لم تكن المركبات بدون طيار فعالة في اكتشاف البلاستيك، مما أفسد قدرتها على تنظيف المياه.
دقة منخفضة في تحديد الكائنات
كان معدل نجاح YOLOv4 وFaster R-CNN بمتوسط 77%-80% فقط عند تحديد البلاستيك.
ضعف الكشف عن الخلط بين الشعاب المرجانية والأجسام البلاستيكية
عند استخدام شبكة R-CNN الأسرع، تم تحديد 3-5% من الشعاب المرجانية على أنها بلاستيكية بواسطة المركبات فوق البنفسجية التي تعمل تحت الماء (AUVs)، وهي أقل من المعيار 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.
سرعة استنتاج أسرع بنسبة 20% في المتوسط عند مقارنتها بشبكة R-CNN الأسرع
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 بسيطاً ومباشراً
- تم تنظيم جميع الوثائق بطريقة واضحة وسهلة المتابعة
- تدريب مبسط للنموذج المبسط
- التحقق اليدوي من النتائج
سرعة استنتاجية أعلى لزيادة كفاءة تنظيف المحيطات إلى أقصى حد ممكن
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 اكتشاف البلاستيك العائم بسرعة أكبر، مما زاد من كمية البلاستيك الملتقطة وكفاءة المشروع بشكل عام.
الدقة المعززة في معدلات الدقة
كانت معدلات الدقة بمتوسط 85% ووصلت في بعض الأحيان إلى 93%. وتعد هذه قفزة من متوسط 77-80% الذي شهدته النماذج السابقة.
سهولة أكبر في الاستخدام المسموح 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 اكتشاف 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."
غوتام تاتا، باحث في التعلم الآلي
اطلع على مستودع DeepPlastic، والورقة البحثية المنشورة، وملخص الفيديو.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
.webp)
