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 جدًا بسرعة استدلال سريعة جدًا يمكن استخدامها للكشف عن البلاستيك."
جاي لو، باحث في تعلم الآلة
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:
- 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)؟
المركبة المستقلة تحت الماء (AUV) هي روبوت يسافر تحت الماء. وهي مركبات بطيئة يمكنها الانزلاق بحرية إلى أعماق المحيط والعودة إلى السطح. يجب تثبيت نموذج تعلم عميق في المركبات المستقلة تحت الماء (AUV) حتى تتمكن من تحديد البلاستيك وجمعه تحت الماء. يمكن نشر المركبات المستقلة تحت الماء (AUV) في ثلاث خطوات سهلة للكشف عن 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، رأى الباحثون تحولًا فوريًا. تم تعزيز الدقة، وتم زيادة السرعة إلى أقصى حد، وجعلت بساطة YOLOv5 الوصول إليه متاحًا للجميع في الفريق.
متوسط سرعة استدلال أسرع بنسبة 20% مقارنة بـ Faster R-CNN
معدل دقة 93%
أقل من ساعة واحدة لإعداد YOLOv5
زيادة إمكانية الوصول سمحت للباحثين بتحقيق أقصى استفادة من YOLOv5
كانت هناك عدة جوانب من YOLOv5 سمحت للفريق بالعمل معه بسهولة، بناءً على 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 استدلال أسرع بنسبة 20٪ من Faster RCNN، حيث قام بمعالجة صورة واحدة في المتوسط في 9 مللي ثانية. ونتيجة لذلك، تمكنت المركبات المستقلة تحت الماء (AUVs) من اكتشاف البلاستيك العائم بسرعة أكبر، مما زاد من كمية البلاستيك التي تم جمعها 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 المرونة المحسنة للباحثين بتطبيق YOLOv5 على بيئات مائية مختلفة
في غضون يومين، باستخدام مجموعة بيانات صغيرة مكونة من 3000 صورة بدون زيادة، تمكنت المجموعة من تدريب المركبات المستقلة تحت الماء (AUVs) للعمل في البحيرات والأنهار. على الرغم من المياه الموحلة والظروف السيئة الأخرى، لا تزال المركبات المستقلة تحت الماء (AUVs) التي تم تدريبها على YOLOv5 قادرة على اكتشاف وتحديد البلاستيك بدقة عالية.
كنا نبحث عن خوارزمية لاكتشاف الكائنات تنتج دقة عالية وسريعة للغاية. البيئات المحيطية التي نعمل فيها عبارة عن تضاريس وعرة وقاسية. لقد قدم YOLOv5 على جميع الجبهات كأفضل نموذج لاكتشاف الكائنات كان بإمكاننا استخدامه.
نحن نحب استخدام YOLOv5 لأنه سهل الإعداد والاستخدام للغاية، وقد أنتج باستمرار النتائج التي أردناها.
بالنسبة لأي نماذج مستقبلية سنقوم بنشرها، 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)