Plastik erstickt die Meeresfauna: Jede Minute werden zwei Lastwagenladungen Plastik in unsere Ozeane gekippt, was über 10 Millionen Tonnen pro Jahr entspricht. Wissenschaftler von DeepPlastic geben an, dass dieser Meeresplastik eine gesellschaftliche Bedrohung für die "Meeresumwelt, die Lebensmittelsicherheit, die menschliche Gesundheit, den Ökotourismus und die Beiträge zum Klimawandel" darstellt.
Um dies zu bekämpfen, hat dieses Team von Forschern und Ingenieuren untersucht, wie Computer Vision Plastik in unseren Ozeanen beseitigen kann.
Mithilfe von Deep-Learning-Technologie haben die Forscher von DeepPlastic einen Ansatz entwickelt, der autonome Unterwasserfahrzeuge (AUVs) einsetzt, um Kunststoffe zu scannen, zu identifizieren und zu quantifizieren, die sich knapp unter der Meeresoberfläche befinden, wo noch Licht eindringen kann, also in der Epipelagischen Zone.
"Unser Ziel war es, ein sehr kleines Modell mit einer sehr schnellen Inferenzgeschwindigkeit zu entwickeln, das zur detect Plastik verwendet werden kann.
Jay Lowe, Machine Learning Researcher
Das DeepPlastic-Team trainierte zwei kleine und präzise Modelle, YOLOv4 und YOLOv5trainiert, die eine Objekterkennung in Echtzeit ermöglichen. Diese Modelle wurden mit dem DeepTrash-Datensatz trainiert, der aus folgenden Elementen bestand:
- 1900 Trainingsbilder, 637 Testbilder, 637 Validierungsbilder (60, 20, 20 Aufteilung)
- Feldaufnahmen vom Lake Tahoe, der Bucht von San Francisco und der Bodega Bay in Kalifornien.
- Internet images (<20%) taken by scraping Google Images.
- Tiefseeaufnahmen aus dem JAMSTEK JEDI Datensatz
Wie autonome Unterwasserfahrzeuge (AUVs) funktionieren
Ein AUV ist ein Roboter, der sich unter Wasser fortbewegt. Es sind langsame Fahrzeuge, die frei in die Tiefen des Ozeans und zurück an die Oberfläche gleiten können. Damit AUVs Plastik unter Wasser erkennen und einsammeln können, müssen sie mit einem Deep-Learning-Modell ausgestattet sein. AUVs können in drei einfachen Schritten eingesetzt werden, um Plastik unter Wasser detect .
1. Installation eines Deep-Learning-Modells in ein AUV
2. Scan the Ocean
3. Plastik identifizieren
Die Probleme mit früheren Deep-Learning-Modellen und der Reinigung der Ozeane
Das DeepPlastic-Team testete mehrere Deep-Learning-Modelle wie YOLOv4 und Faster R-CNN auf AUVs. Die Forscher standen jedoch vor einer Reihe von Herausforderungen, die die Reinigung der Ozeane problematisch machten.
Eingeschränkter Zugang für Forscher bremste das Team aus
Da keine Experten für Deep Learning im Team waren, konnten die Forscher die Deep-Learning-Modelle nicht optimal nutzen.
Langsame Inferenzgeschwindigkeit schwächte die Kunststofferkennung
Inferencing bestimmt, wie schnell das AUV Plastik erkennen kann. Mit YOLOv4 und Faster R-CNN waren AUVs bei der Erkennung von Plastik nicht so effektiv, was ihre Fähigkeit zur Reinigung des Wassers beeinträchtigte.
Geringe Genauigkeit bei der Objekterkennung
YOLOv4 und Faster R-CNN hatten nur eine durchschnittliche Erfolgsquote von 77 % bis 80 % bei der Identifizierung von Kunststoffen.
Schlechte Erkennung verwechselte Korallen mit Plastikobjekten
Bei der Verwendung von Faster R-CNN wurden 3-5 % der Korallen von AUVs als Plastik identifiziert, was unter dem akzeptablen Standard lag.
Höhere Leistung und Genauigkeit mit YOLOv5
Bei der Umstellung auf YOLOv5 konnten die Forscher eine sofortige Veränderung feststellen. Die Genauigkeit wurde erhöht, die Geschwindigkeit maximiert, und die Einfachheit von YOLOv5 machte es für jeden im Team zugänglich.
Durchschnittlich 20 % schnellere Inferenzgeschwindigkeit im Vergleich zu Faster R-CNN
93 % Präzisionsrate
Weniger als eine Stunde für die Einrichtung von YOLOv5
Erhöhte Zugänglichkeit ermöglichte es den Forschern, das Beste aus YOLOv5 herauszuholen
Es gab mehrere Aspekte von YOLOv5 , die es dem Team ermöglichten, auf der Grundlage des einfachen Schritt-für-Schritt-Prozesses, den wir im Repository eingerichtet haben, problemlos damit zu arbeiten.
- Das Herunterladen des Repositorys war unkompliziert
- Die gesamte Dokumentation war klar und übersichtlich aufgebaut.
- Vereinfachtes Modelltraining
- Manuelle Ergebnisprüfung
Höhere Inferenzgeschwindigkeit Maximierte Effizienz bei der Ozeanreinigung
YOLOv5 zeigte eine um 20 % schnellere Inferenzgeschwindigkeit als Faster RCNN und verarbeitete durchschnittlich 1 Bild in 9 Millisekunden. Infolgedessen konnten die AUVs schwimmendes Plastik schneller detect , was die Menge des erfassten Plastiks und die Gesamteffizienz des Projekts erhöhte.
Erhöhte Genauigkeit in den Präzisionsraten
Die Präzisionsraten lagen im Durchschnitt bei 85 % und erreichten teilweise bis zu 93 %. Dies ist ein Sprung gegenüber dem Durchschnitt von 77-80 %, der bei früheren Modellen beobachtet wurde.
Größere Benutzerfreundlichkeit für Forschende
Die Einrichtung von YOLOv5 war für die Forscher eine nahtlose und mühelose Erfahrung. Die Benutzer wurden von A bis Z durch den gesamten Einrichtungsprozess geführt, sodass das Team in weniger als einer Stunde mit YOLOv5 loslegen konnte.
Dank der verbesserten Vielseitigkeit konnten die Forscher YOLOv5 in verschiedenen Wasserumgebungen einsetzen
Innerhalb weniger Tage konnte die Gruppe die AUVs anhand eines kleinen Datensatzes von 3000 Bildern ohne Zusatzinformationen für den Einsatz in Seen und Flüssen trainieren. Trotz trübem Wasser und anderen schlechten Bedingungen konnten die auf YOLOv5 trainierten AUVs Plastik mit hoher Genauigkeit detect und identifizieren.
"Wir waren auf der Suche nach einem Objekterkennungsalgorithmus, der eine hohe Genauigkeit aufweist und extrem schnell ist. Die Meeresumgebungen, in denen wir arbeiten, sind raues, unwegsames Gelände. YOLOv5 war in jeder Hinsicht das beste Objekterkennungsmodell, das wir hätten verwenden können.
"Wir lieben YOLOv5 , weil es so einfach einzurichten und zu benutzen ist und die gewünschten Ergebnisse kontinuierlich liefert.
"Für alle zukünftigen Modelle, die wir einsetzen werden, ist YOLOv5 zweifelsohne unsere erste Wahl."
Gautam Tata, Machine Learning Researcher
Sehen Sie sich das DeepPlastic-Repository, das veröffentlichte Paper und die Videozusammenfassung an.
