Plastik erstickt die Meeresfauna und -flora: Jede Minute werden zwei Lkw-Ladungen Plastik in unsere Ozeane gekippt, das sind über 10 Millionen Tonnen pro Jahr. DeepPlastic-Wissenschaftler erklären, dass dieses Plastik im Meer eine gesellschaftliche Bedrohung für die "Meeresumwelt, die Lebensmittelsicherheit, die menschliche Gesundheit, den Ökotourismus und den Beitrag zum Klimawandel" darstellt.
Um dem entgegenzuwirken, hat dieses Team von Forschern und Ingenieuren untersucht, wie die Computervision Plastik in unseren Ozeanen beseitigen kann.
Die DeepPlastic-Forscher haben mit Hilfe von Deep Learning einen Ansatz entwickelt, bei dem autonome Unterwasserfahrzeuge (AUVs) eingesetzt werden, um Plastik zu scannen, zu identifizieren und zu quantifizieren, das sich knapp unter der Meeresoberfläche befindet, wo das Licht noch durchdringen kann, d. h. in der epipelagischen Schicht.
"Unser Ziel war es, ein sehr kleines Modell mit einer sehr schnellen Inferenzgeschwindigkeit zu entwickeln, das zur Erkennung von Plastik verwendet werden kann.
Jay LoweForscher für maschinelles Lernen
Das DeepPlastic-Team trainierte zwei kleine und präzise Modelle, YOLOv4 und YOLOv5, 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 aufgeteilt)
- Feldaufnahmen vom Lake Tahoe, der San Francisco Bay und der Bodega Bay in CA.
- Internet images (<20%) taken by scraping Google Images.
- Tiefseebilder 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 aufzuspüren.
1. Installation eines Deep Learning-Modells in einem AUV
2. Den Ozean scannen
3. Kunststoff identifizieren
Die Probleme mit bisherigen Deep Learning-Modellen und Ocean Cleaning
Das DeepPlastic-Team testete mehrere Deep-Learning-Modelle wie YOLOv4 und Faster R-CNN auf AUVs. Die Forscher sahen sich jedoch mit einer Reihe von Herausforderungen konfrontiert, die die Ozeanreinigung problematisch machten.
Begrenzte Zugänglichkeit zu Forschern bremste das Team
Ohne Experten für Deep Learning im Team konnten die Forscher nicht das Beste aus den Deep-Learning-Modellen herausholen.
Langsame Inferencing-Geschwindigkeit Schwächere Kunststofferkennung
Inferencing bedeutet, wie schnell das AUV Plastik erkennen kann. Mit YOLOv4 und Faster R-CNN waren die AUVs nicht so effektiv bei der Erkennung von Plastik, was ihre Fähigkeit, das Wasser zu reinigen, beeinträchtigte.
Geringe Genauigkeit bei der Objektidentifizierung
YOLOv4 und Faster R-CNN hatten nur eine durchschnittliche Erfolgsquote von 77%-80% bei der Erkennung von Plastik.
Schlechte Erkennung verwechselte Korallen mit Plastikgegenständen
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 schnellerem 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 einfach
- Die gesamte Dokumentation war übersichtlich und leicht verständlich aufgebaut.
- Vereinfachtes Modelltraining
- Manuelle Überprüfung der Ergebnisse
Höhere Inferencing-Geschwindigkeit Maximierte Effizienz der Meeresreinigung
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 erkennen, was die Menge des erfassten Plastiks und die Gesamteffizienz des Projekts erhöhte.
Erhöhte Genauigkeit bei den Präzisionsraten
Die Trefferquote lag bei durchschnittlich 85 %, manchmal sogar bei 93 %. Das ist ein Sprung gegenüber den 77-80 %, die bei früheren Modellen im Durchschnitt erreicht wurden.
Erhöhte Benutzerfreundlichkeit für Forscher
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 erkennen 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 TataForscher für maschinelles Lernen
Sehen Sie sich das DeepPlastic-Repository, das veröffentlichte Papier und die Videozusammenfassung an.
.webp)