Entdecken Sie, wie Ultralytics die Verschmutzung der Ozeane durch Plastik mit AUVs und YOLOv5 für eine effiziente Unterwassererkennung und -reinigung bekämpft.
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 hohen Inferenzgeschwindigkeit zu haben, das zur Erkennung von Plastik verwendet werden kann.”
Jay Lowe, Machine Learning Researcher
Das DeepPlastic-Team trainierte zwei kleine und präzise Modelle, YOLOv4 und YOLOv5, die eine Objekterkennung in Echtzeit ermöglichen. Diese Modelle wurden auf dem DeepTrash-Datensatz trainiert, der aus Folgendem bestand:
Ein AUV ist ein Roboter, der unter Wasser fährt. Es handelt sich um langsame Fahrzeuge, die frei in die Tiefen des Ozeans und zurück an die Oberfläche gleiten können. Ein Deep-Learning-Modell muss in die AUVs eingebaut werden, damit diese Plastik unter Wasser identifizieren und sammeln können. AUVs können in drei einfachen Schritten eingesetzt werden, um Plastik unter Wasser zu erkennen.
1. Installation eines Deep-Learning-Modells in ein AUV
2. Scan the Ocean
3. Plastik identifizieren
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.
Da keine Experten für Deep Learning im Team waren, konnten die Forscher die Deep-Learning-Modelle nicht optimal nutzen.
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.
YOLOv4 und Faster R-CNN hatten nur eine durchschnittliche Erfolgsquote von 77 % bis 80 % bei der Identifizierung von Kunststoffen.
Bei der Verwendung von Faster R-CNN wurden 3-5 % der Korallen von AUVs als Plastik identifiziert, was unter dem akzeptablen Standard lag.
Beim Wechsel zu YOLOv5 erlebten die Forscher eine sofortige Transformation. Die Genauigkeit wurde erhöht, die Geschwindigkeit maximiert und die Einfachheit von YOLOv5 machte es für alle im Team zugänglich.
Durchschnittlich 20 % schnellere Inferenzgeschwindigkeit im Vergleich zu Faster R-CNN
93 % Präzisionsrate
Weniger als eine Stunde, um YOLOv5 einzurichten
Es gab mehrere Aspekte von YOLOv5, die es dem Team ermöglichten, einfach damit zu arbeiten, basierend auf dem einfachen Schritt-für-Schritt-Prozess, den wir im Repository etabliert haben.
YOLOv5 bot 20 % schnellere Inferenzgeschwindigkeiten als Faster RCNN und verarbeitete durchschnittlich 1 Bild in 9 Millisekunden. Dadurch konnten AUVs schwimmenden Kunststoff schneller erkennen, was die Menge des erfassten Kunststoffs und die Gesamteffizienz des Projekts steigerte.
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.
Das Einrichten von YOLOv5 war für die Forscher eine nahtlose und mühelose Erfahrung. Die Benutzer wurden während des gesamten Einrichtungsprozesses von A bis Z geführt, sodass das Team in weniger als einer Stunde mit YOLOv5 beginnen konnte.
Innerhalb weniger Tage konnte die Gruppe mithilfe eines kleinen Datensatzes von 3000 Bildern ohne Augmentierung die AUVs so trainieren, dass sie in Seen und Flüssen eingesetzt werden konnten. Trotz trübem Wasser und anderen ungünstigen Bedingungen konnten die mit YOLOv5 trainierten AUVs Plastik mit hoher Genauigkeit erkennen und identifizieren.
“Wir waren auf der Suche nach einem Objekterkennungsalgorithmus, der eine hohe Genauigkeit liefert und extrem schnell ist. Die ozeanischen Umgebungen, in denen wir arbeiten, sind rau und unwegsam. YOLOv5 hat in allen Bereichen als das beste Objekterkennungsmodell, das wir hätten verwenden können, abgeliefert.
“Wir verwenden YOLOv5 sehr gerne, da es so einfach einzurichten und zu verwenden ist und es konsistent die Ergebnisse liefert, die wir uns gewünscht haben.
“Für alle zukünftigen Modelle, die wir einsetzen werden, werden wir YOLOv5 ohne jeden Zweifel als erste Wahl in Betracht ziehen.”
Gautam Tata, Machine Learning Researcher
Sehen Sie sich das DeepPlastic-Repository, das veröffentlichte Paper und die Videozusammenfassung an.
.webp)