El plástico está asfixiando a la fauna marina: cada minuto, dos camiones de plástico se vierten en nuestros océanos, lo que equivale a más de 10 millones de toneladas al año. Los científicos de DeepPlastic afirman que este plástico marino plantea amenazas sociales para el "medio ambiente marino, la seguridad alimentaria, la salud humana, el ecoturismo y las contribuciones al cambio climático".
Para combatir esto, este equipo de investigadores e ingenieros ha estado investigando cómo la visión artificial puede eliminar el plástico de nuestros océanos.
Con la tecnología de aprendizaje profundo, los investigadores de DeepPlastic han desarrollado un enfoque que utiliza vehículos submarinos autónomos (AUV) para escanear, identificar y cuantificar el plástico ubicado justo debajo de la superficie del océano donde la luz aún puede penetrar, o la capa epipelágica.
“Nuestro objetivo era tener un modelo muy pequeño con una velocidad de inferencia muy rápida que pudiera utilizarse para detectar plástico.”
Jay Lowe, Investigador de Machine Learning
El equipo de DeepPlastic entrenó dos modelos pequeños y precisos, YOLOv4 y YOLOv5, lo que permitió la detección de objetos en tiempo real. Estos modelos se entrenaron con el conjunto de datos DeepTrash, que constaba de:
- 1900 imágenes de entrenamiento, 637 imágenes de prueba, 637 imágenes de validación (división de 60, 20, 20)
- Imágenes de campo tomadas del lago Tahoe, la bahía de San Francisco y la bahía de Bodega en CA.
- Internet images (<20%) taken by scraping Google Images.
- Imágenes de aguas profundas del conjunto de datos JAMSTEK JEDI
Cómo funcionan los vehículos submarinos autónomos (AUV)
Un AUV es un robot que viaja bajo el agua. Son vehículos lentos que pueden deslizarse libremente hacia las profundidades del océano y de regreso a la superficie. Se debe instalar un modelo de aprendizaje profundo en los AUV para que puedan identificar y recolectar plástico bajo el agua. Los AUV se pueden implementar en tres sencillos pasos para detectar plástico bajo el agua.
1. Instalar un modelo de Deep Learning en un AUV
2. Escanear el océano
3. Identificar plástico
Los problemas con los modelos de aprendizaje profundo anteriores y la limpieza de los océanos
El equipo de DeepPlastic probó varios modelos de aprendizaje profundo, como YOLOv4 y Faster R-CNN, en AUV. Sin embargo, los investigadores se encontraron con una serie de desafíos que dificultaron la limpieza del océano.
El acceso limitado a los investigadores estancó al equipo
La falta de expertos en deep learning en el equipo impidió que los investigadores aprovecharan al máximo los modelos de deep learning.
La baja velocidad de inferencia debilita la detección de plástico
La inferencia es la rapidez con la que el AUV puede reconocer el plástico. Con YOLOv4 y Faster R-CNN, los AUV no eran tan eficaces en la detección de plástico, lo que perjudicaba su capacidad para limpiar el agua.
Baja precisión en la identificación de objetos
YOLOv4 y Faster R-CNN solo tuvieron un promedio de tasa de éxito del 77%-80% al identificar plástico.
Una mala detección confundió corales con objetos de plástico
Al utilizar Faster R-CNN, los AUV identificaron entre un 3 y un 5 % de corales como plástico, lo que estaba por debajo del estándar aceptable.
Mayor Potencia y Precisión con YOLOv5
Al cambiar a YOLOv5, los investigadores vieron una transformación inmediata. La precisión se incrementó, la velocidad se maximizó y la simplicidad de YOLOv5 la hizo accesible a todos los miembros del equipo.
Velocidad de inferencia un 20% más rápida en promedio en comparación con Faster R-CNN
Tasa de precisión del 93%
Menos de una hora para configurar YOLOv5
Mayor accesibilidad permitió a los investigadores aprovechar al máximo YOLOv5
Hubo varios aspectos de YOLOv5 que permitieron al equipo trabajar fácilmente con él, basándose en el sencillo proceso paso a paso que hemos establecido en el repositorio.
- La descarga del repositorio fue sencilla.
- Toda la documentación fue organizada de una manera clara y fácil de seguir
- Entrenamiento simplificado del modelo
- Comprobación manual de resultados
Mayor velocidad de inferencia, máxima eficiencia en la limpieza de los océanos
YOLOv5 presentó velocidades de inferencia un 20% más rápidas que Faster RCNN, procesando un promedio de 1 imagen en 9 milisegundos. Como resultado, los AUV pudieron detectar plástico flotante a mayor velocidad, lo que aumentó la cantidad de plástico capturado y la eficiencia general del proyecto.
Mayor precisión en las tasas de precisión
Las tasas de precisión promediaron un 85%, llegando en ocasiones hasta el 93%. Esto supone un salto desde el promedio del 77-80% observado con modelos anteriores.
Mayor Facilidad de Uso Permitida a los Investigadores
La configuración de YOLOv5 fue una experiencia fluida y sin esfuerzo para los investigadores. Los usuarios fueron guiados de la A a la Z a lo largo de todo el proceso de configuración, lo que permitió al equipo comenzar con YOLOv5 en menos de una hora.
La versatilidad mejorada permitió a los investigadores aplicar YOLOv5 a diferentes entornos acuáticos
En un par de días, utilizando un pequeño conjunto de datos de 3000 imágenes sin aumento, el grupo pudo entrenar a los AUV para que trabajaran en lagos y ríos. A pesar del agua turbia y otras condiciones deficientes, los AUV entrenados en YOLOv5 aún podían detectar e identificar el plástico con gran precisión.
“Estábamos buscando un algoritmo de detección de objetos que produjera una alta precisión y fuera extremadamente rápido. Los entornos oceánicos en los que trabajamos son terrenos duros y accidentados. YOLOv5 cumplió en todos los aspectos como el mejor modelo de detección de objetos que podríamos haber utilizado.
“Nos encanta usar YOLOv5 porque es muy fácil de configurar y usar, y ha estado produciendo los resultados que queríamos de manera consistente.
“Para cualquier modelo futuro que implementemos, consideraremos YOLOv5 como nuestra primera opción sin ninguna duda.”
Gautam Tata, Investigador de Machine Learning
Consulte el repositorio DeepPlastic, el artículo publicado y el resumen en vídeo.
.webp)