El plástico está asfixiando a la fauna marina: cada minuto se vierten en nuestros océanos dos camiones cargados de plástico, lo que equivale a más de 10 millones de toneladas al año. Los científicos de DeepPlastic afirman que este plástico marino supone amenazas sociales para el "medio ambiente marino, la seguridad alimentaria, la salud humana, el ecoturismo y las contribuciones al cambio climático."
Para combatirlo, este equipo de investigadores e ingenieros ha estado investigando cómo la visión por ordenador puede eliminar el plástico de nuestros océanos.
Con 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 situado justo debajo de la superficie del océano, donde la luz aún puede penetrar a través, 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 LoweInvestigador de aprendizaje automático
El equipo de DeepPlastic entrenó dos modelos pequeños y precisos, YOLOv4 y YOLOv5, que permiten la detección de objetos en tiempo real. Estos modelos se entrenaron en el conjunto de datos DeepTrash, formado por:
- 1900 imágenes de entrenamiento, 637 imágenes de prueba, 637 imágenes de validación (60, 20, 20 split)
- Imágenes de campo tomadas en el lago Tahoe, la bahía de San Francisco y Bodega Bay, en California.
- Internet images (<20%) taken by scraping Google Images.
- Imágenes de aguas profundas del conjunto de datos JAMSTEK JEDI
Funcionamiento de los vehículos submarinos autónomos (AUV)
Un AUV es un robot que se desplaza bajo el agua. Son vehículos lentos que pueden deslizarse libremente hasta las profundidades oceánicas y volver a la superficie. Hay que instalar un modelo de aprendizaje profundo en los AUV para que puedan identificar y recoger plástico bajo el agua. Los AUV pueden desplegarse en tres sencillos pasos para detectar plástico bajo el agua.
1. Instalar un modelo de aprendizaje profundo en un AUV
2. Explorar el océano
3. Identificar el plástico
Los problemas de los modelos anteriores de aprendizaje profundo 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 retos que dificultaban la limpieza de los océanos.
El acceso limitado a los investigadores paralizó al equipo
Sin ningún experto en aprendizaje profundo en el equipo, los investigadores no pudieron sacar el máximo partido de los modelos de aprendizaje profundo.
Velocidad de inferencia lenta Detección de plásticos debilitada
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 a la hora de detectar plástico, lo que mermaba su capacidad para limpiar el agua.
Baja precisión en la identificación de objetos
YOLOv4 y Faster R-CNN sólo obtuvieron una media del 77%-80% de aciertos al identificar plástico.
Una mala detección confundió corales con objetos de plástico
Al utilizar Faster R-CNN, los AUV identificaron como plásticos entre el 3 y el 5% de los corales, por debajo del nivel aceptable.
Mayor potencia y precisión con YOLOv5
Al cambiar a YOLOv5, los investigadores observaron una transformación inmediata. La precisión aumentó, la velocidad se maximizó y la sencillez de YOLOv5 lo hizo accesible a todos los miembros del equipo.
Velocidad media de inferencia un 20% superior a la de la R-CNN más rápida
Índice de precisión del 93
Menos de una hora para configurar YOLOv5
La mayor accesibilidad permitió a los investigadores sacar el máximo partido de YOLOv5
Había varios aspectos de YOLOv5 que permitían 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 estaba organizada de forma clara y fácil de seguir.
- Entrenamiento simplificado del modelo
- Comprobación manual de resultados
Mayor velocidad de inferencia Máxima eficacia en la limpieza de océanos
YOLOv5 presentó velocidades de inferencia un 20% más rápidas que Faster RCNN, procesando una media 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 exactitud en los índices de precisión
Los índices de precisión se situaron en una media del 85%, que a veces llegó al 93%. Esto supone un salto con respecto a la media del 77-80% de los modelos anteriores.
Mayor facilidad de uso para los investigadores
La configuración de YOLOv5 fue una experiencia sencilla y sin esfuerzo para los investigadores. Los usuarios fueron guiados de la A a la Z durante todo el proceso de configuración, lo que permitió al equipo empezar a utilizar YOLOv5 en menos de una hora.
La mayor versatilidad permitió a los investigadores aplicar YOLOv5 a distintos entornos acuáticos
En un par de días, utilizando un pequeño conjunto de datos de 3.000 imágenes sin aumento, el grupo pudo entrenar los AUV para trabajar en lagos y ríos. A pesar del agua turbia y otras malas condiciones, los AUV entrenados con YOLOv5 pudieron detectar e identificar plástico con gran precisión.
"Buscábamos un algoritmo de detección de objetos que produjera una gran precisión y fuera extremadamente rápido. Los entornos oceánicos en los que trabajamos son terrenos duros y accidentados. YOLOv5 es el mejor modelo de detección de objetos que podíamos utilizar.
"Nos encanta utilizar YOLOv5 porque es muy fácil de configurar y utilizar, y ha producido los resultados que queríamos de forma constante.
"Para cualquier modelo futuro que vayamos a implantar, consideraremos YOLOv5 como nuestra primera opción sin ningún género de dudas".
Gautam TataInvestigador de aprendizaje automático
Consulte el repositorio DeepPlastic, el artículo publicado y el vídeo de resumen.
.webp)