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 detect plástico".
Jay Lowe, Investigador de Machine Learning
El equipo de DeepPlastic entrenó dos modelos pequeños y precisos, YOLOv4 y YOLOv5que permiten detectar 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 (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 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 detect 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 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 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
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 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 una media de 1 imagen en 9 milisegundos. Como resultado, los AUV pudieron detect 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 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 detect 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 Tata, Investigador de Machine Learning
Consulte el repositorio DeepPlastic, el artículo publicado y el resumen en vídeo.
