Le plastique étouffe la faune marine : chaque minute, deux camions de plastique sont déversés dans nos océans, ce qui équivaut à plus de 10 millions de tonnes par an. Les scientifiques de DeepPlastic affirment que ce plastique marin constitue une menace sociétale pour "l'environnement marin, la sécurité alimentaire, la santé humaine, l'écotourisme et contribue au changement climatique".
Pour lutter contre ce phénomène, cette équipe de chercheurs et d'ingénieurs étudie comment la vision par ordinateur peut éliminer le plastique dans nos océans.
Grâce à la technologie d'apprentissage profond, les chercheurs de DeepPlastic ont développé une approche qui utilise des véhicules sous-marins autonomes (AUV) pour scanner, identifier et quantifier le plastique situé juste sous la surface de l'océan, là où la lumière peut encore pénétrer, ou la couche épipélagique.
"Notre objectif était de disposer d'un modèle minuscule avec une vitesse d'inférence très rapide qui puisse être utilisé pour detect plastique.
Jay Lowe, Chercheur en apprentissage automatique
L'équipe de DeepPlastic a formé deux petits modèles précis, YOLOv4 et YOLOv5permettant la détection d'objets en temps réel. Ces modèles ont été entraînés sur l'ensemble de données DeepTrash, qui se compose de :
- 1900 images d'entraînement, 637 images de test, 637 images de validation (répartition 60, 20, 20)
- Images de terrain prises du lac Tahoe, de la baie de San Francisco et de la baie de Bodega en Californie.
- Internet images (<20%) taken by scraping Google Images.
- Images des profondeurs marines provenant de l'ensemble de données JAMSTEK JEDI
Fonctionnement des véhicules sous-marins autonomes (AUV)
Un AUV est un robot qui se déplace sous l'eau. Ce sont des véhicules lents qui peuvent glisser librement vers les profondeurs de l'océan et revenir à la surface. Un modèle d'apprentissage en profondeur doit être installé dans les AUV pour qu'ils puissent identifier et collecter le plastique sous l'eau. Les AUV peuvent être déployés en trois étapes simples pour detect plastique sous l'eau.
1. Installation d'un modèle de Deep Learning dans un AUV
2. Scan de l'océan
3. Identification du plastique
Les problèmes avec les modèles de Deep Learning précédents et le nettoyage des océans
L'équipe DeepPlastic a testé plusieurs modèles de Deep Learning tels que YOLOv4 et Faster R-CNN sur des AUV. Cependant, les chercheurs ont été confrontés à une série de défis qui ont rendu le nettoyage des océans problématique.
L'accès limité aux chercheurs a freiné l'équipe
En l'absence d'experts en Deep Learning dans l'équipe, les chercheurs n'ont pas pu tirer le meilleur parti des modèles de Deep Learning.
Une vitesse d'inférence lente a affaibli la détection du plastique
L'inférence correspond à la vitesse à laquelle l'AUV peut reconnaître le plastique. Avec YOLOv4 et Faster R-CNN, les AUV n'étaient pas aussi efficaces pour détecter le plastique, ce qui nuisait à leur capacité à nettoyer l'eau.
Faible précision dans l'identification des objets
YOLOv4 et Faster R-CNN n'avaient qu'un taux de réussite moyen de 77 % à 80 % lors de l'identification du plastique.
Une mauvaise détection a confondu les coraux avec des objets en plastique
Lors de l'utilisation de Faster R-CNN, 3 à 5 % des coraux ont été identifiés comme étant du plastique par les AUV, ce qui était inférieur à la norme acceptable.
Plus de puissance et de précision avec YOLOv5
En passant à YOLOv5, les chercheurs ont constaté une transformation immédiate. La précision a augmenté, la vitesse a été maximisée et la simplicité de YOLOv5 l'a rendu accessible à tous les membres de l'équipe.
Vitesse d'inférence 20 % plus rapide en moyenne par rapport à Faster R-CNN
Taux de précision de 93 %
Moins d'une heure pour installer YOLOv5
L'accessibilité accrue a permis aux chercheurs de tirer le meilleur parti de YOLOv5
Plusieurs aspects de YOLOv5 ont permis à l'équipe de travailler facilement avec lui, en se basant sur le processus simple, étape par étape, que nous avons établi sur le référentiel.
- Le téléchargement du référentiel a été simple
- Toute la documentation a été organisée de manière claire et facile à suivre
- Formation simplifiée du modèle
- Vérification manuelle des résultats
Une vitesse d'inférence plus élevée a maximisé l'efficacité du nettoyage des océans
YOLOv5 a présenté des vitesses d'inférence 20% plus rapides que Faster RCNN, traitant en moyenne une image en 9 millisecondes. Par conséquent, les AUV ont pu detect plus rapidement detect plastique flottant, ce qui a permis d'augmenter la quantité de plastique capturé et l'efficacité globale du projet.
Précision accrue des taux de justesse
Les taux de justesse étaient en moyenne de 85 %, atteignant parfois 93 %. Il s'agit d'un bond par rapport à la moyenne de 77 à 80 % observée avec les modèles précédents.
Une plus grande facilité d'utilisation a profité aux chercheurs
La mise en place de YOLOv5 a été une expérience à la fois transparente et sans effort pour les chercheurs. Les utilisateurs ont été guidés de A à Z tout au long du processus d'installation, ce qui a permis à l'équipe de commencer à utiliser YOLOv5 en moins d'une heure.
L'amélioration de la polyvalence a permis aux chercheurs d'appliquer YOLOv5 à différents milieux aquatiques.
En quelques jours, à l'aide d'un petit ensemble de données de 3 000 images sans augmentation, le groupe a pu entraîner les AUV à travailler dans des lacs et des rivières. Malgré l'eau trouble et d'autres conditions défavorables, les AUV formés sur YOLOv5 ont pu detect et identifier le plastique avec une grande précision.
"Nous recherchions un algorithme de détection d'objets qui soit à la fois très précis et extrêmement rapide. Les environnements océaniques dans lesquels nous travaillons sont des terrains difficiles et accidentés. YOLOv5 s'est avéré être le meilleur modèle de détection d'objets que nous ayons pu utiliser.
"Nous aimons utiliser YOLOv5 car il est très facile à mettre en place et à utiliser, et il a produit les résultats que nous souhaitions de manière constante.
"Pour tous les modèles que nous déploierons à l'avenir, nous considérerons YOLOv5 comme notre premier choix, sans l'ombre d'un doute.
Gautam Tata, Chercheur en apprentissage automatique
Consultez le dépôt DeepPlastic, l'article publié et le récapitulatif vidéo.
