La plastica sta soffocando la fauna marina: ogni minuto, due camion di plastica vengono scaricati nei nostri oceani, pari a oltre 10 milioni di tonnellate all'anno. Gli scienziati di DeepPlastic affermano che questa plastica marina rappresenta una minaccia per l'ambiente marino, la sicurezza alimentare, la salute umana, l'ecoturismo e contribuisce ai cambiamenti climatici.
Per combattere questo problema, questo team di ricercatori e ingegneri sta studiando come la computer vision possa eliminare la plastica nei nostri oceani.
Grazie alla tecnologia di deep learning, i ricercatori di DeepPlastic hanno sviluppato un approccio che utilizza veicoli sottomarini autonomi (AUV) per scansionare, identificare e quantificare la plastica situata appena sotto la superficie dell'oceano, dove la luce può ancora penetrare, ovvero nello strato epipelagico.
"Il nostro obiettivo era quello di avere un modello molto piccolo con una velocità di inferenza molto elevata che potesse essere utilizzato per detect plastica".
Jay Lowe, Ricercatore di Machine Learning
Il team di DeepPlastic ha addestrato due modelli piccoli e precisi, YOLOv4 e YOLOv5che consentono di rilevare gli oggetti in tempo reale. Questi modelli sono stati addestrati sul set di dati DeepTrash, composto da:
- 1900 immagini di training, 637 immagini di test, 637 immagini di validazione (suddivisione 60, 20, 20)
- Immagini sul campo scattate da Lake Tahoe, San Francisco Bay e Bodega Bay in CA.
- Internet images (<20%) taken by scraping Google Images.
- Immagini di acque profonde dal dataset JAMSTEK JEDI
Come funzionano i veicoli sottomarini autonomi (AUV)
Un AUV è un robot che viaggia sott'acqua. Sono veicoli lenti che possono scivolare liberamente nelle profondità oceaniche e tornare in superficie. Per poter identificare e raccogliere la plastica sott'acqua, gli AUV devono essere dotati di un modello di deep learning. Per detect plastica sott'acqua, gli AUV possono essere impiegati in tre semplici fasi.
1. Installare un modello di deep learning in un AUV
2. Scansiona l'oceano
3. Identificazione della plastica
I problemi con i precedenti modelli di deep learning e la pulizia degli oceani
Il team di DeepPlastic ha testato diversi modelli di deep learning come YOLOv4 e Faster R-CNN su AUV. Tuttavia, i ricercatori hanno riscontrato una serie di sfide che hanno reso problematica la pulizia degli oceani.
L'accessibilità limitata ai ricercatori ha bloccato il team
Senza esperti di deep learning nel team, i ricercatori non sono stati in grado di ottenere il massimo dai modelli di deep learning.
La bassa velocità di inferenza ha indebolito il rilevamento della plastica
L'inferenza è la velocità con cui l'AUV è in grado di riconoscere la plastica. Con YOLOv4 e Faster R-CNN, gli AUV non erano così efficaci nel rilevare la plastica, compromettendo la loro capacità di pulire l'acqua.
Bassa Accuratezza nell'Identificazione degli Oggetti
YOLOv4 e Faster R-CNN avevano solo un tasso di successo medio del 77%-80% nell'identificazione della plastica.
Rilevamento insufficiente confonde i coralli con oggetti di plastica
Quando si utilizzava Faster R-CNN, il 3-5% dei coralli veniva identificato come plastica dagli AUV, il che era inferiore allo standard accettabile.
Maggiore potenza e precisione con YOLOv5
Quando sono passati a YOLOv5, i ricercatori hanno visto una trasformazione immediata. La precisione è aumentata, la velocità è stata massimizzata e la semplicità di YOLOv5 lo ha reso accessibile a tutti i membri del team.
Velocità di inferenza mediamente più rapida del 20% rispetto a Faster R-CNN
Tasso di precisione del 93%
Meno di un'ora per configurare YOLOv5
Una maggiore accessibilità ha permesso ai ricercatori di ottenere il massimo da YOLOv5
Ci sono stati diversi aspetti di YOLOv5 che hanno permesso al team di lavorare facilmente con esso, basandosi sul semplice processo passo-passo che abbiamo stabilito sul repository.
- Scaricare il repository è stato semplice
- Tutta la documentazione è stata organizzata in modo chiaro e facile da seguire.
- Addestramento del modello semplificato
- Verifica manuale dei risultati
Maggiore velocità di inferenza per massimizzare l'efficienza della pulizia degli oceani
YOLOv5 ha presentato una velocità di inferenza superiore del 20% rispetto a Faster RCNN, elaborando in media 1 immagine in 9 millisecondi. Di conseguenza, gli AUV sono stati in grado di detect plastica galleggiante a una velocità maggiore, aumentando la quantità di plastica catturata e l'efficienza complessiva del progetto.
Maggiore accuratezza nei tassi di precisione
I tassi di precisione erano in media all'85%, raggiungendo a volte il 93%. Si tratta di un salto rispetto alla media del 77-80% riscontrata con i modelli precedenti.
Maggiore Facilità d'Uso Consentita ai Ricercatori
L'impostazione di YOLOv5 è stata un'esperienza perfetta e senza sforzo per i ricercatori. Gli utenti sono stati guidati dalla A alla Z durante l'intero processo di configurazione, consentendo al team di iniziare a utilizzare YOLOv5 in meno di un'ora.
La maggiore versatilità ha permesso ai ricercatori di applicare YOLOv5 a diversi ambienti acquatici.
In un paio di giorni, utilizzando un piccolo set di dati di 3000 immagini senza incremento, il gruppo è stato in grado di addestrare gli AUV a lavorare in laghi e fiumi. Nonostante l'acqua torbida e altre condizioni avverse, gli AUV addestrati con YOLOv5 sono riusciti a detect e identificare la plastica con grande precisione.
"Eravamo alla ricerca di un algoritmo di rilevamento degli oggetti che producesse un'elevata precisione e fosse estremamente veloce. Gli ambienti oceanici in cui lavoriamo sono terreni aspri e difficili. YOLOv5 si è rivelato il miglior modello di rilevamento degli oggetti che potessimo utilizzare.
"Ci piace usare YOLOv5 perché è così facile da configurare e da usare, e ha prodotto i risultati che volevamo con costanza.
"Per tutti i modelli futuri che distribuiremo, guarderemo a YOLOv5 come prima scelta senza ombra di dubbio".
Gautam Tata, Ricercatore di Machine Learning
Dai un'occhiata al repository DeepPlastic, al paper pubblicato e al video riassuntivo.
