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 avere un modello molto piccolo con una velocità di inferenza molto alta che potesse essere utilizzato per rilevare la plastica.”
Jay Lowe, Ricercatore di Machine Learning
Il team di DeepPlastic ha addestrato due modelli piccoli e precisi, YOLOv4 e YOLOv5, consentendo il rilevamento di oggetti in tempo reale. Questi modelli sono stati addestrati sul dataset DeepTrash, che consisteva in:
- 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 planare liberamente verso le profondità oceaniche e tornare in superficie. Un modello di deep learning deve essere installato negli AUV affinché siano in grado di identificare e raccogliere la plastica sott'acqua. Gli AUV possono essere implementati in tre semplici passaggi per rilevare la plastica sott'acqua.
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 Accuratezza con YOLOv5
Passando a YOLOv5, i ricercatori hanno assistito a una trasformazione immediata. L'accuratezza è stata 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
Maggiore accessibilità ha permesso ai ricercatori di ottenere il massimo da YOLOv5
C'erano diversi aspetti di YOLOv5 che hanno permesso al team di lavorarci facilmente, in base al 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 velocità di inferenza del 20% superiori rispetto a Faster RCNN, elaborando in media 1 immagine in 9 millisecondi. Di conseguenza, gli AUV sono stati in grado di rilevare la plastica galleggiante a una velocità maggiore, il che ha aumentato 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 fluida 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.
Una maggiore versatilità ha permesso ai ricercatori di applicare YOLOv5 a diversi ambienti acquatici
Nel giro di un paio di giorni, utilizzando un piccolo set di dati di 3000 immagini senza augmentation, il gruppo è stato in grado di addestrare gli AUV a lavorare in laghi e fiumi. Nonostante l'acqua torbida e altre condizioni sfavorevoli, gli AUV addestrati su YOLOv5 sono stati comunque in grado di rilevare e identificare la plastica con elevata precisione.
“Eravamo alla ricerca di un algoritmo di object detection che producesse un'elevata accuratezza e fosse estremamente veloce. Gli ambienti oceanici in cui operiamo sono terreni aspri e difficili. YOLOv5 ha soddisfatto tutte le esigenze come il miglior modello di object detection che avremmo potuto utilizzare.”
“Ci piace usare YOLOv5 perché è molto facile da configurare e utilizzare, e ha prodotto costantemente i risultati che volevamo.”
“Per tutti i modelli futuri che implementeremo, guarderemo a YOLOv5 come la nostra 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.
.webp)