Casestudie: DeepPlastic en YOLOv5

Plastic verstikt de zeedieren: elke minuut worden er twee vrachtwagenladingen plastic in onze oceanen gedumpt, wat neerkomt op meer dan 10 miljoen ton per jaar. Wetenschappers van DeepPlastic stellen dat dit plastic in zee een maatschappelijke bedreiging vormt voor het "zeemilieu, voedselveiligheid, menselijke gezondheid, ecotoerisme en bijdragen aan klimaatverandering."

Om dit tegen te gaan heeft dit team van onderzoekers en ingenieurs onderzocht hoe computervisie plastic in onze oceanen kan elimineren.

Met behulp van deep learning-technologie hebben DeepPlastic-onderzoekers een benadering ontwikkeld die gebruik maakt van autonome onderwatervoertuigen (AUV's) om plastic te scannen, identificeren en kwantificeren dat zich net onder het oceaanoppervlak bevindt waar het licht nog doorheen kan dringen, oftewel de Epipelagische laag.

"Ons doel was om een heel klein model te hebben met een zeer snelle inferentiesnelheid dat gebruikt kan worden om plastic te detecteren."

Jay LoweOnderzoeker Machine Leren

Het DeepPlastic team trainde twee kleine en nauwkeurige modellen, YOLOv4 en YOLOv5waarmee objecten in realtime kunnen worden gedetecteerd. Deze modellen werden getraind op de DeepTrash dataset, die bestond uit:

• 1900 trainingsafbeeldingen, 637 testafbeeldingen, 637 validatieafbeeldingen (60, 20, 20 gesplitst)
• Veldfoto's genomen van Lake Tahoe, San Francisco Bay en Bodega Bay in CA.
• Internet images (<20%) taken by scraping Google Images.
• Diepzeebeelden van JAMSTEK JEDI dataset

Hoe autonome onderwatervoertuigen (AUV's) werken

Een AUV is een robot die onder water reist. Het zijn langzame voertuigen die vrij naar de diepten van de oceaan kunnen glijden en weer terug naar de oppervlakte. Er moet een deep learning model in de AUV's worden geïnstalleerd om ze in staat te stellen plastic onder water te identificeren en te verzamelen. AUV's kunnen in drie eenvoudige stappen worden ingezet om plastic onder water te detecteren.

1. Een diep lerend model installeren in een AUV

2. Scan de oceaan

3. Plastic identificeren

De problemen met eerdere Deep Learning-modellen & oceaanreiniging

Het DeepPlastic team testte verschillende deep learning modellen zoals YOLOv4 en Faster R-CNN op AUV's. De onderzoekers werden echter geconfronteerd met een reeks uitdagingen die het schoonmaken van de oceaan problematisch maakten.

Beperkte toegankelijkheid tot onderzoekers blokkeerde het team

Zonder experts op het gebied van deep learning in het team konden de onderzoekers niet het maximale uit de deep learning-modellen halen.

Trage inferentiesnelheid Verzwakte detectie van plastic

Inferencing is hoe snel de AUV plastic kan herkennen. Met YOLOv4 en Faster R-CNN waren AUV's niet zo effectief in het detecteren van plastic, waardoor hun vermogen om het water schoon te maken werd aangetast.

Lage nauwkeurigheid bij objectidentificatie

YOLOv4 en Faster R-CNN hadden gemiddeld slechts 77%-80% succes bij het identificeren van plastic.

Slechte detectie verwart koralen met plastic voorwerpen

Bij gebruik van Faster R-CNN werd 3-5% van de koralen door AUV's als plastic geïdentificeerd, wat onder de acceptabele norm lag.

Meer kracht en nauwkeurigheid met YOLOv5

Bij de overstap naar YOLOv5 zagen de onderzoekers een onmiddellijke transformatie. De nauwkeurigheid werd vergroot, de snelheid werd gemaximaliseerd en de eenvoud van YOLOv5 maakte het toegankelijk voor iedereen in het team.

Gemiddeld 20% snellere inferentiesnelheid vergeleken met snellere R-CNN

93% nauwkeurigheidspercentage

Minder dan een uur om op te zetten YOLOv5

Verhoogde toegankelijkheid stelde onderzoekers in staat om het meeste te halen uit YOLOv5

Er waren verschillende aspecten van YOLOv5 waardoor het team er gemakkelijk mee kon werken, gebaseerd op het eenvoudige stapsgewijze proces dat we op de repository hebben ingesteld.

• Het downloaden van de repository was eenvoudig
• Alle documentatie was op een duidelijke, gemakkelijk te volgen manier georganiseerd
• Vereenvoudigde modeltraining
• Handmatige resultaatcontrole

Hogere inferentiesnelheid Maximale efficiëntie oceaanreiniging

YOLOv5 had een 20% hogere inferentiesnelheid dan Faster RCNN, waarbij gemiddeld 1 beeld in 9 milliseconden werd verwerkt. Als gevolg daarvan konden AUV's drijvend plastic sneller detecteren, waardoor de hoeveelheid gevangen plastic en de algehele efficiëntie van het project toenamen.

Verbeterde nauwkeurigheid in precisietarieven

De nauwkeurigheidspercentages lagen op een gemiddelde van 85% dat soms opliep tot 93%. Dit is een sprong voorwaarts ten opzichte van het gemiddelde van 77-80% bij eerdere modellen.

Meer gebruiksgemak voor onderzoekers

Het instellen van YOLOv5 verliep naadloos en moeiteloos voor de onderzoekers. Gebruikers werden van A tot Z begeleid tijdens het hele instelproces, waardoor het team in minder dan een uur aan de slag kon met YOLOv5 .

Dankzij de verbeterde veelzijdigheid konden de onderzoekers YOLOv5 toepassen op verschillende wateromgevingen

Binnen een paar dagen, met behulp van een kleine dataset van 3000 beelden zonder augmentatie, kon de groep de AUV's trainen om in meren en rivieren te werken. Ondanks troebel water en andere slechte omstandigheden konden de AUV's, getraind op YOLOv5 , nog steeds met hoge nauwkeurigheid plastic detecteren en identificeren.

"We waren op zoek naar een algoritme voor objectdetectie dat een hoge nauwkeurigheid levert en extreem snel is. De oceaanomgevingen waarin we werken zijn ruige, ruwe terreinen. YOLOv5 leverde op alle fronten het beste objectdetectiemodel dat we hadden kunnen gebruiken.

"We gebruiken YOLOv5 graag omdat het zo eenvoudig in te stellen en te gebruiken is, en het heeft consequent de resultaten opgeleverd die we wilden.

"Voor alle toekomstige modellen die we gaan inzetten, zullen we zonder enige twijfel kijken naar YOLOv5 als onze eerste keuze."

Gautam TataOnderzoeker Machine Leren

‍

Bekijk het DeepPlastic archief, het gepubliceerde artikel en de videoverslag.

‍