O plástico está sufocando a vida selvagem marinha: a cada minuto, duas cargas de caminhão de plástico são despejadas em nossos oceanos, o que equivale a mais de 10 milhões de toneladas por ano. Cientistas da DeepPlastic afirmam que esse plástico marinho representa ameaças sociais ao "ambiente marinho, segurança alimentar, saúde humana, ecoturismo e contribuições para as mudanças climáticas".
Para combater isso, esta equipe de pesquisadores e engenheiros tem investigado como a visão computacional pode eliminar o plástico em nossos oceanos.
Com a tecnologia de aprendizado profundo, os pesquisadores da DeepPlastic desenvolveram uma abordagem que usa veículos subaquáticos autônomos (AUVs) para escanear, identificar e quantificar o plástico localizado logo abaixo da superfície do oceano, onde a luz ainda pode penetrar, ou a camada Epipelágica.
"O nosso objetivo era ter um modelo muito pequeno com uma velocidade de inferência muito rápida que pudesse ser utilizado para detect plástico".
Jay Lowe, Pesquisador de Machine Learning
A equipa DeepPlastic treinou dois modelos pequenos e precisos, YOLOv4 e YOLOv5que permitem a deteção de objectos em tempo real. Estes modelos foram treinados no conjunto de dados DeepTrash, que consistia em:
- 1900 imagens de treino, 637 imagens de teste, 637 imagens de validação (divisão de 60, 20, 20)
- Imagens de campo tiradas de Lake Tahoe, San Francisco Bay e Bodega Bay na CA.
- Internet images (<20%) taken by scraping Google Images.
- Imagens de águas profundas do conjunto de dados JAMSTEK JEDI
Como Funcionam os Veículos Subaquáticos Autônomos (AUVs)
Um AUV é um robot que se desloca debaixo de água. São veículos lentos que podem deslizar livremente para as profundezas do oceano e regressar à superfície. Um modelo de aprendizagem profunda tem de ser instalado nos AUVs para que estes possam identificar e recolher plástico debaixo de água. Os AUVs podem ser utilizados em três passos simples para detect plástico debaixo de água.
1. Instale um Modelo de Deep Learning em um AUV
2. Escanear o Oceano
3. Identificar Plástico
Os Problemas Com Modelos de Deep Learning Anteriores e Limpeza dos Oceanos
A equipe DeepPlastic testou vários modelos de aprendizado profundo, como YOLOv4 e Faster R-CNN, em AUVs. No entanto, os pesquisadores foram confrontados com uma série de desafios que tornaram a limpeza do oceano problemática.
A Acessibilidade Limitada aos Investigadores Bloqueou a Equipa
Sem especialistas em deep learning na equipa, os investigadores foram impedidos de tirar o máximo proveito dos modelos de deep learning.
Velocidade de Inferência Lenta Prejudicou a Detecção de Plástico
A inferência é a rapidez com que o VSA pode reconhecer o plástico. Com o YOLOv4 e o Faster R-CNN, os VSAs não eram tão eficazes na detecção de plástico, prejudicando sua capacidade de limpar a água.
Baixa Precisão na Identificação de Objetos
O YOLOv4 e o Faster R-CNN tiveram uma taxa de sucesso média de apenas 77%-80% ao identificar plástico.
Detecção Falha Confundiu Corais Com Objetos de Plástico
Ao usar o Faster R-CNN, 3-5% dos corais foram identificados como plástico por AUVs, o que estava abaixo do padrão aceitável.
Maior potência e precisão com o YOLOv5
Ao mudar para o YOLOv5, os investigadores viram uma transformação imediata. A precisão foi aumentada, a velocidade foi maximizada e a simplicidade do YOLOv5 tornou-o acessível a todos os membros da equipa.
Velocidade de Inferência 20% Mais Rápida Em Média Quando Comparada ao Faster R-CNN
Taxa de Precisão de 93%
Menos de uma hora para configurar YOLOv5
O aumento da acessibilidade permitiu que os investigadores tirassem o máximo partido do YOLOv5
Houve vários aspectos do YOLOv5 que permitiram que a equipa trabalhasse facilmente com ele, com base no processo simples passo-a-passo que estabelecemos no repositório.
- O download do repositório foi direto
- Toda a documentação foi organizada de forma clara e fácil de seguir.
- Treinamento de modelo simplificado
- Verificação manual de resultados
Maior Velocidade de Inferência Maximizou a Eficiência da Limpeza dos Oceanos
YOLOv5 apresentou velocidades de inferência 20% mais rápidas do que o Faster RCNN, processando uma média de 1 imagem em 9 milissegundos. Como resultado, os AUVs foram capazes de detect plástico flutuante a uma velocidade mais rápida, o que aumentou a quantidade de plástico capturado e a eficiência geral do projeto.
Precisão Aprimorada nas Taxas de Precisão
As taxas de precisão estavam em uma média de 85%, que às vezes chegava a 93%. Este é um salto da média de 77-80% observada com modelos anteriores.
Maior Facilidade de Uso Permitida aos Pesquisadores
A configuração YOLOv5 foi uma experiência simples e sem esforço para os investigadores. Os utilizadores foram guiados de A a Z ao longo de todo o processo de configuração, permitindo que a equipa começasse a utilizar o YOLOv5 em menos de uma hora.
A versatilidade melhorada permitiu aos investigadores aplicar YOLOv5 a diferentes ambientes aquáticos
Em poucos dias, utilizando um pequeno conjunto de dados de 3000 imagens sem aumento, o grupo conseguiu treinar os AUVs para trabalharem em lagos e rios. Apesar da água turva e de outras condições adversas, os AUVs treinados no YOLOv5 conseguiram detect e identificar plástico com elevada precisão.
"Estávamos à procura de um algoritmo de deteção de objectos que produzisse uma elevada precisão e fosse extremamente rápido. Os ambientes oceânicos em que trabalhamos são terrenos duros e difíceis. YOLOv5 foi o melhor modelo de deteção de objectos que poderíamos ter utilizado em todas as frentes.
"Adoramos utilizar YOLOv5 porque é muito fácil de configurar e utilizar, e tem produzido os resultados que pretendíamos de forma consistente.
"Para quaisquer modelos futuros que venhamos a implementar, iremos considerar YOLOv5 como a nossa primeira escolha, sem qualquer sombra de dúvida."
Gautam Tata, Pesquisador de Machine Learning
Confira o repositório DeepPlastic, o artigo publicado e o resumo do vídeo.
