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.
“Nosso objetivo era ter um modelo muito pequeno com uma velocidade de inferência muito rápida que pudesse ser usado para detectar plástico.”
Jay Lowe, Pesquisador de Machine Learning
A equipe DeepPlastic treinou dois modelos pequenos e precisos, YOLOv4 e YOLOv5, permitindo a detecção de objetos em tempo real. Esses 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 VSA é um robô que viaja debaixo d'água. São veículos lentos que podem deslizar livremente para as profundezas do oceano e de volta à superfície. Um modelo de deep learning deve ser instalado nos VSAs para que eles possam identificar e coletar plástico debaixo d'água. Os VSAs podem ser implantados em três etapas fáceis para detectar plástico debaixo d'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 Poder e Precisão com YOLOv5
Ao mudar para o YOLOv5, os pesquisadores viram uma transformação imediata. A precisão foi aumentada, a velocidade foi maximizada e a simplicidade do YOLOv5 o tornou acessível a todos na equipe.
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 o YOLOv5
Maior acessibilidade permitiu que os investigadores aproveitassem ao máximo o YOLOv5
Houve vários aspectos do YOLOv5 que permitiram à equipe trabalhar 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
O 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 conseguiram detectar plástico flutuante em uma velocidade maior, 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 do YOLOv5 foi uma experiência perfeita e sem esforço para os pesquisadores. Os usuários foram guiados de A a Z durante todo o processo de configuração, permitindo que a equipe começasse a usar o YOLOv5 em menos de uma hora.
A versatilidade aprimorada permitiu que os pesquisadores aplicassem o YOLOv5 a diferentes ambientes aquáticos
Em poucos dias, usando um pequeno conjunto de dados de 3000 imagens sem aumento, o grupo conseguiu treinar os AUVs para trabalhar em lagos e rios. Apesar da água turva e de outras condições precárias, os AUVs treinados no YOLOv5 ainda conseguiam detetar e identificar plástico com alta precisão.
“Estávamos procurando um algoritmo de detecção de objetos que produzisse alta precisão e fosse extremamente rápido. Os ambientes oceânicos em que trabalhamos são terrenos acidentados e difíceis. O YOLOv5 cumpriu todos os requisitos como o melhor modelo de detecção de objetos que poderíamos ter usado.”
“Adoramos usar o YOLOv5, pois é muito fácil de configurar e usar, e tem produzido os resultados que sempre desejamos.”
“Para quaisquer modelos futuros que implementarmos, consideraremos o YOLOv5 como a nossa primeira escolha, sem sombra de dúvida.”
Gautam Tata, Pesquisador de Machine Learning
Confira o repositório DeepPlastic, o artigo publicado e o resumo do vídeo.
.webp)