Пластик душит морскую фауну: каждую минуту в океаны сбрасывается два грузовика пластика, что составляет более 10 миллионов тонн в год. Ученые DeepPlastic утверждают, что этот морской пластик представляет собой угрозу для "морской среды, безопасности продуктов питания, здоровья людей, экологического туризма, а также способствует изменению климата".
Для борьбы с этим команда исследователей и инженеров изучает, как компьютерное зрение может устранить пластик в наших океанах.
С помощью технологии глубокого обучения исследователи DeepPlastic разработали подход, который использует автономные подводные аппараты (AUV) для сканирования, идентификации и количественной оценки пластика, находящегося чуть ниже поверхности океана, куда все еще может проникать свет, или эпипелагический слой.
"Наша цель состояла в том, чтобы создать очень маленькую модель с очень быстрой скоростью вывода, которую можно было бы использовать для обнаружения пластика".
Джей ЛоуИсследователь в области машинного обучения
Команда DeepPlastic обучила две небольшие и точные модели, YOLOv4 и YOLOv5, позволяющие обнаруживать объекты в режиме реального времени. Эти модели были обучены на наборе данных DeepTrash, который состоял из:
- 1900 тренировочных изображений, 637 тестовых изображений, 637 проверочных изображений (60, 20, 20 разделены)
- Полевые снимки, сделанные на озере Тахо, в заливе Сан-Франциско и заливе Бодега в Калифорнии.
- Internet images (<20%) taken by scraping Google Images.
- Глубоководные изображения из набора данных JAMSTEK JEDI
Как работают автономные подводные аппараты (AUV)
AUV - это робот, передвигающийся под водой. Это медленные аппараты, которые могут свободно скользить в океанских глубинах и возвращаться на поверхность. Чтобы AUV могли идентифицировать и собирать пластик под водой, в них должна быть установлена модель глубокого обучения. Для обнаружения пластика под водой AUV можно развернуть в три простых шага.
1. Установка модели глубокого обучения в беспилотный летательный аппарат
2. Сканируйте океан
3. Определить пластик
Проблемы с предыдущими моделями глубокого обучения и очисткой океана
Команда DeepPlastic протестировала несколько моделей глубокого обучения, таких как YOLOv4 и Faster R-CNN, на беспилотных летательных аппаратах. Однако исследователи столкнулись с целым рядом проблем, которые делали очистку океана проблематичной.
Ограниченный доступ к исследователям затормозил работу команды
Отсутствие в команде экспертов по глубокому обучению не позволило исследователям получить максимальную отдачу от моделей глубокого обучения.
Медленная скорость выводов Ослабленное обнаружение пластика
Вывод - это скорость, с которой AUV может распознать пластик. С YOLOv4 и Faster R-CNN беспилотные летательные аппараты стали не так эффективны в обнаружении пластика, что снизило их способность очищать воду.
Низкая точность идентификации объектов
YOLOv4 и Faster R-CNN имели в среднем лишь 77-80 % успеха при идентификации пластика.
Плохое обнаружение путало кораллы с пластиковыми объектами
При использовании Faster R-CNN 3-5% кораллов были идентифицированы AUV как пластиковые, что ниже допустимого стандарта.
Большая мощность и точность с YOLOv5
Перейдя на YOLOv5, исследователи сразу же заметили изменения. Точность повысилась, скорость стала максимальной, а простота YOLOv5 сделала его доступным для всех членов команды.
Скорость вывода в среднем на 20% выше по сравнению с более быстрой R-CNN
Точность 93%
Установка YOLOv5 занимает менее часа
Повышенная доступность позволила исследователям получить максимальную отдачу от YOLOv5
В YOLOv5 есть несколько аспектов, которые позволили команде легко работать с ним, основываясь на простом пошаговом процессе, который мы создали в репозитории.
- Загрузка репозитория была очень простой
- Вся документация была организована в четкой и понятной форме
- Упрощенное обучение модели
- Ручная проверка результатов
Повышенная скорость вывода данных Максимальная эффективность очистки океана
YOLOv5 показал на 20 % более высокую скорость вывода, чем Faster RCNN, обрабатывая в среднем 1 изображение за 9 миллисекунд. В результате беспилотные летательные аппараты смогли обнаруживать плавающий пластик с большей скоростью, что увеличило количество выловленного пластика и общую эффективность проекта.
Повышенная точность точных расчетов
Показатели точности составили в среднем 85%, а иногда доходили до 93%. Это значительно больше, чем 77-80 % в предыдущих моделях.
Повышенная простота использования позволяет исследователям
Настройка YOLOv5 прошла для исследователей легко и непринужденно. Пользователи получали инструкции от А до Я на протяжении всего процесса настройки, что позволило команде приступить к работе с YOLOv5 менее чем за час.
Улучшенная универсальность позволила исследователям применять YOLOv5 в различных водных средах
Уже через несколько дней, используя небольшой набор данных из 3000 изображений без дополнений, группа смогла обучить AUV работать в озерах и реках. Несмотря на мутную воду и другие плохие условия, AUV, обученные на YOLOv5, смогли обнаружить и идентифицировать пластик с высокой точностью.
"Мы искали алгоритм обнаружения объектов, который обеспечивал бы высокую точность и высокую скорость. Океанская среда, в которой мы работаем, - это суровая, пересеченная местность. YOLOv5 показал себя со всех сторон как лучшая модель обнаружения объектов, которую мы могли использовать".
"Нам нравится использовать YOLOv5, поскольку его так легко настроить и использовать, и он постоянно приносит результаты, которые мы хотели получить.
"Для всех будущих моделей, которые мы будем внедрять, мы будем рассматривать YOLOv5 в качестве первого выбора без тени сомнения".
Гаутам ТатаИсследователь в области машинного обучения
Ознакомьтесь с репозиторием DeepPlastic, опубликованной статьей и видеорепортажем.
.webp)