Пластик губит морскую флору и фауну: каждую минуту в океан 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 пищевых продуктов, здоровья человека, экотуризма и вносит вклад в изменение климата".
Чтобы бороться с этим, эта 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, расположенного непосредственно под поверхностью океана, где свет все еще может проникать, или в эпипелагическом слое.
"Наша цель состояла в том, чтобы создать очень маленькую модель с очень быстрой скоростью вывода, которую можно было бы использовать для detect пластика".
Джей Лоу, Исследователь машинного обучения
Команда DeepPlastic обучила две небольшие и точные модели, YOLOv4 и YOLOv5позволяющие обнаруживать объекты в режиме реального времени. Эти модели были обучены на наборе данных DeepTrash, который состоял из:
- 1900 изображений для обучения, 637 изображений для тестирования, 637 изображений для валидации (разделение 60, 20, 20)
- Полевые изображения, снятые с озера Тахо, залива Сан-Франциско и залива Бодега в Калифорнии.
- Internet images (<20%) taken by scraping Google Images.
- Изображения из морских глубин 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 detect пластика под водой AUV можно развернуть в три простых шага.
1. Установите модель глубокого обучения в AUV
2. Сканирование океана
3. Идентификация пластика
Проблемы предыдущих моделей глубокого обучения и очистка океана
Команда DeepPlastic протестировала несколько моделей глубокого обучения, таких как YOLOv4 и Faster R-CNN на AUV. Однако исследователи столкнулись с рядом проблем, которые сделали очистку океана проблематичной.
Ограниченный доступ исследователей затормозил работу команды
Из-за отсутствия экспертов по глубокому обучению в команде, исследователи не могли получить максимальную отдачу от моделей глубокого обучения.
Низкая скорость инференса ослабила обнаружение пластика
Определение пластика — это то, насколько быстро AUV может распознать пластик. С YOLOv4 и Faster R-CNN AUV были не так эффективны в обнаружении пластика, что снижало их способность очищать воду.
Низкая точность идентификации объектов
YOLOv4 и Faster R-CNN имели средний показатель успеха при идентификации пластика всего 77%-80%.
Плохое обнаружение: кораллы были ошибочно приняты за пластиковые объекты
При использовании Faster R-CNN 3-5% кораллов были идентифицированы AUV как пластик, что было ниже приемлемого 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.
В среднем на 20% выше скорость инференса по сравнению с Faster R-CNN
93% Точность
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 прошла без проблем
- Вся документация была организована четко и удобно для восприятия
- Упрощенное обучение моделей
- Ручная проверка результатов
Максимальная скорость инференса для повышения эффективности 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 detect плавающий пластик с большей скоростью, что увеличило количество выловленного пластика и общую эффективность проекта.
Повышенная точность показателей прецизионности
Показатели точности составляли в среднем 85%, а иногда достигали 93%. Это скачок по сравнению со средним показателем 77-80%, наблюдавшимся в предыдущих моделях.
Более легкое использование для исследователей
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 detect 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 и пересеченная местность. YOLOv5 показал себя со всех сторон как лучшая модель обнаружения объектов, которую мы могли использовать".
"Нам нравится использовать YOLOv5 , поскольку его так просто настроить и использовать, и он постоянно приносит результаты, которые мы хотели получить.
"Для всех будущих моделей, которые мы будем внедрять, мы без тени сомнения будем рассматривать YOLOv5 в качестве первого выбора".
Гаутам Тата, Исследователь машинного обучения
Ознакомьтесь с репозиторием DeepPlastic, опубликованной статьей и видеообзором.
