Plastik, deniz yaşamını boğuyor: her dakika, okyanuslarımıza iki kamyon dolusu plastik dökülüyor, bu da yılda 10 milyon tondan fazla ediyor. DeepPlastic bilim insanları, bu deniz plastiğinin "deniz ortamı, gıda güvenliği, insan sağlığı, eko-turizm ve iklim değişikliğine katkıları" açısından toplumsal tehditler oluşturduğunu belirtiyor.
Bununla mücadele etmek için, bu araştırmacı ve mühendis ekibi, bilgisayarlı görünün okyanuslarımızdaki plastiği nasıl ortadan kaldırabileceğini araştırıyor.
Derin öğrenme teknolojisi ile DeepPlastic araştırmacıları, ışığın hala nüfuz edebildiği okyanusun yüzeyinin hemen altında bulunan veya Epipelajik katmanda bulunan plastiği taramak, tanımlamak ve ölçmek için otonom su altı araçlarını (AUV'ler) kullanan bir yaklaşım geliştirdiler.
“Amacımız, plastiği tespit etmek için kullanılabilecek çok hızlı bir çıkarım hızına sahip çok küçük bir model elde etmekti.”
Jay Lowe, Makine Öğrenimi Araştırmacısı
DeepPlastic ekibi, gerçek zamanlı nesne tespiti sağlamak için iki küçük ve hassas model olan YOLOv4 ve YOLOv5'i eğitti. Bu modeller, aşağıdakilerden oluşan DeepTrash veri kümesi üzerinde eğitildi:
- 1900 eğitim görseli, 637 test görseli, 637 doğrulama görseli (%60, %20, %20 bölünmüş)
- CA'daki Tahoe Gölü, San Francisco Körfezi ve Bodega Körfezi'nden alınan saha görüntüleri.
- Internet images (<20%) taken by scraping Google Images.
- JAMSTEK JEDI veri kümesinden derin deniz görüntüleri
Otonom Sualtı Araçları (AUV'ler) Nasıl Çalışır
Otonom sualtı aracı (AUV), su altında hareket eden bir robottur. Okyanus derinliklerine serbestçe süzülebilen ve yüzeye geri dönebilen yavaş araçlardır. Sualtında plastikleri tanımlayabilmeleri ve toplayabilmeleri için AUV'lere bir derin öğrenme modeli kurulmalıdır. AUV'ler, su altında plastikleri tespit etmek için üç kolay adımda konuşlandırılabilir.
1. Bir Derin Öğrenme Modelini Bir AUV'ye Yükleme
2. Okyanusu Tara
3. Plastik Maddeleri Tanımlayın
Önceki Derin Öğrenme Modelleri ve Okyanus Temizliğinin Sorunları
DeepPlastic ekibi, AUV'ler üzerinde YOLOv4 ve Faster R-CNN gibi çeşitli derin öğrenme modellerini test etti. Ancak araştırmacılar, okyanus temizliğini sorunlu hale getiren bir dizi zorlukla karşılaştılar.
Araştırmacılara Sınırlı Erişilebilirlik Ekibin Çalışmasını Engelledi
Ekipte derin öğrenme uzmanı olmadığı için araştırmacılar derin öğrenme modellerinden en iyi şekilde yararlanamadı.
Yavaş Çıkarım Hızı Plastik Algılamayı Zayıflattı
Çıkarım, AUV'nin plastiği ne kadar hızlı tanıyabildiğidir. YOLOv4 ve Faster R-CNN ile AUV'ler plastiği tespit etmede o kadar etkili değildi ve bu da suyu temizleme yeteneklerini baltalıyordu.
Nesne Tanımlamada Düşük Doğruluk
YOLOv4 ve Faster R-CNN, plastiği tanımlarken ortalama %77-%80 başarı oranına sahipti.
Zayıf Algılama, Mercanları Plastik Nesnelerle Karıştırdı
Faster R-CNN kullanılırken, AUV'ler tarafından mercanların %3-5'i kabul edilebilir standardın altında bir oranla plastik olarak tanımlanmıştır.
YOLOv5 ile Daha Fazla Güç ve Doğruluk
Araştırmacılar YOLOv5'e geçtiklerinde, anında bir dönüşüm gördüler. Doğruluk arttırıldı, hız maksimize edildi ve YOLOv5'in basitliği onu ekipteki herkes için erişilebilir hale getirdi.
Faster R-CNN'e kıyasla ortalama %20 Daha Hızlı Çıkarım Hızı
%93 Kesinlik Oranı
YOLOv5'i Kurmak İçin Bir Saatten Az Süre
Artan Erişilebilirlik, Araştırmacıların YOLOv5'ten En İyi Şekilde Yararlanmasını Sağladı
YOLOv5'in, ekip tarafından kolayca kullanılmasını sağlayan ve depoda oluşturduğumuz basit adım adım sürece dayanan çeşitli yönleri vardı.
- Depoyu indirmek kolaydı
- Tüm dokümantasyon, açık ve kolay anlaşılır bir şekilde düzenlenmişti
- Basitleştirilmiş model eğitimi
- Manuel sonuç kontrolü
Daha Yüksek Çıkarım Hızı, Okyanus Temizleme Verimliliğini En Üst Düzeye Çıkardı
YOLOv5, Faster RCNN'den %20 daha hızlı çıkarım hızları sunarak ortalama 9 milisaniyede 1 görüntüyü işledi. Sonuç olarak, AUV'ler yüzen plastiği daha hızlı bir hızda tespit edebildi, bu da yakalanan plastik miktarını ve genel proje verimliliğini artırdı.
Hassasiyet Oranlarında Artırılmış Doğruluk
Hassasiyet oranları ortalama %85'teydi ve bazen %93'e kadar çıktı. Bu, önceki modellerde görülen %77-80 ortalamasından bir sıçramadır.
Araştırmacılar İçin Daha Fazla Kullanım Kolaylığı
YOLOv5'i kurmak, araştırmacılar için hem sorunsuz hem de zahmetsiz bir deneyimdi. Kullanıcılara tüm kurulum süreci boyunca A'dan Z'ye rehberlik edildi ve ekibin bir saatten kısa sürede YOLOv5'e başlamasına olanak tanındı.
Gelişmiş Çok Yönlülük, Araştırmacıların YOLOv5'i Farklı Su Ortamlarına Uygulamasına Olanak Sağladı
Birkaç gün içinde, artırma olmadan 3000 görüntüden oluşan küçük bir veri kümesi kullanılarak, grup AUV'leri göllerde ve nehirlerde çalışacak şekilde eğitebildi. Bulanık suya ve diğer kötü koşullara rağmen, YOLOv5 üzerinde eğitilen AUV'ler plastiği hala yüksek doğrulukla tespit edip tanımlayabiliyordu.
“Yüksek doğruluk üreten ve son derece hızlı olan bir nesne algılama algoritması arıyorduk. İçinde çalıştığımız okyanus ortamları zorlu, engebeli arazilerdir. YOLOv5, kullanabileceğimiz en iyi nesne algılama modeli olarak tüm cephelerde başarılı oldu.
“YOLOv5'i kullanmayı seviyoruz çünkü kurulumu ve kullanımı çok kolay ve sürekli olarak istediğimiz sonuçları üretiyor.
“Gelecekteki tüm modellerimiz için, şüphe duymadan ilk tercihimiz olarak YOLOv5'e bakacağız.”
Gautam Tata, Makine Öğrenimi Araştırmacısı
DeepPlastic deposuna, yayınlanmış makaleye ve video özetine göz atın.
.webp)