Plastik denizlerdeki vahşi yaşamı boğuyor: her dakika iki kamyon dolusu plastik okyanuslarımıza atılıyor ve bu da yılda 10 milyon tondan fazla plastik anlamına geliyor. DeepPlastic bilim insanları bu deniz plastiğinin "deniz çevresi, gıda güvenliği, insan sağlığı, eko-turizm ve iklim değişikliğine katkılar" açısından toplumsal tehditler oluşturduğunu belirtiyor.
Bununla mücadele etmek için araştırmacı ve mühendislerden oluşan bu ekip, bilgisayarla görmenin okyanuslarımızdaki plastiği nasıl ortadan kaldırabileceğini araştırıyor.
DeepPlastic araştırmacıları, derin öğrenme teknolojisiyle, okyanus yüzeyinin hemen altında bulunan ve ışığın hala nüfuz edebildiği Epipelajik tabaka olarak adlandırılan plastiklerin taranması, tanımlanması ve ölçülmesi için otonom su altı araçlarını (AUV'ler) kullanan bir yaklaşım geliştirdi.
"Amacımız, plastiği tespit etmek için kullanılabilecek çok hızlı bir çıkarım hızına sahip çok küçük bir modele sahip olmaktı."
Jay Lowe, Makine Öğrenimi Araştırmacısı
DeepPlastic ekibi, YOLOv4 ve YOLOv5 adlı iki küçük ve hassas modeli eğiterek gerçek zamanlı nesne tespitine olanak sağladı. Bu modeller, aşağıdakilerden oluşan DeepTrash veri kümesi üzerinde eğitilmiştir:
- 1900 eğitim görüntüsü, 637 test görüntüsü, 637 doğrulama görüntüsü (60, 20, 20 bölünmüş)
- Tahoe Gölü, San Francisco Körfezi ve Kaliforniya'daki Bodega Körfezi'nden çekilen saha görüntüleri.
- Internet images (<20%) taken by scraping Google Images.
- JAMSTEK JEDI veri setinden Derin Deniz görüntüleri
Otonom Sualtı Araçları (AUV'ler) Nasıl Çalışır?
AUV, su altında seyahat eden bir robottur. Okyanusun derinliklerine serbestçe süzülebilen ve yüzeye geri dönebilen yavaş araçlardır. Su altındaki plastiği tespit edip toplayabilmeleri için AUV'lere bir derin öğrenme modeli kurulmalıdır. AUV'ler su altındaki plastiği tespit etmek için üç kolay adımda konuşlandırılabilir.
1. Bir AUV'ye Derin Öğrenme Modeli Kurun
2. Okyanusu tarayın
3. Plastik Tanımlama
Önceki Derin Öğrenme Modelleri ve Okyanus Temizliği ile İlgili Sorunlar
DeepPlastic ekibi, AUV'lerde YOLOv4 ve Faster R-CNN gibi çeşitli derin öğrenme modellerini test etti. Ancak araştırmacıların karşısına okyanus temizliğini sorunlu hale getiren bir dizi zorluk çıktı.
Araştırmacılara Sınırlı Erişilebilirlik Ekibi Duraklattı
Ekipte herhangi bir derin öğrenme uzmanı olmadığı için araştırmacıların derin öğrenme modellerinden en iyi şekilde yararlanmaları engellendi.
Yavaş Çıkarım Hızı Zayıflatılmış Plastik Algılama
Çıkarım, AUV'nin plastiği ne kadar hızlı tanıyabildiğidir. YOLOv4 ve Faster R-CNN ile AUV'ler plastiği tespit etmede o kadar etkili olamadılar ve suyu temizleme yetenekleri azaldı.
Nesne Tanımlamada Düşük Doğruluk
YOLOv4 ve Faster R-CNN, plastiği tanımlarken yalnızca ortalama %77-%80 başarı oranına sahipti.
Zayıf Algılama Mercanları Plastik Nesnelerle Karıştırdı
Faster R-CNN kullanıldığında, mercanların %3-5'i AUV'ler tarafından plastik olarak tanımlanmıştır, bu da kabul edilebilir standardın altındadır.
YOLOv5 ile Daha Fazla Güç ve Doğruluk
YOLOv5'e geçildiğinde araştırmacılar anında bir dönüşüm yaşandığını gördüler. Doğruluk artırıldı, hız en üst düzeye çıkarıldı ve YOLOv5'in basitliği onu ekipteki herkes için erişilebilir hale getirdi.
Daha Hızlı R-CNN ile Karşılaştırıldığında Ortalama %20 Daha Hızlı Çıkarım Hızı
93 Hassasiyet Oranı
YOLOv5'i Kurmak Bir Saatten Az Sürer
Artan Erişilebilirlik Araştırmacıların YOLOv5'ten En İyi Şekilde Yararlanmasını Sağladı
YOLOv5'in, depoda oluşturduğumuz basit adım adım sürece dayalı olarak ekibin kolayca çalışmasına olanak tanıyan çeşitli yönleri vardı.
- Depoyu indirmek çok kolaydı
- Tüm dokümantasyon açık ve takip edilmesi kolay bir şekilde düzenlenmiştir
- Basitleştirilmiş model eğitimi
- Manuel sonuç kontrolü
Daha Yüksek Çıkarım Hızı Okyanus Temizleme Verimliliğini En Üst Düzeye Çıkarır
YOLOv5, ortalama 1 görüntüyü 9 milisaniyede işleyerek Faster RCNN'den %20 daha yüksek çıkarım hızları sunmuştur. Sonuç olarak, AUV'ler yüzen plastiği daha hızlı bir şekilde tespit edebildi, bu da yakalanan plastik miktarını ve genel proje verimliliğini artırdı.
Hassasiyet Oranlarında Geliştirilmiş Doğruluk
Hassasiyet oranları bazen %93'e kadar çıkan %85'lik bir ortalamaya sahipti. Bu, önceki modellerde görülen %77-80 ortalamasından bir sıçramadır.
Araştırmacılara Daha Fazla Kullanım Kolaylığı Sağlandı
YOLOv5'in kurulumu araştırmacılar için hem sorunsuz hem de zahmetsiz bir deneyim oldu. Kullanıcılar tüm kurulum süreci boyunca A'dan Z'ye yönlendirilerek ekibin YOLOv5'i bir saatten kısa bir sürede kullanmaya başlaması sağlandı.
Geliştirilmiş Çok Yönlülük Araştırmacıların YOLOv5'i Farklı Su Ortamlarına Uygulamasına Olanak Sağladı
Birkaç gün içinde, 3000 görüntüden oluşan küçük bir veri setini artırma olmadan kullanan grup, AUV'leri göllerde ve nehirlerde çalışmak üzere eğitmeyi başardı. Bulanık su ve diğer kötü koşullara rağmen, YOLOv5 üzerinde eğitilen AUV'ler plastiği yüksek doğrulukla tespit edip tanımlayabildi.
"Yüksek doğrulukta ve son derece hızlı bir nesne algılama algoritması arıyorduk. Çalıştığımız okyanus ortamları sert ve engebeli araziler. YOLOv5, kullanabileceğimiz en iyi nesne algılama modeli olarak her yönden bize yardımcı oldu.
"Kurulumu ve kullanımı çok kolay olduğu için YOLOv5'i kullanmayı seviyoruz ve sürekli olarak istediğimiz sonuçları üretiyor.
"Gelecekte kullanacağımız tüm modeller için ilk tercihimiz hiç şüphesiz YOLOv5 olacak."
Gautam Tata, Makine Öğrenimi Araştırmacısı
DeepPlastic deposuna, yayınlanan makaleye ve video özetine göz atın.
.webp)