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 detect etmek için kullanılabilecek çok hızlı bir çıkarım hızına sahip çok küçük bir modele sahip olmaktı."
Jay Lowe, Makine Öğrenimi Araştırmacısı
DeepPlastic ekibi iki küçük ve hassas modeli eğitti: YOLOv4 ve YOLOv5gerçek zamanlı nesne tespitine olanak tanır. Bu modeller, aşağıdakilerden oluşan DeepTrash veri kümesi üzerinde eğitilmiştir:
- 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
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 detect 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
YOLOv5'e geçildiğinde araştırmacılar anında bir dönüşüm yaşandığını gördüler. Doğruluk artırıldı, hız en üst düzeye çıkarıldı ve YOLOv5 'in basitliği ekipteki herkes için erişilebilir hale geldi.
Faster R-CNN'e kıyasla ortalama %20 Daha Hızlı Çıkarım Hızı
%93 Kesinlik Oranı
YOLOv5 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 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 , 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 detect 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 '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 ' YOLOv5 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 detect 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, yayınlanmış makaleye ve video özetine göz atın.
