Nghiên cứu điển hình: DeepPlastic và YOLOv5

Nhựa đang khiến sinh vật biển ngạt thở: mỗi phút, hai xe tải chở đầy nhựa bị đổ xuống đại dương, tương đương hơn 10 triệu tấn mỗi năm. Các nhà khoa học của DeepPlastic cho biết lượng nhựa biển này đe dọa "môi trường biển, an toàn thực phẩm, sức khỏe con người, du lịch sinh thái và góp phần làm biến đổi khí hậu."

Để giải quyết vấn đề này, nhóm các nhà nghiên cứu và kỹ sư đang tìm hiểu cách thị giác máy tính có thể giúp loại bỏ nhựa trong đại dương.

Với công nghệ deep learning, các nhà nghiên cứu DeepPlastic đã phát triển một phương pháp sử dụng phương tiện tự hành dưới nước (AUVs) để quét, nhận diện và định lượng lượng nhựa nằm ngay dưới mặt biển, nơi ánh sáng vẫn có thể xuyên qua, hay còn gọi là tầng biểu quang.

“Mục tiêu của chúng tôi là tạo ra một model rất nhỏ, có tốc độ suy luận rất nhanh và có thể dùng để phát hiện nhựa.” Jay Lowe, Nhà nghiên cứu Machine Learning

Nhóm DeepPlastic đã huấn luyện hai model nhỏ gọn và chính xác, YOLOv4 và YOLOv5, cho phép phát hiện đối tượng theo thời gian thực. Các model này được huấn luyện trên dataset DeepTrash, bao gồm:

• 1900 ảnh huấn luyện, 637 ảnh kiểm thử, 637 ảnh validation (chia theo tỷ lệ 60, 20, 20)
• Ảnh thực địa chụp tại hồ Tahoe, vịnh San Francisco và vịnh Bodega ở CA.
• Ảnh trên Internet

“Chúng tôi cần một thuật toán phát hiện đối tượng có độ chính xác cao và tốc độ cực nhanh. Môi trường biển nơi chúng tôi làm việc rất khắc nghiệt, địa hình hiểm trở. Ultralytics YOLOv5 đáp ứng mọi yêu cầu và là model phát hiện đối tượng tốt nhất mà chúng tôi có thể sử dụng.” “Chúng tôi thích dùng YOLOv5 vì model rất dễ thiết lập và sử dụng, đồng thời luôn cho ra kết quả như mong muốn.” “Với mọi model sẽ triển khai trong tương lai, chắc chắn YOLOv5 sẽ là lựa chọn đầu tiên của chúng tôi.” Gautam Tata, Nhà nghiên cứu Machine Learning

Xem repository DeepPlastic, bài báo đã xuất bản và video tổng kết.