Nghiên cứu điển hình: DeepPlastic và YOLOv5

Nhựa đang làm nghẹt thở các loài sinh vật biển: cứ mỗi phút, hai xe tải nhựa lại 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 xã hội về "môi trường biển, an toàn thực phẩm, sức khỏe con người, du lịch sinh thái và những đóng góp vào biến đổi khí hậu."

Để giải quyết vấn đề này, nhóm các nhà nghiên cứu và kỹ sư đã tìm hiểu cách thị giác máy tính có thể loại bỏ nhựa khỏi 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 nhựa nằm ngay dưới bề mặt đại dương, 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 với tốc độ suy luận rất nhanh, có thể được sử dụng 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 (phân chia 60, 20, 20)
• Ảnh thực địa được chụp tại Hồ Tahoe, Vịnh San Francisco và Vịnh Bodega ở California.
• Ảnh trên Internet

“Chúng tôi đang tìm kiếm một thuật toán phát hiện đối tượng có độ chính xác cao và tốc độ cực nhanh. Môi trường đại dương nơi chúng tôi làm việc rất khắc nghiệt, với 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 rất thích sử dụng YOLOv5 vì model này cực kỳ dễ thiết lập và sử dụng, đồng thời liên tục cho ra những kết quả chúng tôi mong muốn.” “Đối với bất kỳ model nào trong tương lai mà chúng tôi triển khai, YOLOv5 chắc chắn 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 tóm tắt.