Plastik erstickt die Meeresfauna und -flora: Jede Minute werden zwei LKW-Ladungen Plastik in unsere Ozeane gekippt, das sind über 10 Millionen Tonnen pro Jahr. DeepPlastic-Wissenschaftler erklären, dass dieses Plastik im Meer eine gesellschaftliche Bedrohung für die Meeresumwelt, die Lebensmittelsicherheit, die menschliche Gesundheit, den Ökotourismus und den Beitrag zum Klimawandel darstellt.
Um das zu bekämpfen, hat dieses Team von Forschern und Ingenieuren untersucht, wie man mit Hilfe von Computer Vision Plastik in unseren Ozeanen beseitigen kann.
Die DeepPlastic-Forscher haben mit Hilfe von Deep Learning einen Ansatz entwickelt, der autonome Unterwasserfahrzeuge (AUVs) einsetzt, um Plastik knapp unter der Meeresoberfläche, wo das Licht noch durchdringen kann (Epipelagische Schicht), zu scannen, zu identifizieren und zu quantifizieren.
"Unser Ziel war es, ein sehr kleines Modell mit einer sehr schnellen Inferenzgeschwindigkeit zu haben, mit dem man Plastik erkennen kann.
Jay LoweForscher für maschinelles Lernen
Das DeepPlastic-Team trainierte zwei kleine und präzise Modelle, YOLOv4 und YOLOv5trainiert, die eine Objekterkennung in Echtzeit ermöglichen. Diese Modelle wurden mit dem DeepTrash-Datensatz trainiert, der aus folgenden Elementen bestand:
- 1900 Trainingsbilder, 637 Testbilder, 637 Validierungsbilder (60, 20, 20 aufgeteilt)
- Bilder aus dem Lake Tahoe, der San Francisco Bay und der Bodega Bay in Kalifornien.
- Internet images (<20%) taken by scraping Google Images.
- Tiefseebilder aus dem JAMSTEK JEDI-Datensatz
Wie autonome Unterwasserfahrzeuge (AUVs) funktionieren
Ein AUV ist ein Roboter, der sich unter Wasser fortbewegt. Es sind langsame Fahrzeuge, die frei in die Tiefen des Ozeans und zurück an die Oberfläche gleiten können. Damit die AUVs Plastik unter Wasser erkennen und einsammeln können, müssen sie mit einem Deep-Learning-Modell ausgestattet sein. AUVs können in drei einfachen Schritten eingesetzt werden, um Plastik unter Wasser aufzuspüren.
1. Ein Deep Learning Modell in ein AUV einbauen
2. Den Ozean scannen
3. Plastik identifizieren
Die Probleme mit bisherigen Deep Learning-Modellen & Ocean Cleaning
Das DeepPlastic-Team testete mehrere Deep-Learning-Modelle wie YOLOv4 und Faster R-CNN auf AUVs. Die Forscherinnen und Forscher sahen sich jedoch mit einer Reihe von Herausforderungen konfrontiert, die die Reinigung der Ozeane erschwerten.
Begrenzte Zugänglichkeit zu Forschern bremste das Team
Ohne Deep-Learning-Experten im Team war es den Forschern nicht möglich, das Beste aus den Deep-Learning-Modellen herauszuholen.
Langsame Inferencing-Geschwindigkeit Geschwächte Plastik-Erkennung
Inferencing bedeutet, wie schnell das AUV Plastik erkennen kann. Mit YOLOv4 und Faster R-CNN waren AUVs nicht so effektiv bei der Erkennung von Plastik, was ihre Fähigkeit, das Wasser zu reinigen, beeinträchtigte.
Geringe Genauigkeit bei der Objektidentifizierung
YOLOv4 und Faster R-CNN hatten nur eine durchschnittliche Erfolgsquote von 77%-80% bei der Erkennung von Plastik.
Schlechte Erkennung verwechselte Korallen mit Plastikgegenständen
Bei der Verwendung von Faster R-CNN wurden 3-5% der Korallen von AUVs als Plastik identifiziert, was unter dem akzeptablen Standard lag.
Höhere Leistung und Genauigkeit mit YOLOv5
Als sie auf YOLOv5 umstiegen, sahen die Forscher eine sofortige Veränderung. Die Genauigkeit wurde erhöht, die Geschwindigkeit maximiert und die Einfachheit von YOLOv5 machte es für jeden im Team zugänglich.
Durchschnittlich 20% schnellere Inferenzgeschwindigkeit im Vergleich zu schnellerem R-CNN
93% Präzisionsrate
Weniger als eine Stunde zum Einrichten YOLOv5
Verbesserte Zugänglichkeit ermöglichte es den Forschern, das Beste aus den YOLOv5
Es gab mehrere Aspekte auf YOLOv5 , die es dem Team ermöglichten, anhand des einfachen Schritt-für-Schritt-Prozesses, den wir im Repository eingerichtet haben, problemlos damit zu arbeiten.
- Das Herunterladen des Repositorys war ganz einfach
- Die gesamte Dokumentation war übersichtlich und leicht verständlich aufgebaut
- Vereinfachtes Modelltraining
- Manuelle Überprüfung der Ergebnisse
Höhere Inferencing-Geschwindigkeit Maximierte Effizienz bei der Ozeanreinigung
YOLOv5 zeigte eine 20 % schnellere Inferenzgeschwindigkeit als Faster RCNN und verarbeitete durchschnittlich 1 Bild in 9 Millisekunden. Dadurch konnten die AUVs schwimmendes Plastik schneller erkennen, was die Menge des erfassten Plastiks und die Gesamteffizienz des Projekts erhöhte.
Erhöhte Genauigkeit bei Präzisionsraten
Die Trefferquote lag im Durchschnitt bei 85%, manchmal sogar bei 93%. Das ist ein Sprung von den 77-80%, die bei früheren Modellen im Durchschnitt erreicht wurden.
Erhöhte Benutzerfreundlichkeit ermöglicht Forschern
Die Einrichtung von YOLOv5 war für die Forscherinnen und Forscher eine nahtlose und mühelose Erfahrung. Die Nutzer wurden von A bis Z durch den gesamten Einrichtungsprozess geführt, sodass das Team in weniger als einer Stunde mit YOLOv5 loslegen konnte.
Die verbesserte Vielseitigkeit ermöglichte es den Forschern, YOLOv5 auf verschiedene Wasserumgebungen anzuwenden
Innerhalb weniger Tage konnte die Gruppe die AUVs mit einem kleinen Datensatz von 3000 Bildern ohne Erweiterungen für den Einsatz in Seen und Flüssen trainieren. Trotz trübem Wasser und anderen schlechten Bedingungen konnten die auf YOLOv5 trainierten AUVs Plastik mit hoher Genauigkeit erkennen und identifizieren.
"Wir waren auf der Suche nach einem Objekterkennungsalgorithmus, der eine hohe Genauigkeit aufweist und extrem schnell ist. Die Meeresumgebungen, in denen wir arbeiten, sind raues, unwegsames Gelände. YOLOv5 war in jeder Hinsicht das beste Objekterkennungsmodell, das wir verwenden konnten.
"Wir lieben YOLOv5 , weil es so einfach einzurichten und zu nutzen ist und die Ergebnisse, die wir uns gewünscht haben, beständig liefert.
"Für alle zukünftigen Modelle, die wir einsetzen werden, ist YOLOv5 zweifelsohne unsere erste Wahl."
Gautam TataForscher für maschinelles Lernen
Schau dir das DeepPlastic-Repository, die veröffentlichte Arbeit und die Videozusammenfassung an.
