Le plastique étouffe la faune marine : chaque minute, deux camions de plastique sont déversés dans nos océans, ce qui équivaut à plus de 10 millions de tonnes par an. Les scientifiques de DeepPlastic affirment que ce plastique marin fait peser des menaces sociétales sur "l'environnement marin, la sécurité alimentaire, la santé humaine, l'écotourisme et les contributions au changement climatique."
Pour lutter contre cela, cette équipe de chercheurs et d'ingénieurs a étudié comment la vision par ordinateur peut éliminer le plastique dans nos océans.
Grâce à la technologie d'apprentissage en profondeur, les chercheurs de DeepPlastic ont mis au point une approche qui utilise des véhicules sous-marins autonomes (AUV) pour scanner, identifier et quantifier le plastique situé juste sous la surface de l'océan, là où la lumière peut encore pénétrer, ou couche épipélagique.
"Notre objectif était d'avoir un modèle minuscule avec une vitesse d'inférence très rapide qui puisse être utilisé pour détecter le plastique."
Jay LoweChercheur en apprentissage automatique
L'équipe de DeepPlastic a entraîné deux petits modèles précis, YOLOv4 et YOLOv5, permettant la détection d'objets en temps réel. Ces modèles ont été entraînés sur l'ensemble de données DeepTrash, composé de :
- 1900 images d'apprentissage, 637 images de test, 637 images de validation (60, 20, 20 divisées)
- Images prises sur le terrain au lac Tahoe, dans la baie de San Francisco et dans la baie de Bodega en Californie.
- Internet images (<20%) taken by scraping Google Images.
- Images de la mer profonde provenant de l'ensemble de données JAMSTEK JEDI
Comment fonctionnent les véhicules sous-marins autonomes (AUV) ?
Un AUV est un robot qui se déplace sous l'eau. Ce sont des véhicules lents qui peuvent glisser librement vers les profondeurs de l'océan et revenir à la surface. Un modèle d'apprentissage profond doit être installé dans les AUV pour qu'ils puissent identifier et collecter le plastique sous l'eau. Les AUV peuvent être déployés en trois étapes faciles pour détecter le plastique sous l'eau.
1. Installer un modèle d'apprentissage profond dans un AUV
2. Scanne l'océan
3. Identifie le plastique
Les problèmes des précédents modèles d'apprentissage profond et du nettoyage des océans
L'équipe DeepPlastic a testé plusieurs modèles d'apprentissage profond, tels que YOLOv4 et Faster R-CNN, sur des véhicules aériens autonomes. Cependant, les chercheurs ont été confrontés à une série de défis qui ont rendu le nettoyage des océans problématique.
L'accès limité aux chercheurs a bloqué l'équipe
Sans aucun expert en apprentissage profond dans l'équipe, les chercheurs ont été empêchés de tirer le meilleur parti des modèles d'apprentissage profond.
Vitesse d'inférence lente Détection de plastique affaiblie
L'inférence est la vitesse à laquelle l'AUV peut reconnaître le plastique. Avec YOLOv4 et Faster R-CNN, les AUV n'étaient pas aussi efficaces pour détecter le plastique, ce qui a nui à leur capacité à nettoyer l'eau.
Faible précision dans l'identification des objets
YOLOv4 et R-CNN plus rapide n'ont obtenu qu'un taux de réussite moyen de 77 % à 80 % lors de l'identification du plastique.
Une mauvaise détection a permis de confondre les coraux avec des objets en plastique
En utilisant le R-CNN plus rapide, 3 à 5 % des coraux ont été identifiés comme étant en plastique par les AUV, ce qui est inférieur à la norme acceptable.
Plus de puissance et de précision avec YOLOv5
En passant à YOLOv5, les chercheurs ont constaté une transformation immédiate. La précision a augmenté, la vitesse a été maximisée et la simplicité de YOLOv5 l'a rendu accessible à tous les membres de l'équipe.
Vitesse d'inférence 20% plus rapide en moyenne par rapport à un R-CNN plus rapide
Taux de précision de 93
Moins d'une heure d'installation YOLOv5
L'accessibilité accrue a permis aux chercheurs de tirer le meilleur parti de l'information. YOLOv5
Plusieurs aspects de YOLOv5 ont permis à l'équipe de travailler facilement avec, en se basant sur le processus simple étape par étape que nous avons établi sur le référentiel.
- Le téléchargement du référentiel a été simple
- Toute la documentation était organisée de manière claire et facile à suivre.
- Apprentissage simplifié du modèle
- Vérification manuelle des résultats
Vitesse d'inférence plus élevée Efficacité maximale du nettoyage des océans
YOLOv5 a présenté des vitesses d'inférence 20 % plus rapides que Faster RCNN, traitant en moyenne une image en 9 millisecondes. Par conséquent, les AUV ont pu détecter le plastique flottant à une vitesse plus rapide, ce qui a augmenté la quantité de plastique capturé et l'efficacité globale du projet.
Précision accrue dans les taux de précision
Les taux de précision se situaient à une moyenne de 85 %, allant parfois jusqu'à 93 %. C'est un bond par rapport à la moyenne de 77 à 80 % observée avec les modèles précédents.
Une plus grande facilité d'utilisation pour les chercheurs
La mise en place de YOLOv5 a été une expérience transparente et sans effort pour les chercheurs. Les utilisateurs ont été guidés de A à Z tout au long du processus d'installation, ce qui a permis à l'équipe de commencer à utiliser YOLOv5 en moins d'une heure.
La polyvalence améliorée a permis aux chercheurs d'appliquer le site YOLOv5 à différents milieux aquatiques.
En quelques jours, à l'aide d'un petit ensemble de données de 3000 images sans augmentation, le groupe a pu entraîner les AUV à travailler dans des lacs et des rivières. Malgré l'eau trouble et d'autres conditions défavorables, les AUV formés sur YOLOv5 ont pu détecter et identifier le plastique avec une grande précision.
"Nous recherchions un algorithme de détection d'objets qui produise une grande précision et qui soit extrêmement rapide. Les environnements océaniques dans lesquels nous travaillons sont des terrains difficiles et accidentés. YOLOv5 s'est avéré être le meilleur modèle de détection d'objets que nous ayons pu utiliser.
"Nous aimons utiliser YOLOv5 car il est si facile à mettre en place et à utiliser, et il a produit les résultats que nous voulions de façon constante.
"Pour tous les modèles que nous déploierons à l'avenir, nous considérerons YOLOv5 comme notre premier choix, sans l'ombre d'un doute."
Gautam TataChercheur en apprentissage automatique
Consulte le dépôt DeepPlastic, l'article publié et le récapitulatif vidéo.
