La plastica sta soffocando la fauna marina: ogni minuto, due camion di plastica vengono scaricati nei nostri oceani, pari a oltre 10 milioni di tonnellate all'anno. Gli scienziati di DeepPlastic affermano che questa plastica marina rappresenta una minaccia per la società "per l'ambiente marino, la sicurezza alimentare, la salute umana, l'ecoturismo e il contributo al cambiamento climatico".
Per combattere questa situazione, questo team di ricercatori e ingegneri ha studiato come la computer vision possa eliminare la plastica nei nostri oceani.
Grazie alla tecnologia di deep learning, i ricercatori di DeepPlastic hanno sviluppato un approccio che utilizza veicoli subacquei autonomi (AUV) per scansionare, identificare e quantificare la plastica che si trova appena sotto la superficie dell'oceano, dove la luce può ancora penetrare, ovvero lo strato epipelagico.
"Il nostro obiettivo era quello di avere un modello molto piccolo con una velocità di inferenza molto elevata che potesse essere utilizzato per rilevare la plastica".
Jay Lowe, Ricercatore di apprendimento automatico
Il team di DeepPlastic ha addestrato due piccoli e precisi modelli, YOLOv4 e YOLOv5che consentono di rilevare gli oggetti in tempo reale. Questi modelli sono stati addestrati sul set di dati DeepTrash, composto da:
- 1900 immagini di formazione, 637 immagini di prova, 637 immagini di convalida (60, 20, 20 divise)
- Immagini scattate sul campo dal lago Tahoe, dalla baia di San Francisco e da Bodega Bay in California.
- Internet images (<20%) taken by scraping Google Images.
- Immagini dei mari profondi dal set di dati JAMSTEK JEDI
Come funzionano i veicoli subacquei autonomi (AUV)
Un AUV è un robot che viaggia sott'acqua. Si tratta di veicoli lenti che possono scivolare liberamente nelle profondità oceaniche e tornare in superficie. Per poter identificare e raccogliere la plastica sott'acqua, gli AUV devono essere dotati di un modello di deep learning. Per rilevare la plastica sott'acqua, gli AUV possono essere impiegati in tre semplici fasi.
1. Installare un modello di apprendimento profondo in un AUV
2. Scansiona l'oceano
3. Identificare la plastica
I problemi dei precedenti modelli di apprendimento profondo e della pulizia degli oceani
Il team di DeepPlastic ha testato diversi modelli di deep learning come YOLOv4 e Faster R-CNN su AUV. Tuttavia, i ricercatori hanno dovuto affrontare una serie di sfide che hanno reso problematica la pulizia degli oceani.
L'accessibilità limitata ai ricercatori ha bloccato il team
Senza esperti di deep learning nel team, i ricercatori non hanno potuto sfruttare al meglio i modelli di deep learning.
Velocità di inferenza lenta Rilevamento di plastica indebolito
L'inferenza è la velocità con cui l'AUV è in grado di riconoscere la plastica. Con YOLOv4 e Faster R-CNN, gli AUV non erano altrettanto efficaci nel rilevare la plastica, compromettendo la loro capacità di pulire l'acqua.
Bassa precisione nell'identificazione degli oggetti
YOLOv4 e Faster R-CNN hanno ottenuto una media del 77%-80% di successi nell'identificazione della plastica.
Il cattivo rilevamento confondeva i coralli con gli oggetti di plastica
Utilizzando Faster R-CNN, il 3-5% dei coralli è stato identificato come plastica dagli AUV, un risultato inferiore allo standard accettabile.
Maggiore potenza e precisione con YOLOv5
Quando sono passati a YOLOv5, i ricercatori hanno visto una trasformazione immediata. L'accuratezza è aumentata, la velocità è stata massimizzata e la semplicità di YOLOv5 lo ha reso accessibile a tutti i membri del team.
20% di velocità di inferenza in più rispetto alla R-CNN più veloce.
Tasso di precisione del 93%
Meno di un'ora per l'installazione YOLOv5
Una maggiore accessibilità ha permesso ai ricercatori di ottenere il massimo da YOLOv5
Ci sono diversi aspetti di YOLOv5 che hanno permesso al team di lavorarci facilmente, grazie al semplice processo passo-passo che abbiamo stabilito sul repository.
- Scaricare il repository è stato molto semplice
- Tutta la documentazione era organizzata in modo chiaro e facile da seguire.
- Formazione del modello semplificata
- Controllo manuale dei risultati
Maggiore velocità di inferenza Massimizzazione dell'efficienza della pulizia degli oceani
YOLOv5 ha presentato una velocità di inferenza superiore del 20% rispetto a Faster RCNN, elaborando in media 1 immagine in 9 millisecondi. Di conseguenza, gli AUV sono stati in grado di rilevare la plastica galleggiante a una velocità maggiore, aumentando la quantità di plastica catturata e l'efficienza complessiva del progetto.
Maggiore accuratezza nei tassi di precisione
I tassi di precisione si sono attestati su una media dell'85% che a volte ha raggiunto il 93%. Si tratta di un balzo in avanti rispetto alla media del 77-80% registrata con i modelli precedenti.
Maggiore facilità d'uso per i ricercatori
La configurazione di YOLOv5 è stata un'esperienza perfetta e senza sforzo per i ricercatori. Gli utenti sono stati guidati dalla A alla Z durante l'intero processo di configurazione, consentendo al team di iniziare a utilizzare YOLOv5 in meno di un'ora.
La maggiore versatilità ha permesso ai ricercatori di applicare il sito YOLOv5 a diversi ambienti acquatici.
In un paio di giorni, utilizzando un piccolo set di dati di 3000 immagini senza incremento, il gruppo è stato in grado di addestrare gli AUV a lavorare in laghi e fiumi. Nonostante l'acqua torbida e altre condizioni avverse, gli AUV addestrati su YOLOv5 sono riusciti a rilevare e identificare la plastica con grande precisione.
"Eravamo alla ricerca di un algoritmo di rilevamento degli oggetti che producesse un'elevata precisione e fosse estremamente veloce. Gli ambienti oceanici in cui lavoriamo sono terreni duri e accidentati. YOLOv5 si è rivelato il miglior modello di rilevamento di oggetti che potessimo utilizzare.
"Adoriamo usare YOLOv5 perché è così facile da configurare e da usare e ha prodotto i risultati che volevamo con costanza.
"Per tutti i modelli futuri che adotteremo, considereremo YOLOv5 come la nostra prima scelta senza ombra di dubbio".
Gautam Tata, ricercatore di apprendimento automatico
Dai un'occhiata al repository di DeepPlastic, al documento pubblicato e al video riassuntivo.
