Nghiên cứu điển hình: DeepPlastic và YOLOv5

Nhựa đang bóp nghẹt động vật hoang dã biển: mỗi phút, hai xe tải nhựa được đổ vào đại dương của chúng ta, tương đương với hơn 10 triệu tấn mỗi năm. Các nhà khoa học của DeepPlastic tuyên bố rằng loại nhựa đại dương này gây ra các mối đe dọa xã hội đối với "môi trường biển, an toàn thực phẩm, sức khỏe con người, du lịch sinh thái và những đóng góp cho biến đổi khí hậu".

Để chống lại điều này, nhóm các nhà nghiên cứu và kỹ sư này đã điều tra làm thế nào thị giác máy tính có thể loại bỏ nhựa trong đại dương của chúng ta.

Với công nghệ học sâu, các nhà nghiên cứu DeepPlastic đã phát triển một phương pháp sử dụng các phương tiện tự hành dưới nước (AUV) để quét, xác định và định lượng nhựa nằm ngay dưới bề mặt đại dương nơi ánh sáng vẫn có thể xuyên qua hoặc lớp Epipelagic.

"Mục tiêu của chúng tôi là có một mô hình 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 đào tạo hai mô hình nhỏ và chính xác, YOLOv4 và YOLOv5, cho phép phát hiện đối tượng theo thời gian thực. Các mô hình này được đào tạo trên bộ dữ liệu DeepTrash, bao gồm:

• 1900 hình ảnh đào tạo, 637 hình ảnh thử nghiệm, 637 hình ảnh xác thực (chia 60, 20, 20)
• Hình ảnh thực địa chụp từ Hồ Tahoe, Vịnh San Francisco và Vịnh Bodega ở CA.
• Internet images (<20%) taken by scraping Google Images.
• Hình ảnh biển sâu từ tập dữ liệu JAMSTEK JEDI

Phương tiện tự hành dưới nước (AUV) hoạt động như thế nào

AUV là một robot di chuyển dưới nước. Chúng là những phương tiện chậm chạp có thể lướt tự do xuống độ sâu đại dương và trở lại bề mặt. Một mô hình học sâu phải được cài đặt vào AUV để chúng có thể xác định và thu thập nhựa dưới nước. AUV có thể được triển khai trong ba bước đơn giản để phát hiện nhựa dưới nước.

1. Cài đặt mô hình deep learning vào AUV

2. Quét đại dương

3. Nhận biết nhựa

Các vấn đề với các mô hình học sâu & làm sạch đại dương trước đây

Nhóm DeepPlastic đã thử nghiệm một số mô hình học sâu như YOLOv4 và Faster R-CNN trên AUV. Tuy nhiên, các nhà nghiên cứu đã phải đối mặt với một loạt các thách thức khiến việc làm sạch đại dương trở nên khó khăn.

Khả năng tiếp cận hạn chế với các nhà nghiên cứu đã khiến nhóm nghiên cứu bị đình trệ

Không có bất kỳ chuyên gia học sâu nào trong nhóm, các nhà nghiên cứu đã bị ngăn cản tận dụng tối đa các mô hình học sâu.

Tốc độ suy luận chậm Phát hiện nhựa yếu

Suy luận là AUV có thể nhận ra nhựa nhanh như thế nào. Với YOLOv4 và Faster R-CNN, AUV không hiệu quả trong việc phát hiện nhựa, làm giảm khả năng làm sạch nước của chúng.

Độ chính xác thấp trong nhận dạng đối tượng

YOLOv4 và Faster R-CNN chỉ có tỷ lệ thành công trung bình 77% -80% khi xác định nhựa.

Phát hiện kém san hô nhầm lẫn với các vật bằng nhựa

Khi sử dụng Faster R-CNN, 3-5% san hô được xác định là nhựa bởi AUV, thấp hơn tiêu chuẩn chấp nhận được.

Sức mạnh và độ chính xác cao hơn với YOLOv5

Khi chuyển sang YOLOv5, các nhà nghiên cứu đã thấy một sự thay đổi ngay lập tức. Độ chính xác được tăng cường, tốc độ được tối đa hóa và sự đơn giản của YOLOv5 làm cho nó có thể truy cập được cho tất cả mọi người trong nhóm.

Tốc độ suy luận nhanh hơn trung bình 20% khi so sánh với R-CNN nhanh hơn

Tỷ lệ chính xác 93%

Ít hơn một giờ để thiết lập YOLOv5

Khả năng tiếp cận tăng lên cho phép các nhà nghiên cứu tận dụng tối đa YOLOv5

Có một số khía cạnh của YOLOv5 Điều đó cho phép nhóm dễ dàng làm việc với nó, dựa trên quy trình từng bước đơn giản mà chúng tôi đã thiết lập trên kho lưu trữ.

• Tải xuống kho lưu trữ rất đơn giản
• Tất cả các tài liệu được sắp xếp một cách rõ ràng, dễ làm theo
• Đào tạo mô hình đơn giản hóa
• Kiểm tra kết quả thủ công

Tốc độ suy luận cao hơn Tối đa hóa hiệu quả làm sạch đại dương

YOLOv5 trình bày tốc độ suy luận nhanh hơn 20% so với RCNN nhanh hơn, xử lý trung bình 1 hình ảnh trong 9 mili giây. Kết quả là, AUV có thể phát hiện nhựa nổi với tốc độ nhanh hơn, làm tăng lượng nhựa thu được và hiệu quả tổng thể của dự án.

Nâng cao độ chính xác về tỷ lệ chính xác

Tỷ lệ chính xác ở mức trung bình 85%, đôi khi lên tới 93%. Đây là một bước nhảy vọt so với mức trung bình 77-80% được thấy với các mô hình trước đó.

Các nhà nghiên cứu được phép sử dụng dễ sử dụng hơn

Thiết lập YOLOv5 vừa là một trải nghiệm liền mạch vừa dễ dàng cho các nhà nghiên cứu. Người dùng được hướng dẫn từ A đến Z trong toàn bộ quá trình thiết lập cho phép nhóm bắt đầu YOLOv5 trong vòng chưa đầy một giờ.

Cải thiện tính linh hoạt cho phép các nhà nghiên cứu áp dụng YOLOv5 đến các môi trường nước khác nhau

Trong vòng vài ngày, sử dụng một bộ dữ liệu nhỏ gồm 3000 hình ảnh mà không cần tăng cường, nhóm đã có thể huấn luyện các AUV làm việc trong hồ và sông. Mặc dù nước đục và các điều kiện tồi tệ khác, các AUV đã được huấn luyện YOLOv5 vẫn có thể phát hiện và xác định nhựa với độ chính xác cao.

"Chúng tôi đang tìm kiếm một thuật toán phát hiện đối tượng tạo ra độ chính xác cao và cực kỳ nhanh. Môi trường đại dương mà chúng tôi làm việc là những địa hình khắc nghiệt, gồ ghề. YOLOv5 được cung cấp trên tất cả các mặt trận như là mô hình phát hiện đối tượng tốt nhất mà chúng tôi có thể sử dụng.

"Chúng tôi thích sử dụng YOLOv5 Vì nó rất dễ thiết lập và sử dụng, và nó đã tạo ra kết quả mà chúng tôi muốn một cách nhất quán.

"Đối với bất kỳ mô hình nào trong tương lai mà chúng tôi sẽ triển khai, chúng tôi sẽ xem xét YOLOv5 là lựa chọn đầu tiên của chúng tôi mà không nghi ngờ gì nữa."

Gautam Tata, Nhà nghiên cứu Machine Learning

‍

Kiểm tra kho lưu trữ DeepPlastic, bài báo đã xuất bản và tóm tắt video.

‍