案例研究：DeepPlastic 和YOLOv5

塑料让海洋野生动物窒息：每分钟就有两卡车塑料被倾倒进我们的海洋，相当于每年超过 1000 万吨。DeepPlastic 的科学家指出，这些海洋塑料对 "海洋环境、食品安全、人类健康、生态旅游以及气候变化 "构成了社会威胁。

为了解决这个问题，这个研究人员和工程师团队一直在研究计算机视觉如何消除海洋中的塑料。

借助深度学习技术，DeepPlastic 的研究人员开发出一种方法，利用自动潜航器 (AUV) 扫描、识别和量化位于海面以下、光线仍能穿透的塑料层（即表层）。

"我们的目标是建立一个推理速度极快的微小模型，用于检测塑料"。

杰伊-洛, 机器学习研究员

DeepPlastic 团队训练了两个小型精确模型：YOLOv4和 YOLOv5模型，可进行实时物体检测。这些模型是在DeepTrash 数据集上训练的，其中包括

• 1900 个训练图像、637 个测试图像、637 个验证图像（60、20、20 分割）
• 从加利福尼亚州的太浩湖、旧金山湾和博德加湾拍摄的实地图片。
• Internet images (<20%) taken by scraping Google Images.
• 来自JAMSTEK JEDI 数据集的深海图像

自主潜水器 (AUV) 的工作原理

AUV 是一种在水下航行的机器人。它们是慢速飞行器，可以自由滑行到海洋深处，然后返回水面。AUV 必须安装深度学习模型，才能识别和收集水下塑料。可以通过三个简单的步骤来部署 AUV，以探测水下的塑料。

1.在自动潜航器中安装深度学习模型

2.扫描海洋

3.识别塑料

以往深度学习模型和海洋清洁存在的问题

DeepPlastic 团队在自动潜航器上测试了几种深度学习模型，如 YOLOv4 和Faster R-CNN。然而，研究人员遇到了一系列挑战，使海洋清洁成为难题。

与研究人员接触的机会有限使团队停滞不前

由于团队中没有深度学习专家，研究人员无法充分利用深度学习模型。

推理速度慢 塑料检测能力减弱

推理是指自动潜航器识别塑料的速度。有了 YOLOv4 和 Faster R-CNN，自动潜航器在检测塑料方面就不那么有效了，这削弱了它们清洁水域的能力。

物体识别精度低

YOLOv4 和 Faster R-CNN 识别塑料的平均成功率仅为 77%-80% 。

探测能力差，将珊瑚与塑料物体混为一谈

在使用 Faster R-CNN 时，自动潜航器将 3-5%的珊瑚识别为塑料，低于可接受的标准。

功率更大，精度更高YOLOv5

当切换到YOLOv5 时，研究人员看到了立竿见影的变化。准确性得到了提高，速度得到了最大限度的提升，而且YOLOv5 的简易性使团队中的每个人都能使用它。

与更快的 R-CNN 相比，推理速度平均快 20

93% 精确率

安装时间不到一小时YOLOv5

更高的可访问性使研究人员能够最大限度地利用YOLOv5

YOLOv5 有几个方面可以让团队根据我们在资源库上建立的简单步骤流程轻松地使用它。

• 下载软件源非常简单
• 所有文件都编排得清晰易懂
• 简化模型训练
• 人工结果检查

推理速度更快 海洋清洁效率最大化

YOLOv5 其推理速度比 Faster RCNN 快 20%，平均 9 毫秒即可处理 1 幅图像。因此，自动潜航器能够以更快的速度检测到漂浮的塑料，从而提高了塑料捕获量和整体项目效率。

提高精确率的准确性

精确率平均为 85%，有时甚至高达 93%。这与以前机型的平均 77%-80% 相比有了大幅提升。

让研究人员更容易使用

对研究人员来说，设置YOLOv5 是一次无缝和轻松的体验。在整个设置过程中，都有 A-Z 向用户提供指导，使团队能够在不到一个小时的时间内开始使用YOLOv5 。

改进的多功能性使研究人员能够将YOLOv5 应用于不同的水环境

几天之内，该研究小组就利用 3000 张没有增强功能的图像组成的小型数据集，训练出了能够在湖泊和河流中工作的自动潜航器。尽管水质浑浊，条件恶劣，YOLOv5 ，经过训练的自动潜航器仍能高精度地探测和识别塑料。

"我们一直在寻找一种高精度、快速的物体检测算法。我们工作的海洋环境条件恶劣，地形崎岖。YOLOv5 是我们能使用的最好的物体检测模型，在各方面都很出色。

"我们喜欢使用YOLOv5 ，因为它的设置和使用都非常简单，而且能持续产生我们想要的结果。

"对于我们未来部署的任何机型，我们都会毫无疑问地将YOLOv5 作为首选"。

高塔姆-塔塔, 机器学习研究员

‍

查看DeepPlastic 资料库、发表的论文和视频回顾。

‍