[論文レビュー] Algae Detection Using Computer Vision and Deep Learning

Arabinda Samantaray, Baijian Yang+2 more|arXiv (Cornell University)|Nov 27, 2018

Water Quality Monitoring TechnologiesEnvironmental Science参考文献 27被引用数 21

ひとこと要約

本論文は、多様な水中環境における有害アーティファクトブルーム（HABs）をリアルタイムで低コストで検出するためのディープラーニングを活用したコンピュータビジョンシステムを提案する。このシステムは、無人航空機（UAV）、無人海上船（USV）、その他の移動型プラットフォームに展開可能であり、最先端のオブジェクト検出器（Faster R-CNN、R-FCN、SSD）を活用し、高い精度と高速性を達成している。特にR-FCNは、複雑でごみだらけの画像においても、耐性、精度、リアルタイム性能のバランスが最良であることが示された。

ABSTRACT

A disconcerting ramification of water pollution caused by burgeoning populations, rapid industrialization and modernization of agriculture, has been the exponential increase in the incidence of algal growth across the globe. Harmful algal blooms (HABs) have devastated fisheries, contaminated drinking water and killed livestock, resulting in economic losses to the tune of millions of dollars. Therefore, it is important to constantly monitor water bodies and identify any algae build-up so that prompt action against its accumulation can be taken and the harmful consequences can be avoided. In this paper, we propose a computer vision system based on deep learning for algae monitoring. The proposed system is fast, accurate and cheap, and it can be installed on any robotic platforms such as USVs and UAVs for autonomous algae monitoring. The experimental results demonstrate that the proposed system can detect algae in distinct environments regardless of the underlying hardware with high accuracy and in real time.

研究の動機と目的

• 生態系を損なう、水を汚染する、経済的損失をもたらす有害アーティファクトブルーム（HABs）の増加する脅威に対処する。
• 人的労力が大きく、高価であり、ハードウェア依存性の高い従来の藻類モニタリング手法の限界を克服する。
• 多様な環境条件やカメラプラットフォームに対応できる低コストでリアルタイムかつ耐性のあるコンピュータビジョンシステムを構築する。
• UAVやUSVなどの移動型ロボットプラットフォームに展開し、自律的かつ継続的な水域モニタリングを可能にする。
• 背景のごみ（例：木、建物）が多量に存在する複雑なシーンにおいても、ディープラーニングベースのオブジェクト検出を用いて検出精度を向上させる。

提案手法

• 本システムは、エンドツーエンドの藻類検出と局所化を実現するため、最先端のディープラーニングオブジェクト検出器（Faster R-CNN、R-FCN、SSD）を採用している。
• 地面および空中からの実世界の画像を収集したカスタムデータセットを構築し、植生、建物、道路など顕著な背景のごみを含む複雑なシーンを含めた。
• モデルの訓練および評価には、平均平均適合度（mAP）を指標とし、検出の正しさを測るためにインターセクションオーバーユニオン（IoU）を用いた。
• 検出性能は、精度-再現率曲線およびIoU閾値（例：0.5）を用いて評価され、ここでIoU = |Box_pred ∩ Box_gt| / |Box_pred ∪ Box_gt| と定義される。
• システムは検証セットおよびテストセットの両方でテストされ、テストセットは意図的に最も複雑な画像から構成されており、耐性の評価を目的としていた。
• リアルタイム性能はCPUおよびGPUの両方で評価され、UAVやUSVのような高速移動プラットフォームへの展開適性を検証した。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースのコンピュータビジョンシステムは、多様な環境条件やカメラの視点において、藻類ブルームを正確に検出できるか？
• RQ2 最先端のオブジェクト検出器（Faster R-CNN、R-FCN、SSD）は、藻類監視において、検出精度と推論速度の観点でどのように比較されるか？
• RQ3 木、建物、植生などの顕著な背景のごみが存在する状況でも、特別なハードウェアを必要とせずに、高い性能を維持できるか？
• RQ4 UAV や USV などの移動型ロボットプラットフォームにリアルタイムで展開可能か？
• RQ5 本システムの主な失敗モードは何か。また、より優れたデータおよびモデル設計によって、それらをどのように是正できるか？

主な発見

• R-FCNモデルは、検証データセットおよびテストデータセットの両方で最高のmAPを達成し、最も高い検出精度を示した。
• SSDはCPUおよびGPUの両方で最も速い推論速度を示し、移動型プラットフォームにおけるリアルタイムアプリケーションに非常に適していた。
• テストデータセットの高レベルの複雑さ（顕著な背景のごみを含む）にもかかわらず、地上および空中の両方の視点で、藻類が正常に検出された。
• テストセットでのmAPは検証セットよりも低く、システムが最も複雑な現実世界のシナリオにおいてより大きな課題に直面していることが示された。
• 植生が藻類と誤って分類される誤検出が発生したが、これは共通する緑色の色合いに起因しており、より特徴的な識別子の導入が求められる。
• カメラのパrameterの変化、画像の向き、環境の照明条件の変動に対しても、システムは耐性を示し、多様なプラットフォームへの信頼できる展開を可能にした。