[논문 리뷰] Deep Learning Innovations for Underwater Waste Detection: An In-Depth Analysis

Jaskaran Singh Walia, L K Pavithra|arXiv (Cornell University)|2024. 05. 28.

Water Quality Monitoring TechnologiesEnvironmental Science인용 수 3

한 줄 요약

이 논문은 다양한 수중 환경에서 실시간 수중 쓰레기 탐지에 대해 최신 딥러닝 모델, 특히 YOLOv8 변종을 평가한다. 정제된 데이터셋을 사용하고 여러 아키텍처와의 벤치마킹을 통해 YOLOv8-nano와 YOLOv8-XLarge가 높은 정확도와 실시간 추론 속도를 달성함을 입증하여, 해양 쓰레기 탐지 및 제거 시스템에서 자율 수중 차량(AUVs)에 배치하기에 이상적임을 보여준다.

ABSTRACT

Addressing the issue of submerged underwater trash is crucial for safeguarding aquatic ecosystems and preserving marine life. While identifying debris present on the surface of water bodies is straightforward, assessing the underwater submerged waste is a challenge due to the image distortions caused by factors such as light refraction, absorption, suspended particles, color shifts, and occlusion. This paper conducts a comprehensive review of state-of-the-art architectures and on the existing datasets to establish a baseline for submerged waste and trash detection. The primary goal remains to establish the benchmark of the object localization techniques to be leveraged by advanced underwater sensors and autonomous underwater vehicles. The ultimate objective is to explore the underwater environment, to identify, and remove underwater debris. The absence of benchmarks (dataset or algorithm) in many researches emphasizes the need for a more robust algorithmic solution. Through this research, we aim to give performance comparative analysis of various underwater trash detection algorithms.

연구 동기 및 목표

• 딥러닝 객체 검출 모델을 사용하여 수중 쓰레기 탐지의 성능 기준을 수립하기.
• 자율 수중 차량(AUVs)에 경량 실시간 추론 모델을 도입하여 쓰레기 국소화에 대한 가능성을 평가하기.
• 수중 폐기물 탐지 연구 분야에서 일반화되고 견고한 데이터셋과 알고리즘의 부족을 해결하기.
• 복잡한 왜곡을 포함한 수중 이미지 데이터에서 현대 딥러닝 아키텍처, 특히 YOLO 변종과 Mask R-CNN 간의 성능을 비교하기.
• 미래의 수중 객체 검출 및 자율 쓰레기 제거 연구를 위한 표준화된 기준 제공하기.

제안 방법

• 다양한 수중 환경, 특히 에피펠레직 및 메조펠레직 지역을 반영하도록 데이터셋을 정제하고 변형하여 일반화를 확보하기.
• 정제된 데이터셋에서 YOLOv5, YOLOv7, YOLOv8, YOLO-NAS, YOLO-SAM을 포함한 여러 딥러닝 객체 검출 모델을 훈련 및 평가하기.
• 정밀도, 재현율, F1 점수, 손실과 같은 표준 객체 검출 지표를 사용하여 모델 성능을 정량적으로 비교하기.
• 경계 상자 시각화를 위해 정규화된 모델 출력 좌표를 픽셀 좌표로 변환하기 위한 수식을 사용: $ImgCord_{k} = BoxScore_{i}^{j} \times Width$.
• 실제로 알려지지 않은 비디오 데이터에서 실시간 추론 테스트를 수행하여, 새로운 시각적 맥락에서의 강건성 평가하기, 특히 유명한 발리 해양 쓰레기 영상 포함.
• 검출 신뢰도와 모델 일관성 검증을 위해 혼동 행렬과 배치 검출 비교를 사용하기.

실험 결과

연구 질문

• RQ1 어떤 딥러닝 객체 검출 모델이 수중 쓰레기 탐지에서 가장 높은 실시간 추론 속도와 정확도를 달성하는가?
• RQ2 가벼운 YOLO 변종은 Faster R-CNN 및 Mask R-CNN와 같은 무거운 모델에 비해 성능과 계산 효율성 측면에서 어떻게 비교되는가?
• RQ3 제안된 모델은 복잡한 시각적 왜곡을 포함한 알려지지 않은 실제 수중 비디오 데이터에 일반화될 수 있는가?
• RQ4 YOLOv8 모델은 다양한 수중 수층과 환경 조건에서 어떻게 성능을 발휘하는가?
• RQ5 모델 예측은 제어된 테스트 세트와 실시간 배포 시나리오 간에 얼마나 일관되게 유지되는가?

주요 결과

• YOLOv8-nano와 YOLOv8-XLarge는 모든 테스트 모델 중에서 가장 높은 F1 점수를 기록하여 정밀도와 재현율 간의 우수한 균형을 보였다.
• YOLOv8-nano와 YOLOv8-XLarge는 AUV에 배치하기에 적합한 실시간 추론 속도를 확보하여 근접 실시간 운영 요구사항을 충족시켰다.
• 경량 YOLO 모델은 Faster R-CNN 및 Mask R-CNN와 같은 전통적 모델에 비해 속도와 F1 점수 모두에서 뛰어난 성능을 보였으며, 자원 제약이 있는 로봇 플랫폼에 적합함을 확인했다.
• 모델은 어려운 상황의 유튜브 영상(발리의 유명한 영상 포함)을 포함한 알려지지 않은 테스트 데이터에서도 일관된 성능을 유지했으며, 제어된 평가 결과와의 편차는 미미했다.
• 최고 성능을 보인 YOLO 모델의 혼동 행렬은 높은 검출 신뢰도와 낮은 가짜 양성 비율을 보여주어 신뢰할 수 있는 국소화를 의미했다.
• YOLOv5s, v7, v8n, v8x의 손실 곡선은 안정적인 훈련 수렴을 보여주어 YOLOv8 가족이 이 분야에서 견고함을 입증했다.