[논문 리뷰] DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic Using Deep Visual Models.

Gautam Tata, Sarah‐Jeanne Royer외 2명|arXiv (Cornell University)|2021. 05. 05.

Microplastics and Plastic Pollution참고 문헌 25인용 수 8

한 줄 요약

DeepPlastic은 도메인 특화된 해양 영상에서 YOLOv5-S를 활용하여 심해층 해양 플라스틱을 탐지하는 확장성 있고 실시간인 방법을 제안한다. 이는 85.1% mAP와 89% F1 스코어를 달성하면서도 거의 실시간 추론 성능 유지를 통해 대규모 플라스틱 모니터링에 있어 물리적 트롤링의 비용 효율적인 대안을 제공한다.

ABSTRACT

The quantification of positively buoyant marine plastic debris is critical to understanding how concentrations of trash from across the world's ocean and identifying high concentration garbage hotspots in dire need of trash removal. Currently, the most common monitoring method to quantify floating plastic requires the use of a manta trawl. Techniques requiring manta trawls (or similar surface collection devices) utilize physical removal of marine plastic debris as the first step and then analyze collected samples as a second step. The need for physical removal before analysis incurs high costs and requires intensive labor preventing scalable deployment of a real-time marine plastic monitoring service across the entirety of Earth's ocean bodies. Without better monitoring and sampling methods, the total impact of plastic pollution on the environment as a whole, and details of impact within specific oceanic regions, will remain unknown. This study presents a highly scalable workflow that utilizes images captured within the epipelagic layer of the ocean as an input. It produces real-time quantification of marine plastic debris for accurate quantification and physical removal. The workflow includes creating and preprocessing a domain-specific dataset, building an object detection model utilizing a deep neural network, and evaluating the model's performance. YOLOv5-S was the best performing model, which operates at a Mean Average Precision (mAP) of 0.851 and an F1-Score of 0.89 while maintaining near-real-time speed.

연구 동기 및 목표

• 물리적 수거가 필요하고 비용이 많이 들며 노동 집약적인 기존 만타 트롤 기반 방법의 한계를 해결하기 위해.
• 해양 표면에서의 시각 데이터를 활용하여 확장성 있고 실시간으로 에피펠레틱 해양 플라스틱 쓰레기를 모니터링할 수 있는 시스템을 개발하기 위해.
• 정확하고 고속의 플라스틱 탐지가 가능한 도메인 특화 데이터셋을 구축하고, 딥 러닝 모델을 훈련시키기 위해.
• 실제 해양 영상 조건에서 부영성 플라스틱 쓰레기를 탐지하는 딥 네트워크의 성능을 평가하기 위해.

제안 방법

• 훈련 및 평가를 위한 도메인 특화 데이터셋을 구성하기 위해 심해층 해양 영역에서 이미지를 수집하고 전처리하기 위해.
• 딥 뉴럴 네트워크를 사용하여 객체 검출 모델을 훈련하고 최적화하며, 최적의 아키텍처로 YOLOv5-S를 선택하기 위해.
• 모델 성능 평가를 위해 평균 평균 정밀도(mAP)와 F1 스코어를 평가 지표로 사용하기 위해.
• 확장 가능한 해양 지역 전역에 적용 가능한 거의 실시간 추론 속도를 확보하기 위해 모델 최적화하기 위해.
• 다양한 해양 환경의 시각 조건에서의 일반화 능력을 향상시키기 위해 데이터 증강 및 전처리 기법 적용하기 위해.
• 실제 배포 시나리오에서의 강건성과 신뢰성을 확보하기 위해 보류된 테스트 세트에서 모델 검증하기 위해.

실험 결과

연구 질문

• RQ1 딥 러닝 기반의 시각 모델은 높은 정밀도와 재현율을 갖추고 실질적인 해양 영상 조건에서 부영성 플라스틱 쓰레기를 정확하게 탐지할 수 있는가?
• RQ2 실제 해양 조건에서 다른 객체 검출 모델에 비해 YOLOv5-S의 성능은 어떻게 비교되는가?
• RQ3 딥 러닝 모델은 대규모 해양 모니터링을 위해 높은 탐지 정확도를 유지하면서도 실시간 추론 속도를 달성할 수 있는가?
• RQ4 도메인 특화된 해양 표면 영상 데이터셋은 다양한 해양 환경에서 플라스틱 탐지에 효과적인 일반화를 가능하게 하는가?

주요 결과

• YOLOv5-S는 테스트된 모델들 중에서 가장 높은 성능을 보이며 도메인 특화 데이터셋에서 평균 평균 정밀도(mAP)가 0.851을 기록했다.
• 모델은 F1 스코어 0.89를 달성하여 플라스틱 탐지에서 정밀도와 재현율 사이의 균형이 잘 잡혀 있음을 나타냈다.
• 모델는 거의 실시간 추론 속도로 작동하여 지속적인 해양 모니터링을 위한 확장 가능한 배포가 가능했다.
• 제안된 워크플로우는 원격 이미지 기반의 해양 플라스틱 정량화를 가능하게 하여 물리적 트롤링 의존도를 크게 감소시켰다.
• 도메인 특화된 데이터셋과 모델 파라미터 최적화 과정을 통해 복잡하고 변화무쌍한 해양 표면 조건에서도 탐지 정확도가 향상되었다.
• 결과적으로 전통적인 만타 트롤 샘플링에 비해 비용 효율적이고 대규모로 적용 가능한 딥 시각 모델의 실현 가능성을 입증했다.