[論文レビュー] DeepPlastic: An Open Source Image Dataset for Epipelagic Marine Plastic Detection

Gautam Tata|arXiv (Cornell University)|Apr 16, 2021

Microplastics and Plastic Pollution被引用数 4

ひとこと要約

本論文では、水中画像を用いたエピペリャジカル海洋プラスチックごみのリアルタイム検出を目的としたオープンソースデータセットおよびYOLOv5-Sベースの深層学習モデル、DeepPlasticを紹介する。本モデルは、海洋由来のプラスチック画像にのみ微調整されたものであり、85%の平均平均精度（mAP）と0.89のF1スコアを達成し、1枚あたり2 msの推論速度を実現した。これにより、AUVやブイなどの自律型モニタリングが低コストで正確に可能になる。

ABSTRACT

Deep Plastic Enhanced Object Detection for Epipelagic Plastic. This repository contains source code for the method developed in DeepPlastic: Identifying Marine Plastic In The Epipelagic Zone using Computer Vision and Deep Learning Information: Paper: [Coming Soon] YouTube video of Results: https://youtu.be/8zBdFxaK4Os Object Detection Model Four models: YOLOv4, YOLOv5, MobileSSD, Faster RCNN Inception V2 Small efficient and high precision models can be used for real-time object detection. Model architecture and implementation details: https://arxiv.org/ Weights for YOLOv4 and YOLOv5 are provided in the model/ YOLOv4: best. weights; use best.weights YOLOv5: best.pt; use best.pt Google Colab Links Note: Click on File and Save Copy in Drive. If you try to edit my file it'll ask you for permission and send me an email. Please make your own copy. YOLOv5: https://colab.research.google.com/drive/1_qzbpBWkNfxQ0ny-DvsKicCeM0aFU4eW?usp=sharing DeepTrash DataSet 1900 training images, 637 test images, 637 validation images (60, 20, 20 split) Field images taken from Lake Tahoe, San Francisco Bay and Bodega Bay in CA. Deep Sea images are from JAMSTEK JEDI dataset: http://www.godac.jamstec.go.jp/

研究の動機と目的

• 手作業によるサンプリングや表面からのモニタリングに起因する制限を克服するため、エピペリャジカル海洋プラスチックごみの耐障害的でリアルタイムなオブジェクト検出システムの開発を目的とする。
• バイオフィルムに起因する浮遊プラスチックの低評価、およびマントラトラウルが全水層をカバーできないという点を解決する。
• 海洋由来のプラスチック画像にのみ微調整された、一般化可能なドメイン特化型の深層学習モデルを構築し、正確性を向上させ、誤検出を低減することを目的とする。
• 自律型水中ビークル（AUV）および固定型モニタリングプラットフォームを用いた、スケーラブルで低コストな自動プラスチック検出の実装を可能とすることを目的とする。
• 再現可能性を支援し、海洋プラスチックモニタリング分野におけるさらなる研究を促進するため、オープンソースのデータセットおよびモデルを提供することを目的とする。

提案手法

• 異なる海洋層にわたる海洋由来プラスチック画像から構成されるキュレートドデータセットを用いて、最先端のオブジェクト検出モデル（Faster R-CNN、SSD、YOLOv4-Tiny、YOLOv5-S）をトレーニングした。
• 海洋環境の多様な場所から収集した画像を組み合わせ、プラスチックごみのバウンディングボックスによるアノテーションを施した、独自のデータセット「DeepPlastic」を採用した。
• 環境変動に対する一般化性と耐障害性を向上させるために、トランスファー学習およびデータ拡張技術を用いた。
• モデルの量子化とハードウェアアクセcelerationを活用して推論速度を最適化し、標準GPU上でも1枚あたり2 msの高速処理を達成した。
• 標準的な指標（mAPとF1スコア）を用いて、ホールドアウトテストセット上でモデル性能を検証した。
• 最も優れた性能を示したモデル（YOLOv5-S）を、AUVやリモートセンシングプラットフォームと互換性を持つエンドツーエンドシステムに統合し、リアルタイムでの展開を可能とした。

実験結果

リサーチクエスチョン

• RQ1 海洋由来のプラスチック画像にのみ微調整された深層学習モデルが、エピペリャジカルプラスチック検出において高い精度とリアルタイム推論を達成できるか？
• RQ2 実際の海洋環境下で、YOLOv5-SはFaster R-CNN や YOLOv4-Tiny などの他の最先端モデルと比較して、海洋プラスチックごみ検出においてどの程度優れた性能を示すか？
• RQ3 本モデルは、海水中に一般的に存在する自然物（例えば泡、海藻、クラゲなど）とプラスチックごみをどの程度正確に区別できるか？
• RQ4 再トレーニングを必要とせずに、異なる水層や照明条件においても高い性能を維持できるか？
• RQ5 データセットの品質およびドメイン特化性が、海洋プラスチック検出におけるモデルの一般化性能および誤検出率に及ぼす影響はどの程度か？

主な発見

• YOLOv5-Sモデルは、テストセットで85%の平均平均精度（mAP）と0.89のF1スコアを達成し、最高の性能を示した。
• モデルは1枚あたり2 msの処理速度を達成し、AUVやモバイルプラットフォームへの展開に適したニアリアルタイム推論を実現した。
• 水の透明度、照明、背景のゴミの多さの変動が激しい多様な海洋環境においても、強力な一般化性能を示した。
• ドメイン特化型データセット（DeepPlastic）の使用により、陸上由来のプラスチックデータセットで事前学習されたモデルと比較して、誤検出が顕著に減少した。
• 本システムは、マントラトラウルのような表面からのサンプリング法に起因する制限を克服し、エピペリャジカル水層全体にわたるプラスチックごみの検出に成功した。
• DeepPlasticデータセットおよびトレーニング済みモデルのオープンソース化により、再現可能な研究および海洋プラスチックモニタリング分野におけるスケーラブルな展開が可能になった。