[论文解读] DeepPlastic: A Novel Approach to Detecting Epipelagic Bound Plastic Using Deep Visual Models.

Gautam Tata, Sarah‐Jeanne Royer+2 more|arXiv (Cornell University)|May 5, 2021

Microplastics and Plastic Pollution参考文献 25被引用 8

一句话总结

DeepPlastic 提出了一种可扩展的、实时的海洋表层塑料检测方法，利用针对海洋环境的深度视觉模型，在特定领域图像上采用 YOLOv5-S 模型，实现了 85.1% 的 mAP 和 89% 的 F1 分数，同时保持近实时推理速度，为大规模塑料监测提供了一种成本效益更高的替代方案，避免了传统物理拖网采样方法。

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.

研究动机与目标

• 解决当前基于 manta 拖网的方法存在的局限性，这些方法需要物理采集，成本高且劳动密集。
• 开发一种基于海洋表面视觉数据的可扩展、实时监测系统，用于检测表层海洋塑料碎片。
• 构建一个领域特定的数据集，并训练一种深度学习模型，使其能够在自然海洋环境中实现高精度、高速度的塑料检测。
• 评估深度神经网络在真实海洋成像条件下检测正浮性塑料碎片的性能。

提出的方法

• 收集并预处理来自表层海洋层的图像，构建用于训练和评估的领域特定数据集。
• 使用深度神经网络训练并微调目标检测模型，选择 YOLOv5-S 作为最优架构。
• 采用平均精度均值（mAP）和 F1 分数作为评估指标，评估模型在检测任务中的表现。
• 优化模型以实现近实时推理速度，支持在广阔海洋区域的可扩展部署。
• 应用数据增强和预处理技术，提升模型在多样化海洋视觉条件下的泛化能力。
• 在保留的测试集上验证模型，确保其在真实世界部署场景下的鲁棒性和可靠性。

实验结果

研究问题

• RQ1 基于深度学习的视觉模型能否在表层海洋图像中以高精度和高召回率准确检测出正浮性塑料碎片？
• RQ2 YOLOv5-S 在真实海洋条件下检测海洋塑料时，与其它目标检测模型相比表现如何？
• RQ3 深度学习模型在保持高检测精度的同时，能在多大程度上实现实时推理速度，以支持可扩展的海洋监测？
• RQ4 领域特定的海洋表面图像数据集能否在多样化海洋环境中实现有效的塑料检测泛化？

主要发现

• YOLOv5-S 在所有测试模型中表现最佳，在领域特定数据集上达到 0.851 的平均精度均值（mAP）。
• 该模型实现了 0.89 的 F1 分数，表明在塑料检测中精度与召回率之间具有良好的平衡。
• 该模型可实现近实时推理速度，支持持续海洋监测的可扩展部署。
• 所提出的流程显著减少了对物理拖网的依赖，实现了远程、基于图像的海洋塑料量化。
• 领域特定数据集和模型微调过程提升了在复杂多变的海洋表面条件下的检测精度。
• 结果表明，使用深度视觉模型作为传统 manta 拖网采样方法的低成本、大规模替代方案具有可行性。