[论文解读] 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 4

一句话总结

本文介绍了DeepPlastic，一个开源数据集和基于YOLOv5-S的深度学习模型，用于通过水下图像实现实时检测表层海洋塑料垃圾。该模型仅使用海洋环境中的塑料图像进行训练，实现了85%的平均精度均值（mAP）和0.89的F1分数，单张图像推理速度为2毫秒，支持通过自主水下航行器（AUV）或浮标实现准确、低成本、自主的监测。

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/

研究动机与目标

• 开发一种稳健的实时目标检测系统，用于表层海洋塑料垃圾检测，以克服人工采样和仅限表面监测的局限性。
• 解决由于生物膜导致的塑料下沉而造成的漂浮塑料低估问题，以及迈塔拖网无法采样整个水柱的局限性。
• 创建一个专门针对海洋环境的深度学习模型，仅使用海洋来源的塑料图像进行训练，以提高准确性并减少误报。
• 实现可扩展、低成本的自动化塑料检测部署，利用自主水下航行器（AUV）和固定监测平台。
• 提供开源数据集和模型，以支持海洋塑料监测领域的可复现研究和进一步发展。

提出的方法

• 在涵盖不同海洋层次的海洋塑料图像精选数据集上，训练了四种最先进的目标检测模型——Faster R-CNN、SSD、YOLOv4-Tiny和YOLOv5-S。
• 使用一个名为DeepPlastic的自定义数据集，该数据集由来自不同海洋环境的图像组成，并使用边界框对塑料垃圾进行标注。
• 采用迁移学习和数据增强技术，以提高模型在环境变化下的泛化能力和鲁棒性。
• 通过模型量化和硬件加速优化推理速度，在标准GPU上实现每张图像2毫秒的推理速度。
• 使用标准指标（包括在保留测试集上的平均精度均值（mAP）和F1分数）验证模型性能。
• 将表现最佳的模型（YOLOv5-S）集成到端到端系统中，兼容AUV和遥感平台，实现近实时部署。

实验结果

研究问题

• RQ1 仅使用海洋来源塑料图像进行训练的深度学习模型，能否在表层海洋塑料检测中实现高精度和实时推理？
• RQ2 在真实海洋环境中，YOLOv5-S在检测海洋塑料垃圾方面的性能与其它先进模型（如Faster R-CNN、YOLOv4-Tiny）相比如何？
• RQ3 该模型在多大程度上能够将塑料垃圾与海洋环境中常见的自然物体（如泡沫、海藻、水母）区分开来？
• RQ4 该模型是否能在无需重新训练的情况下，保持在不同水柱层次和光照条件下的高性能？
• RQ5 数据集质量和领域特异性对海洋塑料检测中模型泛化能力和误报率的影响如何？

主要发现

• YOLOv5-S模型在测试集上取得了最高的性能，平均精度均值（mAP）为85%，F1分数为0.89。
• 该模型以每张图像2毫秒的速度处理图像，支持近实时推理，适用于AUV和移动平台的部署。
• 该模型在不同海洋环境（包括水体能见度、光照条件和背景杂乱程度各异）中表现出强大的泛化能力。
• 使用领域特定数据集（DeepPlastic）显著降低了误报率，相比在陆地来源塑料数据集上预训练的模型效果更优。
• 该系统成功检测到整个表层水柱中的塑料垃圾，克服了仅限表面采样方法（如迈塔拖网）的局限性。
• 开源DeepPlastic数据集和训练好的模型，支持可复现的研究和海洋塑料监测的可扩展部署。