State-of-the-Art Image Recognition for Surface Water Garbage Detection, Classification, and Counting
Cet article présente un système de reconnaissance d'images léger basé sur YOLOv8n pour la détection, la classification et le comptage des déchets de surface dans l'eau, démontrant que bien que l'approche soit réalisable avec des données limitées et des ressources CPU restreintes, sa performance actuelle modeste (mAP50 de 0,244) souligne la nécessité d'élargir les ensembles de données, d'affiner les étiquettes et de prolonger l'entraînement pour atteindre une utilité pratique.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les rivières, les lacs et les étangs sont les veines de notre paysage, mais ils sont de plus en plus obstrués par un type de débris différent : les déchets flottants. Les bouteilles en plastique, les sacs et autres déchets dérivent à la surface, piégeant la faune, bloquant le drainage et gâchant la vue. Pour l'instant, la seule façon de suivre cette pollution est de faire marcher des personnes sur les berges ou de faire naviguer des bateaux, en plissant les yeux vers l'eau et en notant ce qu'ils voient. Cette méthode est lente, incohérente et impossible à répéter assez souvent pour saisir l'ampleur du problème à mesure qu'il croît. La solution réside dans la capacité des machines à voir. En installant des caméras sur des ponts, des bateaux ou des drones, nous pourrions capturer des images de l'eau chaque jour. Le défi consiste à apprendre à un ordinateur à regarder une seule photographie, à trouver chaque morceau de déchet, à identifier sa nature et à compter combien il y a de pièces. C'est le travail de la détection d'objets, un domaine où l'intelligence artificielle apprend à reconnaître des formes et des motifs, tout comme l'œil humain, mais avec la vitesse et l'endurance d'une machine.
Un chercheur de l'Université Sanjivani en Inde s'est donné pour mission de tester si un petit programme informatique efficace pouvait gérer cette tâche sans nécessiter de matériel coûteux et de haute puissance. L'objectif était de construire un système capable de trouver des déchets flottants dans une photo, de nommer le type de déchet et de dénombrer le total, le tout en fonctionnant sur le processeur d'un ordinateur portable standard. Le chercheur a choisi un outil spécifique connu sous le nom de YOLOv8, un système de détection moderne conçu pour être rapide et léger. Pour enseigner à ce système, il a utilisé une collection de 371 images de surfaces aquatiques contenant des déchets, ainsi que 105 images supplémentaires pour vérifier les progrès du système. Ces images étaient marquées avec des étiquettes pour sept catégories différentes, allant des bouteilles en plastique et des canettes aux déchets fibreux et autres débris, bien que certaines des étiquettes du jeu de données original soient des substituts imparfaits laissés par le processus d'étiquetage.
Le processus d'apprentissage consistait à soumettre ces images au modèle informatique à travers une série d'étapes appelées époques, permettant au logiciel d'ajuster ses règles internes pour mieux reconnaître les déchets. L'intégralité de la phase d'entraînement s'est déroulée sur une unité centrale de traitement, le cerveau principal d'un ordinateur standard, plutôt que sur une carte graphique spécialisée souvent utilisée pour les travaux lourds d'IA. Après 24 de ces étapes d'entraînement, le système a atteint un point où il pouvait identifier les déchets avec un certain niveau de précision. Dans le meilleur moment de cette session, le modèle a correctement identifié environ 62 % des boîtes qu'il dessinait autour des objets, ce qui signifie qu'il avait généralement raison lorsqu'il affirmait voir quelque chose. Cependant, il n'a trouvé qu'environ 28 % des véritables déchets présents dans les images, manquant ainsi de nombreux éléments pourtant clairement visibles. Le score global de correspondance entre le modèle et les objets réels était modeste, reflétant la difficulté de la tâche et la faible quantité de données utilisées.
Malgré ces limites, le système a prouvé qu'il pouvait fonctionner de bout en bout. Lorsqu'on lui présente une nouvelle image d'un lac, le modèle scanne l'image en moins d'une seconde, dessinant un cadre autour de chaque déchet trouvé et lui assignant un nom. Si l'ordinateur voit trois cadres étiquetés « bouteille en plastique », il compte trois bouteilles. Cette méthode de comptage simple, qui repose sur l'étape de détection, montre que le pipeline est fonctionnel. Le modèle était suffisamment prudent pour éviter les fausses alertes la plupart du temps, mais il n'était pas encore assez sensible pour détecter chaque déchet flottant. Le faible nombre d'images d'entraînement et la présence d'étiquettes confuses ou de substituts dans le jeu de données ont probablement contribué aux ratés de détection. L'eau est un environnement difficile pour la vision, avec l'éclat, les ondulations et les reflets qui modifient l'apparence des objets, rendant plus complexe pour l'ordinateur de distinguer une bouteille flottante d'une tache de lumière.
L'étude conclut que, bien que les résultats actuels ne soient pas parfaits, l'approche est viable pour une surveillance à bas coût. Le système fonctionne sur du matériel informatique ordinaire, apprend rapidement et connecte avec succès les étapes de recherche, de nomination et de comptage des déchets. Le chercheur note que les résultats sont un instantané d'un projet inachevé ; l'entraînement a été interrompu avant d'atteindre son plein potentiel, et le système n'a pas encore été testé sur un ensemble d'images qu'il n'a jamais vues auparavant. Les travaux futurs consisteront à nettoyer les étiquettes, à ajouter des milliers d'images supplémentaires prises dans différentes conditions météorologiques et à tester des modèles plus vastes et plus puissants. L'objectif ultime est de déployer cette technologie sur des caméras fixées à des drones ou des bateaux, transformant la tâche manuelle et lente de la surveillance des rivières en un flux de données automatisé et continu capable de protéger nos voies navigables.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.