State-of-the-Art Image Recognition for Surface Water Garbage Detection, Classification, and Counting
यह शोध पत्र सतह के जल के कचरे का पता लगाने, वर्गीकरण करने और गणना करने के लिए एक हल्का YOLOv8n-आधारित इमेज रिकग्निशन सिस्टम प्रस्तुत करता है, जो यह दर्शाता है कि हालांकि यह दृष्टिकोण सीमित डेटा और CPU संसाधनों के साथ व्यवहार्य है, लेकिन इसका वर्तमान मामूली प्रदर्शन (mAP50 0.244) व्यावहारिक उपयोगिता प्राप्त करने के लिए विस्तारित डेटासेट, परिष्कृत लेबल और विस्तारित प्रशिक्षण की आवश्यकता को रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
नदियाँ, झीलें और तालाब हमारे परिदृश्य की नसें हैं, लेकिन वे एक अलग प्रकार के मलबे से तेजी से अवरुद्ध हो रहे हैं: तैरता हुआ कचरा। प्लास्टिक की बोतलें, बैग और अन्य अपशिष्ट सतह पर बहते रहते हैं, जो वन्यजीवों को फँसाते हैं, जल निकासी को रोकते हैं और दृश्य को खराब करते हैं। फिलहाल, इस प्रदूषण को ट्रैक करने का एकमात्र तरीका यह है कि लोग किनारों पर टहलें या नावों की सवारी करें, पानी को घूरें और जो वे देखते हैं उसे लिखें। यह तरीका धीमा, असंगत और समस्या के बढ़ने के साथ इसे बार-बार दोहराने के लिए असंभव है। समाधान मशीनों को देखने की क्षमता देने में निहित है। पुलों, नावों या ड्रोन पर कैमरे लगाकर, हम हर दिन पानी की तस्वीरें ले सकते हैं। चुनौती कंप्यूटर को एक तस्वीर को देखने, कचरे के हर टुकड़े को खोजने, यह पहचानने कि वह क्या है, और कितने टुकड़े हैं, उनकी गिनती करने के लिए प्रशिक्षित करने की है। यह ऑब्जेक्ट डिटेक्शन (वस्तु पहचान) का कार्य है, एक ऐसा क्षेत्र जहाँ आर्टिफिशियल इंटेलिजेंस आकृतियों और पैटर्न को पहचानने के लिए उसी तरह सीखता है जैसे मानव आँख करती है, लेकिन मशीन की गति और सहनशक्ति के साथ।
भारत के संजीवनी विश्वविद्यालय के एक शोधकर्ता ने यह परीक्षण करने के लिए हाथ आजमाया कि क्या एक छोटा, कुशल कंप्यूटर प्रोग्राम महंगे, उच्च-शक्ति वाले हार्डवेयर की आवश्यकता के बिना इस कार्य को संभाल सकता है। लक्ष्य एक ऐसा सिस्टम बनाना था जो एक फोटो में तैरते कचरे को ढूंढ सके, कचरे के प्रकार का नाम बता सके और कुल संख्या गिन सके, और यह सब एक मानक लैपटॉप प्रोसेसर पर चल सके। शोधकर्ता ने YOLOv8 नामक एक विशिष्ट टूल को चुना, जो एक आधुनिक डिटेक्शन सिस्टम है जिसे तेज़ और हल्का बनाने के लिए डिज़ाइन किया गया है। इस सिस्टम को सिखाने के लिए, उन्होंने कचरे वाले जल निकायों की 371 छवियों के संग्रह के साथ-साथ सिस्टम की प्रगति की जांच के लिए 105 अतिरिक्त छवियों का उपयोग किया। इन छवियों को सात अलग-अलग श्रेणियों के लिए लेबल किया गया था, जिसमें प्लास्टिक की बोतलों और कैन से लेकर फाइबर कचरे और अन्य मलबे तक शामिल थे, हालांकि मूल डेटा सेट में कुछ लेबल लेबलिंग प्रक्रिया के दौरान छूटे हुए त्रुटिपूर्ण प्लेसहोल्डर थे।
प्रशिक्षण प्रक्रिया में इन छवियों को कंप्यूटर मॉडल को 'एपॉक्स' (epochs) नामक चरणों की एक श्रृंखला के माध्यम से खिलाना शामिल था, जिससे सॉफ्टवेयर को कचरे को बेहतर ढंग से पहचानने के लिए अपने आंतरिक नियमों को समायोजित करने में मदद मिली। पूरा प्रशिक्षण रन एक सेंट्रल प्रोसेसिंग यूनिट (CPU), जो एक मानक कंप्यूटर का मुख्य मस्तिष्क है, पर हुआ, न कि एक विशेष ग्राफिक्स कार्ड पर जिसका उपयोग अक्सर भारी एआई कार्यों के लिए किया जाता है। इन 24 प्रशिक्षण चरणों के बाद, सिस्टम एक निश्चित स्तर की सटीकता के साथ कचरे की पहचान करने में सक्षम रहा। इस रन के सबसे अच्छे क्षण में, मॉडल ने अपने द्वारा बनाए गए बॉक्सों में से लगभग 62 प्रतिशत की सही पहचान की, जिसका अर्थ था कि जब वह किसी चीज़ को देखने का दावा करता था तो वह आमतौरता पर सही होता था। हालाँकि, इसने छवियों में मौजूद वास्तविक कचरे का केवल 28 प्रतिशत ही पाया, जिससे कई वस्तुएं छूट गईं जो स्पष्ट रूप से वहां मौजूद थीं। वास्तविक वस्तुओं के साथ मॉडल के मिलान का समग्र स्कोर मामूली था, जो इस कार्य की कठिनाई और उपयोग किए गए डेटा की कम मात्रा को दर्शाता है।
इन सीमाओं के बावजूद, सिस्टम ने सिद्ध किया कि यह एंड-टू-एंड काम कर सकता है। एक झील की नई तस्वीर दिखाए जाने पर, मॉडल ने एक सेकंड से भी कम समय में छवि को स्कैन किया, कचरे के प्रत्येक टुकड़े के चारों ओर एक बॉक्स बनाया और उसे एक नाम दिया। यदि कंप्यूटर ने "प्लास्टिक बोतल" लेबल वाले तीन बॉक्स देखे, तो उसने तीन बोतलों की गिनती की। गणना की यह सरल विधि, जो डिटेक्शन स्टेप पर निर्भर करती है, ने दिखाया कि पाइपलाइन कार्यात्मक है। मॉडल अधिकांश समय गलत अलार्म से बचने में सावधान था, लेकिन यह हर एक तैरते कचरे को पकड़ने के लिए अभी तक पर्याप्त संवेदनशील नहीं था। प्रशिक्षण छवियों की कम संख्या और डेटा सेट में भ्रमित करने वाले या प्लेसहोल्डर लेबल की उपस्थिति ने छूटे हुए डिटेक्शन में योगदान दिया होगा। पानी स्वयं दृष्टि (vision) के लिए एक कठिन वातावरण है, जहाँ चमक, लहरें और प्रतिबिंब वस्तुओं के स्वरूप को बदल देते हैं, जिससे कंप्यूटर के लिए एक तैरती बोतल को प्रकाश के पैच से अलग करना कठिन हो जाता है।
अध्ययन निष्कर्ष निकालता है कि हालांकि वर्तमान परिणाम पूर्ण नहीं हैं, लेकिन यह दृष्टिकोण कम लागत वाली निगरानी के लिए व्यवहार्य है। यह सिस्टम साधारण कंप्यूटर हार्डवेयर पर चलता है, तेजी से सीखता है, और खोजने, नाम देने और कचरे को गिनने के चरणों को सफलतापूर्वक जोड़ता है। शोधकर्ता बताते हैं कि परिणाम एक अधूरे प्रोजेक्ट का स्नैपशॉट हैं; प्रशिक्षण को उसकी पूरी क्षमता तक पहुँचने से पहले ही रोक दिया गया था, और सिस्टम का अभी तक छवियों के एक अलग सेट पर परीक्षण नहीं किया गया है जिसे उसने पहले कभी नहीं देखा हो। भविष्य के कार्यों में लेबल को साफ करना, विभिन्न मौसमों में ली गई हजारों अधिक छवियां जोड़ना और बड़े, अधिक शक्तिशाली मॉडलों का परीक्षण करना शामिल होगा। अंतिम लक्ष्य इस तकनीक को ड्रोन या नावों से जुड़े कैमरों पर तैनात करना है, जिससे नदियों की निगरानी के धीमे, मैनुअल कार्य को एक स्वचालित, निरंतर डेटा स्ट्रीम में बदला जा सके जो हमारे जलमार्गों की रक्षा करने में मदद कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।