Underwater Waste Detection Using Deep Learning A Performance Comparison of YOLOv7 to 10 and Faster RCNN

Technische Samenvatting: Detectie van Onderwaterafval met behulp van Deep Learning

Probleemstelling
Onderwatervervuiling, met name door plastics en chemische verontreinigingen, vormt ernstige bedreigingen voor de mariene biodiversiteit, ecosystemen en de menselijke gezondheid. Het verstoort voedselketens, beschadigt koraalriffen en veroorzaakt aanzienlijke economische verliezen in sectoren zoals toerisme en visserij. Hoewel traditionele beheerstrategieën essentieel zijn, vereist de detectie en verwijdering van onderwaterafval geavanceerde technologische oplossingen. De huidige uitdagingen omvatten een laag zicht, lichtverstrooiing en zwevend materiaal in onderwateromgevingen, wat de beeldkwaliteit verslechtert en de nauwkeurige identificatie van afval belemmert. Hoewel diverse machine learning-benaderingen zijn voorgesteld, is er een gebrek aan een uitgebreide vergelijkende analyse tussen de meest geavanceerde objectdetectiemodellen die specifiek worden toegepast op multi-class onderwaterafvaldetectie.

Methodologie
Deze studie voerde een vergelijkende evaluatie uit van vijf geavanceerde objectdetectie-algoritmen: YOLOv7, YOLOv8, YOLOv9, YOLOv10 en Faster R-CNN. Het onderzoek maakte gebruik van een dataset afkomstig uit een online repository bestaande uit 5.130 onderwaterbeelden, gecategoriseerd in 15 verschillende klassen van afval: maskers, blikjes, mobiele telefoons, elektronica, glazen flessen, handschoenen, metaal, netten, plastic zakken, plastic flessen, staven, zonnebrillen, banden en diverse items.

De dataset werd verdeeld in trainingssets (3.62ppen 28 afbeeldingen), validatiesets (1.001 afbeeldingen) en testsets (501 afbeeldingen). Alle modellen werden getraind voor 50 epochs met een batchgrootte van 64 en een input-afbeeldingsgrootte van 128 pixels. De studie maakte gebruik van standaard evaluatiemetrieken zoals gedefinieerd in de YOLO-documentatie:

• Precisie (Precision): Het aandeel ware positieven onder alle positieve voorspellingen.
• Recall: Het aandeel ware positieven dat is geïdentificeerd van alle werkelijke positieven.
• Mean Average Precision (mAP): De gemiddelde precisiewaarde over alle 15 objectklassen.

Belangrijkste Bijdragen
De primaire bijdrage van dit werk is een systematische prestatievergelijking van de nieuwste YOLO-varianten (v7 tot en met v10) tegenover de gevestigde Faster R-CNN-architectuur binnen de specifieke context van onderwaterafvaldetectie. Waar eerdere studies vaak gericht waren op het optimaliseren van een enkele modelarchitectuur (bijv. het verbeteren van YOLOv5 of YOLOv8 voor specifieke condities), evalueert deze studie de relatieve effectiviteit van meerdere moderne architecturen op een diverse, multi-class onderwaterdataset. Het onderzoek identificeert het meest effectieve model voor het herkennen van afvalmaterialen onder uitdagende mariene omstandigheden zonder nieuwe architecturale wijzigingen voor te stellen, waarbij vertrouwd wordt op de inherente capaciteiten van de geselecteerde pre-trained modellen.

Resultaten
De experimentele resultaten toonden aan dat YOLOv8 alle andere modellen overtrof. De specifieke prestatie-indicatoren waren als volgt:

• YOLOv8: Precisie van 0,832, Recall van 0,727 en een mAP van 80,9%.
• YOLOv9: Precisie van 0,789, Recall van 0,729 en een mAP van 79,0%.
• YOLOv10: Precisie van 0,688, Recall van 0,686 en een mAP van 71,6%.
• YOLOv7: Precisie van 0,663, Recall van 0,656 en een mAP van 67,9%.
• Faster R-CNN: Precisie van 0,484, Recall van 0,629 en een mAP van 61,5%.

De studie schrijft het superieure presteren van YOLOv8 toe aan de architectuur, die geavanceerde functies bevat zoals verbeterde anchor-free mechanismen en self-supervised learning-mogelijkheden, wat zorgt voor een nauwkeurigere herkenning in uiteenlopende omgevingen. Verwarringsmatrix-analyse en metriekcurves voor YOLOv8 bevestigden de stabiliteit, met dalende verlieswaarden en een verbeterende mAP en recall over de trainingsepochs. Visuele voorspellingen valideerden verder het vermogen van het model om diverse afvalitems accuraat te detecteren.

Betekenis en Beperkingen
Het artikel concludeert dat YOLOv8 een betrouwbaar en effectief instrument is voor het detecteren van een verscheidenheid aan categorieën onderwaterafval, wat verbeterde detectiecapaciteiten en schaalbaarheid biedt voor schoonmaakoperaties. De bevindingen suggereren dat YOLOv8 een sterke kandidaat is voor integratie in wereldwijde inspanningen om onderwatervervuiling te bestrijden.

De auteurs hanteren echter een bescheiden standpunt met betrekking tot de reikwijdte van de studie. Zij erkennen beperkingen en merken op dat de dataset de complexiteit van real-world onderwatercondities, zoals extreem laag zicht, variërende verlichting en zeer rommelige achtergronden, niet volledig dekt. Daarnaast was de evaluatie beperkt tot 15 specifieke klassen, wat de generaliseerbaarheid van de resultaten naar andere soorten afval kan beperken. De studie claimt niet alle uitdagingen op het gebied van onderwaterdetectie te hebben opgelost, maar identificeert YOLOv8 als het meest effectieve model onder de geteste modellen voor de specifieke dataset en condities die zijn geëvalueerd. Toekomstig werk zou moeten bestaan uit grotere, op meerdere locaties gebaseerde datasets en de integratie van domeinadaptatietechnieken om de generalisatie van het model verder te verbeteren.