State-of-the-Art Image Recognition for Surface Water Garbage Detection, Classification, and Counting
Dit artikel presenteert een lichtgewicht op YOLOv8n gebaseerd beeldherkenningssysteem voor het detecteren, classificeren en tellen van oppervlaktewaterafval, waarbij wordt aangetoond dat hoewel de aanpak haalbaar is met beperkte data en CPU-bronnen, de huidige bescheiden prestatie (mAP50 van 0,244) de noodzaak benadrukt van uitgebreidere datasets, verfijnde labels en verlengde training om praktische bruikbaarheid te bereiken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Rivieren, meren en vijvers zijn de aderen van ons landschap, maar ze raken steeds vaker verstopt met een ander soort afval: drijvend vuilnis. Plastic flessen, zakken en ander afval drijven op het oppervlak, waardoor wilde dieren gevangen raken, afwatering wordt geblokkeerd en het uitzicht wordt verpest. Voor nu is de enige manier om deze vervuiling te volgen dat mensen de oevers bewandelen of boten varen, waarbij ze met samengeknepen ogen naar het water kijken en opschrijven wat ze zien. Deze methode is traag, inconsistent en onmogelijk vaak genoeg te herhalen om het probleem te vangen terwijl het groeit. De oplossing ligt in het geven van het vermogen om te zien aan machines. Door camera's op bruggen, boten of drones te monteren, zouden we elke dag beelden van het water kunnen vastleggen. De uitdaging is om een computer te leren naar een enkele foto te kijken, elk stuk vuilnis te vinden, te identificeren wat het is, en te tellen hoeveel stuks er zijn. Dit is het werk van objectdetectie, een veld waar kunstmatige intelligentie leert om vormen en patronen te herkennen, net zoals een menselijk oog dat doet, maar dan met de snelheid en uithoudingsvermogen van een machine.
Een onderzoeker aan de Sanjivani University in India zette zich in om te testen of een klein, efficiënt computerprogramma deze taak kon afhandelen zonder dat daar dure, krachtige hardware voor nodig was. Het doel was om een systeem te bouwen dat in een foto drijvend vuilnis kon vinden, het type afval kon benoemen en de totale telling kon maken, terwijl het draaide op de processor van een standaard laptop. De onderzoeker koos een specifiek hulpmiddel dat bekend staat als YOLOv8, een modern detectiesysteem dat is ontworpen om snel en lichtgewicht te zijn. Om dit systeem te leren, gebruikte hij een collectie van 371 afbeeldingen van wateroppervlakken die vuilnis bevatten, samen met 105 aanvullende afbeeldingen om de voortgang van het systeem te controleren. Deze afbeeldingen waren gelabeld voor zeven verschillende categorieën, variërend van plastic flessen en blikjes tot vezelafval en ander puin, hoewel sommige van de labels in de oorspronkelijke dataset imperfecte tijdelijke aanduidingen waren die overbleven uit het labelingsproces.
Het trainingsproces hield in dat deze afbeeldingen aan het computermodel werden gevoerd over een reeks stappen die epochs worden genoemd, waardoor de software zijn interne regels kon aanpassen om afval beter te herkennen. De gehele trainingsronde vond plaats op een centrale verwerkingseenheid, het hoofdbrein van een standaardcomputer, in plaats van op een gespecialiseerde grafische kaart die vaak voor zwaar AI-werk wordt gebruikt. Na 24 van deze trainingsstappen bereikte het systeem een punt waarop het afval met een bepaalde mate van nauwkeurigheid kon identificeren. Op het beste moment van deze run identificeerde het model ongeveer 62 procent van de boxen die het rond objecten tekende, wat betekende dat het meestal gelijk had wanneer het beweerde iets te zien. Het vond echter slechts ongeveer 28 procent van het werkelijke afval dat aanwezig was in de afbeeldingen, waardoor veel items werden gemist die duidelijk aanwezig waren. De algemene score voor hoe goed het model overeenkwam met de echte objecten was bescheiden, wat de moeilijkheid van de taak en de kleine hoeveelheid data weerspiegelde.
Ondanks deze beperkingen bewees het systeem dat het end-to-end kon werken. Wanneer het een nieuwe foto van een meer kreeg te zien, scande het model de afbeelding in minder dan een seconde, tekende een kader rond elk stuk vuilnis dat het vond en gaf het een naam. Als de computer drie boxen zag met het label "plastic fles", telde het drie flessen. Deze eenvoudige methode van tellen, die steunt op de detectiestap, toonde aan dat de pijplijn functioneel is. Het model was voorzichtig genoeg om de meeste tijd valse alarmen te vermijden, maar het was nog niet gevoelig genoeg om elk stuk drijvend afval te vangen. Het lage aantal trainingsafbeeldingen en de aanwezigheid van verwarrende of tijdelijke labels in de dataset droegen waarschijnlijk bij aan de gemiste detecties. Water zelf is een moeilijke omgeving voor visie, met schittering, rimpelingen en reflecties die het uiterlijk van objecten veranderen, waardoor het voor de computer moeilijker wordt om een drijvende fles te onderscheiden van een lichtvlek.
De studie concludeert dat hoewel de huidige resultaten niet perfect zijn, de aanpak levensvatbaar is voor goedkope monitoring. Het systeem draait op gewone computerhardware, leert snel en verbindt succesvol de stappen van het vinden, benoemen en tellen van vuilnis. De onderzoeker merkt op dat de resultaten een momentopname zijn van een onvoltooid project; de training werd gestopt voordat het volledige potentieel was bereikt, en het systeem is nog niet getest op een aparte set afbeeldingen die het nog nooit eerder heeft gezien. Toekomstig werk zal bestaan uit het opschonen van de labels, het toevoegen van duizenden meer afbeeldingen genomen onder verschillende weersomstandigheden, en het testen van grotere, krachtigere modellen. Het uiteindelijke doel is om deze technologie in te zetten op camera's bevestigd aan drones of boten, om de trage, handmatige taak van het bewaken van rivieren te veranderen in een geautomatiseerde, continue stroom van gegevens die kan helpen onze waterwegen te beschermen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.