使用计算机视觉清洁世界海洋

全球塑料产量已超过5亿吨。此外，美国环境保护署的估计表明，所有生产的塑料中有30%最终将进入海洋。

考虑到这一点，来自科罗拉多州立大学蒙特利湾分校，海洋清理和加州大学圣地亚哥分校的研究人员Gautam Tata，Sarah-Jeanne Royer，Olivier Poirion和Jay Lowe考虑了计算机视觉如何在保持海洋清洁方面发挥作用。

该小组最近发表了他们的发现：DeepPlastic：一种检测Epeplagigic Bound的新方法。在这篇论文中，研究小组考虑了如果负责自动识别和收集水下塑料，自主水下航行器（AUV）的功效可能是什么样子。

该团队专注于评估基于深度学习的水下塑料识别方法的准确性。

值得注意的是，研究人员专注于从现实世界的条件中收集数据集：

该数据集是根据加利福尼亚州三个地点（南太浩湖，博德加湾，旧金山湾）拍摄的图像以及由研究机构在互联网上托管的图像汇编构建的，以增加不同地点海洋垃圾塑料的代表性。互联网图像的主要来源是日本海洋地球科学技术振兴机构（JAMSTEC）拍摄的水下照片。训练数据集总共包含 3200 张图像。

收集影像后，该团队利用 Roboflow 等工具进行组织、注释和扩充，以提高数据集的清洁度和可变性。

在比较了YOLOv4，YOLOv4-tiny和YOLOv5等多个模型架构后，研究人员得出结论，YOLOv5可以最好地平衡设备上边缘部署的准确性和推理速度，实现0.98 mAP和每张图像1.4毫秒的吞吐量（在Tesla V100上运行）。

鉴于该团队强调从不同条件下收集真实世界的数据，该模型在一系列水条件（颜色，亮度和接近度）中对塑料的推广相当不错。

然而，该团队指出，该模型并不完美，因为错误分类的对象是可能的，并且应该在未来的原型中进一步收集数据集以及模型迭代。阅读该团队关于Arxiv的完整研究论文。

最终，我们很高兴继续看到计算机视觉的创造性应用，比如那些将改善环境健康的应用！