根据环境保护机构的数据显示，大约30%的塑料制品最终会流入海洋。面对这一严峻的现实，来自加州州立大学蒙特雷湾分校、海洋清理组织和圣地亚哥加州大学的研究人员Gautam Tata、Sarah-Jeanne Royer、Olivier Poirion和Jay Lowe开始考虑计算机视觉技术在保持海洋清洁方面的作用。
最近，他们发表了题为《DeepPlastic：一种检测表层水域塑料的新方法》的研究论文。在这篇论文中，研究团队探讨了如果让自主水下航行器（AUV）自动识别并收集水下塑料，其效果会如何。团队专注于评估基于深度学习的识别水下塑料的方法的准确性。
研究团队提供了一个概念图，展示了AUV如何识别和收集受污染的海洋塑料。值得注意的是，研究人员专注于从真实世界条件中收集数据集：数据集由加利福尼亚州三个地点（南太浩湖、博德加湾、旧金山湾）拍摄的图像组成，同时结合了互联网上研究机构托管的图像，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机构（JAMSTEC）拍摄的水下照片。训练数据集包含3200张图像。
收集到图像后，团队利用Roboflow等工具进行组织、注释和增强，以提高数据集的清洁度和多样性。研究人员遵循的计算机视觉流程如下：首先，他们比较了多种模型架构，如YOLOv4、YOLOv4-tiny和YOLOv5，得出结论，YOLOv5可能在设备边缘部署中平衡准确性和推理速度方面表现最佳，实现了0.98的mAP和每张图像1.4毫秒的吞吐量（在Tesla V100上运行）。
鉴于团队强调从不同条件下收集真实世界数据，该模型能够很好地泛化到各种水条件下的塑料（颜色、亮度和接近度）。使用基于深度学习的方法在海洋的表层水域进行推理的结果表明，该模型并非完美，可能会误分类对象，未来的原型应该继续进行数据集收集和模型迭代。
对计算机视觉的创新应用感到兴奋，这些应用将改善环境健康！如果在自己的研究中使用Roboflow，可以通过电子邮件hello[at]roboflow.com联系，以获取增加使用限制的学术用途许可证。