Preučevanje vplivov plastike na okolje z uporabo zaznavanja na podlagi slik in metod globokega učenja

Povzetek

Plastično onesnaženje je velik okoljski problem, zlasti v vodnih in obalnih ekosistemih. Poleg prizadevanj za čiščenje učinkovito preprečevanje zahteva natančno zaznavanje in razvrščanje odpadkov v naravnem okolju. Navdihnjena s prejšnjimi orodji strojnega učenja za spremljanje odpadkov (npr. PlasticNet ali DroneDeploy) se ta študija osredotoča na javno dostopen nabor podatkov TrashNet. Prvotnih šest kategorij odpadkov je bilo ponovno označenih v dve skupini glede na ekološki vpliv: škodljivi (plastika, mešani odpadki) in manj škodljivi (papir, karton, steklo, kovina). Razvita in ovrednotena sta bila dva modela globokega učenja: prilagojena štiriblokovna konvolucijska nevronska mreža (CNN), učena od začetka z uporabo fokalne funkcije izgube, in model prenosa učenja, ki temelji na VGG16, predhodno naučenem na ImageNetu. Rezultati kažejo, da je CNN dosegel zadovoljiv priklic za škodljive odpadke, medtem ko je model VGG16 zagotovil bolj uravnotežen kompromis ter dosegel natančnost nad 82% na validacijskih in testnih podatkih. Ugotovitve potrjujejo potencial globokega učenja za avtomatizirano spremljanje plastičnega onesnaženja, z uporabo v zračnem nadzoru, pametnem upravljanju odpadkov in avtonomnih sistemih čiščenja.