WSCA: Nhận dạng rác trên mặt nước ứng dụng mạng nơron học sâu
Tóm tắt: 185
| 
PDF: 248 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
WSCA
mạng học sâu
nhận dạng rác trôi nổi
Yolov7
Tóm tắt
Bài báo giới thiệu giải pháp máy thu rác trên mặt nước với chức năng nhận dạng rác tự động bằng việc huấn luyện mô hình học sâu với kiến trúc mạng YOLOv7. Đầu tiên, phương pháp Thinking Design kết hợp mô phỏng 3D được sử dụng trong quá trình thiết kế và đánh giá hiệu quả của máy thu rác trên mặt nước có tên WSCA (Water Surface Cleaning Autobot). Nhóm tác giả đề xuất phương pháp tăng cường dữ liệu để tạo thành tập FloW+ có thêm 800 ảnh so với tập data FloW (gồm 2000 ảnh với 5.271 chất thải nhựa trôi nổi). Cuối cùng là xây dựng và huấn luyện mô hình mạng học sâu để nhận dạng rác trên mặt nước với tập dữ liệu tập FloW+. Độ chính xác trên tập kiểm thử là Precision đạt 80,5%, Recall đạt 76,6%, mAP@0.5 đạt 78,8%, mAP@0.5...95 đạt 35,6% với FPS đạt trung bình là 17,6. Phương pháp này đem đến khả năng ứng dụng cao cho việc xây dựng một thiết bị thu rác trôi nổi tự động cũng như áp dụng mở rộng ở các quy mô lớn hơn.
Tài liệu tham khảo
-
[1] Eriksen et al. "Plastic pollution in the world’s oceans: more than 5 trillion plastic pieces weighing over 250,000 tons afloat at sea”, PloS one, Vol. 9, No. 12, e111913, 2014.
[2] C. Li, H. F. Tse, and L. Fok "Plastic waste in the marine environment: A review of sources, occurrence and effects”, Science of the Total Environment, Vol. 566, pp. 333–349, 2016.
[3] C. M. Lebreton, J. Zwet, J.-W. Damsteeg, B. Slat, A. Andrady, and J. Reisser. "River plastic emissions to the world’s oceans”, Nature communications, Vol. 8, No. 1, pp. 1-10, 2017.
[4] Ruangpayoongsak, J. Sumroengrit, and M. Leanglum. "A floating waste scooper robot on water surface”, In: 2017 17th International Conference on Control, Automation and Systems (ICCAS). IEEE, 17430768, 2017, pp. 1543-1548. DOI: 10.23919/ICCAS.2017.8204234
[5] Y. Sanda and I. Ibrahim. "Causes, categories and control of water pollution”, International Journal of Scientific Engineering and Science, Vol. 4, No. 9, pp. 84-90, 2020.
[6] Helinski, C. Poor and J. Wolfand. "Ridding our rivers of plastic: A framework for plastic pollution capture device selection”, Marine pollution bulletin, Vol. 165, pp. 112095, 2021.
[7] -Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023, pp. 7464-7475.
[8] Bai; Y. Zhang; M. Ding; and B. Ghanem. "Sod-mtgan: Small object detection via multitask generative adversarial network”, In Proceedings of the European Conference on Computer Vision (ECCV), 2018, pp. 206–221.
[9] Li, X. Liang, Y. Wei, T. Xu, J. Feng, and S. Yan. "Perceptual generative adversarial networks for small object detection”, In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR), 2017, pp. 1222–1230. https://doi.org/10.48550/arXiv.1706.05274
[10] Cheng et al., "FloW: A Dataset and Benchmark for Floating Waste Detection in Inland Waters”, In Proceedings of the IEEE/CVF International Conference on Computer Vision, 2021, pp. 10953-10962.
[11] M. Patole; M. Torlak; D. Wang; and M. Ali "Automotive radarrs: A review of signal processing techniques”, IEEE Signal Processing Magazine. Vol. 34, No. 2, pp. 22 - 35, 2017.
[12] Ouaknine, A. Newson, J. Rebut, F. Tupin, and P. Pérez, "Carradar Dataset: Camera and Automotive Radarr with Range-Angle-Doppler Annotations”. arXiv preprint arXiv:2005.01456, 2021, DOI:10.1109/ICPR48806.2021.9413181.
[13] Visser, "The Cognitive Artifacts of Designing”. Lawrence Erlbaum Associates, 2006.
[14] Cross, "Design Cognition: Results from Protocol and Other Empirical Studies of Design Activity”. In: C. Eastman, M. McCracken, and W. Newstatter (eds.) Design Knowing and Learning: Cognition in Design Education, Elsevier, Oxford, 2001, pp. 79-103. ISBN 0 08 043868 7.
[15] Brown, "Design Thinking”. Harvard Business Review, June 2008.
[16] Dorst, "Frame Innovation: Create New Thinking by Design”. Cambridge, MA: MIT Press, 2012. ISBN 978-0-262-32431-1.
[17] McGinn, E. Bourke, A. Murtagh, C. Donovan, P. Lynch, M. F. Cullinan, and K. Kelly, "Meet Stevie: A Socially Assistive Robot Developed Through Application of a ‘Design-Thinking’ Approach”. Journal of Intelligent & Robotic Systems, Vol. 98, No. 1, pp. 39-58, 2020.
[18] Cross, "Design Thinking: Understanding How Designers Think and Work”. Berg, 2011. ISBN 9781847886361.
[19] Cross, "The Nature and Nurture of Design Ability”. Design Studies, Vol. 11, pp. 127–140, 1990.
[20] Hynes et al., “Infusing Engineering Design into High School STEM Courses”, National Center for Engineering and Technology Education, vol. 165, pp. 1-7, 2011.
[21] X. Longet al., "PP-YOLO: An Effective and Efficient Implementation of Object Detector”. arXiv preprint arXiv:2007.12099.
[22] -Y. Fu, W. Liu, A. Ranga, A. Tyagi, and A. C. Berg, "DSSD: Deconvolutional Single Shot Detector”. arXiv preprint arXiv:1701.06659, 2017. https://doi.org/10.48550/arXiv.1701.06659
[23] -Y. Lin; P. Goyal; R. Girshick; K. He; and P.Dollár, "Focal Loss for Dense Object Detection”. In Proceedings of the IEEE International Conference on Computer Vision, 2017, pp. 2980–2988. DOI: 10.1109/ICCV.2017.324
[24] Redmon and A. Farhadi, "YOLOv3: An Incremental Improvement”. arXiv preprint arXiv:1804.02767, 2018. https://doi.org/10.48550/arXiv.1804.02767
[25] Ren, K. He, R. Girshick, and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks”. In Advances in Neural Information Processing Systems, 2015, pp. 91–99. https://doi.org/10.48550/arXiv.1506.01497
[26] T.-Y. Lin, P. Dollar´, R. Girshick, K. He, B. Hariharan, and S. Belongie, "Feature Pyramid Networks for Object Detection”. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017, pp. 2117–2125.
[27] Z. Cai and N. Vasconcelos, "Cascade R-CNN: Delving into High-Quality Object Detection”, In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 6154–6162. https://doi.org/10.48550/arXiv.1712.00726
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
Sep 30, 2023
Download
Cách trích dẫn
Huỳnh Ngọc Thái Anh, và Trang Thanh Trí. “WSCA: Nhận dạng rác Trên mặt nước ứng dụng mạng nơron học sâu”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 21, số p.h 9.2, Tháng Chín 2023, tr 47-52, https://jst-ud.vn/jst-ud/article/view/8627.
