A Deep Learning Model for Automatic Plastic Mapping Using Unmanned Aerial Vehicle (UAV) Data

Catégorie : Détection et Caractérisation
Date :14 août 2020
Avis TSC : Les actions de collecte et de monitoring de la pollution plastique marine de surface impliquent une observation régulière de grandes zones géographiques. En effet, l’accumulation des débris plastiques flottants est un phénomène discontinu qui est très dépendant des courants et des conditions météorologiques. Par exemple, lors de fortes précipitations, le niveau des fleuves monte et les courants plus forts ont tendance à nettoyer les berges de tous les débris qui s’y sont accumulés apportant ainsi des quantités beaucoup plus importantes de plastique dans les estuaires. Les débris vont se regrouper sous forme de nappes au gré du vent, éventuellement s’échouer sur les plages sous l’action des vagues. Pour quantifier ces phénomènes il faut une grille de mesure fine et fréquente avec beaucoup de points d’observation. Des campagnes par bateau avec observateur humain ne peuvent pas répondre au besoin. C’est pourquoi de plus en plus d’initiatives essayent de développer l’usage de drones, ou plus généralement de véhicules aériens automatiques qui peuvent prendre des photos et couvrir une zone étendue. Cette approche a prouvé son efficacité lorsque les caméras sont fixées sur des ponts pour suivre les déchets flottants qui s’écoulent dans les rivières . Elles nécessitent un algorithme qui analyse les images et permet de détecter les débris afin de les classer. Les auteurs de cette étude montrent qu’il est possible de différencier le polystyrène, le nylon et le PET avec cette technique, pour peu que la résolution soit supérieure à 4 millimètres au niveau des images.
Jakovljevic, Gordana; Govedarica, Miro; Alvarez-Taboada, Flor.
Remote Sensing : 12 (DocId: 9)
Although plastic pollution is one of the most noteworthy environmental issues nowadays, there is still a knowledge gap in terms of monitoring the spatial distribution of plastics, which is needed to prevent its negative effects and to plan mitigation actions. Unmanned Aerial Vehicles (UAVs) can provide suitable data for mapping floating plastic, but most of the methods require visual interpretation and manual labeling. The main goals of this paper are to determine the suitability of deep learning algorithms for automatic floating plastic extraction from UAV orthophotos, testing the possibility of differentiating plastic types, and exploring the relationship between spatial resolution and detectable plastic size, in order to define a methodology for UAV surveys to map floating plastic. Two study areas and three datasets were used to train and validate the models. An end-to-end semantic segmentation algorithm based on U-Net architecture using the ResUNet50 provided the highest accuracy to map different plastic materials (F1-score: Oriented Polystyrene (OPS): 0.86; Nylon: 0.88; Polyethylene terephthalate (PET): 0.92; plastic (in general): 0.78), showing its ability to identify plastic types. The classification accuracy decreased with the decrease in spatial resolution, performing best on 4 mm resolution images for all kinds of plastic. The model provided reliable estimates of the area and volume of the plastics, which is crucial information for a cleaning campaign.