Automated River Plastic Monitoring Using Deep Learning and Cameras

Flagmr
Must Read
Catégorie : Détection et Caractérisation
Date :28 septembre 2020
Avis TSC : Le monitoring de la pollution plastique est un sujet largement débattu en ce moment afin d’estimer son envergure et surtout de pouvoir mesurer les impacts des mesures réglementaires prises en amont sur la gestion des déchets. De l’imagerie satellite à l’observation sur le terrain, de nombreux systèmes sont testés. Les auteurs de cette étude ont placé des caméras vidéo sur les ponts au-dessus des rivières Indonésiennes qui sont connus pour être très contaminées en pollution plastique. A partir d’une analyse d’image et d’un système d’intelligence artificielle entraîné à reconnaître les différents débris plastiques flottants, ces systèmes fournissent des mesures en continu pendant la journée. Les résultats produits comparés à ceux issus de l’observation humaine sont très proches. Les auteurs montrent de plus que le déploiement du même système avec la même intelligence artificielle sur une autre rivière ne nécessite qu’un réapprentissage partiel des conditions locales, ce qui accélère notablement la mise en place. À l’avenir ce genre de système d’observation devrait se multiplier dans toutes les zones critiques au niveau de la pollution plastique et pas simplement sur les rivières mais aussi au niveau des estuaires et même au niveau océanique.
van Lieshout, Colin; van Oeveren, Kees; van Emmerik, Tim; Postma, Eric.
Earth and Space Science : 7 (DocId: 8)
Quantifying plastic pollution on surface water is essential to understand and mitigate the impact of plastic pollution to the environment. Current monitoring methods such as visual counting are labor intensive. This limits the feasibility of scaling to long-term monitoring at multiple locations. We present an automated method for monitoring plastic pollution that overcomes this limitation. Floating macroplastics are detected from images of the water surface using deep learning. We perform an experimental evaluation of our method using images from bridge-mounted cameras at five different river locations across Jakarta, Indonesia. The four main results of the experimental evaluation are as follows. First, we realize a method that obtains a reliable estimate of plastic density (68.7% precision). Our monitoring method successfully distinguishes plastics from environmental elements, such as water surface reflection and organic waste. Second, when trained on one location, the method generalizes well to new locations with relatively similar conditions without retraining (approximate to 50% average precision). Third, generalization to new locations with considerably different conditions can be boosted by retraining on only 50 objects of the new location (improving precision from approximate to 20% to approximate to 42%). Fourth, our method matches visual counting methods and detects approximate to 35% more plastics, even more so during periods of plastic transport rates of above 10 items per meter per minute. Taken together, these results demonstrate that our method is a promising way of monitoring plastic pollution. By extending the variety of the data set the monitoring method can be readily applied at a larger scale.