Mapping marine litter with Unmanned Aerial Systems: A showcase comparison among manual image screening and machine learning techniques

Flagmr
Must Read
Catégorie : Détection et Caractérisation
Date :9 octobre 2020
Avis TSC : Le développement des drones et des caméras à haute résolution (4K), permettent de d’envisager l’acquisition de prises de vue aériennes pour un coût très faible. Dans le passé, celles-ci nécessitaient la mobilisation d’avion ou d’hélicoptères avec pilote et donc représentaient des coûts importants pour leur mise en œuvre. Il est maintenant possible avec un seul opérateur humain, de gérer une flottille de drones pouvant faire l’acquisition d’images sur une surface étendue. De nombreuses études émergent logiquement de la disponibilité de cette technologie, en particulier pour mesurer les quantités de déchets sur les plages ou en mer. Dans cet article, les auteurs montrent la capacité de cette acquisition d’image associée à un traitement par machine learning, pour identifier et quantifier les déchets échoués sur les plages. Le niveau d’efficacité est suffisant pour permettre une utilisation opérationnelle dans les projets de suivi ou de contrôle. Les intelligences artificielles utilisées en analyse d’images sont très sensibles au contexte local : éclairement, brillance, reflets, brume …, le prochain développement sera donc de les rendre plus flexibles pour s’adapter à différents contextes. Cette approche tout à fait louable sur le suivi de la pollution ne doit pas faire oublier que ce genre d’application que aussi s’utiliser pour suivre la fréquentation des plages par les touristes ou toute autre personne. Associée la reconnaissance faciale, ces systèmes peuvent être une grave ingérence dans les libertés individuelles. Une éthique d’utilisation s’avère nécessaire pour la mise en œuvre de ces systèmes.
Gonçalves, Gil; Andriolo, Umberto; Pinto, Luís; Duarte, Diogo.
Marine pollution bulletin : 155, 111158.
Recent works have shown the feasibility of Unmanned Aerial Systems (UAS) for monitoring marine pollution. We provide a comparison among techniques to detect and map marine litter objects on an UAS-derived orthophoto of a sandy beach-dune system. Manual image screening technique allowed a detailed description of marine litter categories. Random forest classifier returned the best-automated detection rate (F-score 70%), while convolutional neural network performed slightly worse (F-score 60%) due to a higher number of false positive detections. We show that automatic methods allow faster and more frequent surveys, while still providing a reliable density map of the marine litter load. Image manual screening should be preferred when the characterization of marine litter type and material is required. Our analysis suggests that the use of UAS-derived orthophoto is appropriate to obtain a detailed geolocation of marine litter items, requires much less human effort and allows a wider area coverage.