一周飞越50万平方米,无人机检测1.5吨海滩垃圾!自动分类47种,准确率超95%

简介: 一周飞越50万平方米,无人机检测1.5吨海滩垃圾!自动分类47种,准确率超95%

夏日炎炎,海滩逐渐成为大家的周末消遣。

但是文摘菌要提醒大家,可别忘了随身带走垃圾喔。

最近,在英国多个海滩上,就被发现人为制造的垃圾多达1.5吨,共计123000多件物品,其中前三名分别是香烟(47,467)、包括收据和餐巾纸在内的纸张(32,678)和塑料碎片(6,578)。

不过,令人惊讶的是,疫情之下,包括口罩和一次性手套在内的个人防护装备仅占垃圾总量的0.7%。

如此庞大的搜索量,短时间内仅靠人为力量是无法完成的,这就要求助于无人机了。

从5月底至6月初的一周内,无人机飞越了伯恩茅斯、基督城和普尔的海滩,对18个地点进行了检测,检测总面积达到了475000平方米。

本次活动中使用的无人机能够在远距离识别不同种类的垃圾,比如PET和泡沫聚苯乙烯,或者其他特定物品和品牌,就像这样:

该系统由科技公司Ellipsis Earth创建,公司首席执行官兼创始人Ellie Mackay说:“我们正在使用无人机、固定摄像机和车辆等技术来创建详细的垃圾地图,确定热点,并了解垃圾是如何移动的。”

“我们提供的数据不仅高度准确,而且非常详细,这使得我们能够为BCP委员会制定具体的、有针对性的建议,以便能够集中精力发挥最大作用。”

防范于未然!Ellipsis能监测47类垃圾,准确率95%

要实现整个过程,当然是困难的。

首先就要解决数据的问题。Ellipsis的数据库视频和照片来自世界各地,包括无人机、卫星、潜艇和闭路电视,用户可以向Ellipsis提交图像,或者Ellipsis旗下的500多名无人机飞行员中的一位会来联系。

随后无人机便会在测量海滩、河流或海洋的长度时拍摄数千张照片,经由人工智能软件将多张照片混合成一张主图像,用于增强地理空间制图。

这个过程中,人工智能系统将会对垃圾做出分类,比如塑料瓶、渔网、瓶盖或牙刷等。研究人员甚至可以定制算法,以更具针对性地去检测当地常见的塑料类型(如PVA, PET或聚苯乙烯泡沫塑料)或当地的商品和品牌。

在多地进行多次工作后,Ellipsis便能提供垃圾的全球热图,可以过滤和覆盖现有数据集,并进行空间和时间上的比较。

对系统目前的工作情况,Mackay表示,“Ellipsis可以自动检测47类垃圾,准确率超过95%”,“无人机改变了环境监测的行为和方法,它们能在几分钟内调查整个海岸线”。

但是,Ellipsis技术可以检测到的内容是有限的,小于5毫米的塑料颗粒是无法识别的,而据估计,仅在海底,就有至少1400万公吨没能被检测到。

对此Mackay也表现得较为乐观,她表示,通过专注于跟踪较大的塑料垃圾,他们其实正在帮助解决问题根源,“收集一个塑料瓶,就等于规避了未来潜在的25,000个微塑料碎片”。

英国普利茅斯大学海洋生物学教授兼海洋研究所所长Richard Thompson也对此表示认同,他说到,进入海洋的大部分塑料都是大型垃圾,后来会逐渐分解。

“这是可以被干预和解决的地方,同时也是数据能够发挥作用的地方”,未来,尽管塑料颗粒进入环境后变得很小,但仍然可以利用不同的技术进行量化。

Mackay的最终目标并不是呼吁完全停止使用塑料,而是加强改善对使用塑料这一行为的管理。“通过绘制世界各地的垃圾地图,我们将能够有效地提出解决方案。通过行为改变和教育产生持久的影响,我们将能够最大限度地减少因管理不善带来的垃圾数量”。

官网链接:
https://www.ellipsis.earth/

炫酷的垃圾识别小摩托

海滩的垃圾要识别,陆上的垃圾也要准确识别才行。

前者能依靠无人机,后者的装备更为简单,只需要一辆小摩托。

根据medium博主Michele Moscaritolo介绍到,要是垃圾处理人员能够在收集车或者专用车辆上就能通过摄像头监控统计垃圾数据,比如每种垃圾类型通常出现在哪里,每天、每周和每月的趋势,热点等,就能节约大把时间了。

于是他自己动手把自己的Vespa摩托车进行了精心改装。首先,Moscaritolo把除相机和天线外的所有设备都放在坐垫下的车厢里,加上一个简单的稳压器和一个电源按钮,就组装好了一个智能的Vespa摩托车。这个Vespa摩托车还有一个炫酷的名字——VespAI!

车载软件使用经过修改的Darknet来运行Yolo v3,检测结果通过一个滤波和积累模块提供,该模块将避免在多个相邻视频帧中出现多次计算同一垃圾;它还将为一个”垃圾点”在大约5米半径范围内进行多次检测。

垃圾的GPS坐标通过简单的gpsd接口从usb模块读取,将数据存储在Google Firestore实时数据库中,这样本地的Google firebase SDK就被用于客户端应用程序开发。

配上NVIDIA Jetson家族系统的AGX Xavier系列,嵌入了一项模糊人脸,衣服和人体的边缘技术,这样你的小摩托就组装完成了。

在垃圾这件事上,“自觉”比科技更重要

其实,要更好地治理垃圾问题,除了从改善管理方式外,还可以从丢垃圾这件事上入手。

比如在2019年,上海浦东的张江人工智能岛上,就有这样的一种垃圾桶:顶部是一块太阳能板,可以通过光伏自动取电,垃圾桶能够识别上百种垃圾,并在内部进行相应的分类。

根据AI垃圾桶研发人员林佳炀介绍,这种垃圾桶可以对垃圾自动感应、自动识别,然后自动分类。内置的摄像头会对垃圾进行拍照,拍照后上传到云端人工智能识别模型进行判定,整个判定完成过程大概在2.7秒左右。

AI可回收垃圾桶容量在110升左右,如果以我们最常见的塑料饮料瓶的体积来估算,一个可回收垃圾桶大概能容纳六七十个这样的饮料瓶。在高铁、机场这类人流量比较密集的公共场所,垃圾桶一天大概需要清运三四次,那么保守估计,按一个塑料瓶5分钱的回收价格来计算,它一天可以创造的经济效益就有十几元钱。

当然,利用科技手段解决垃圾问题终究是治标不治本,真正想要“一劳永逸”,还要靠社会每个成员自觉遵守相关规定。

相关报道:
https://edition.cnn.com/2021/06/23/europe/ellipsis-drone-plastic-pollution-c2e-spc-intl/index.html
https://www.dailymail.co.uk/sciencetech/article-9721123/Dorset-drone-survey-finds-123-000-bits-litter-dropped-one-week.html
https://zhuanlan.zhihu.com/p/81804208

相关文章
|
Linux
linux 交叉编译libpng,libjpeg库
linux 交叉编译libpng,libjpeg库
528 1
|
监控 数据可视化 API
yolo-nas无人机高空红外热数据小目标检测(教程+代码)
yolo-nas无人机高空红外热数据小目标检测(教程+代码)
|
存储 缓存 NoSQL
Redis的5.0/6.0/7.0版本重点介绍以及使用!
1. Stream数据类型:Redis 5.0引入了Stream数据类型,它是一种日志结构,用于高性能、持久化和实时处理的数据流。Stream可以按照时间顺序存储和检索消息,并支持消费者组和消费者偏移量管理等功能。 2. 基于模块的全文搜索:Redis 5.0通过引入Redis Search模块,提供了全文搜索的功能。它支持对文本字段进行索引和搜索,包括分词、词项权重、布尔查询等功能。 3. 客户端缓存:Redis 5.0引入了客户端缓存(Client-side caching)功能。客户端可以缓存服务器返回的数据,减少对服务器的请求,提高性能和响应速度。
4366 1
|
机器学习/深度学习 TensorFlow 算法框架/工具
使用Python实现深度学习模型:智能航空与无人机技术
【8月更文挑战第4天】 使用Python实现深度学习模型:智能航空与无人机技术
589 0
|
机器学习/深度学习 编解码 算法
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
计算机视觉实战项目3(图像分类+目标检测+目标跟踪+姿态识别+车道线识别+车牌识别+无人机检测+A*路径规划+单目测距与测速+行人车辆计数等)-2
|
机器学习/深度学习 人工智能 算法
基于YOLOv10的无人机巡航小目标实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
基于YOLOv10的无人机巡航小目标实时检测系统,通过7444张无人机场景训练图片,训练出能检测9类目标的模型,并开发了带GUI界面的系统,支持图片、视频和摄像头实时检测,具备背景和标题更换、模型选择、检测信息展示等功能。
1961 0
基于YOLOv10的无人机巡航小目标实时检测系统【训练和系统源码+Pyside6+数据集+包运行】
|
人工智能 关系型数据库 分布式数据库
用友X阿里云:加速AI in SaaS
在今年的云栖大会上,用友公司与阿里云共同宣布将进一步加深合作,推动用友BIP与阿里云深度融合,以SaaS模式为诸多大中型企业客户提供一体化解决方案。同时,通义大模型已作为底层基础大模型集成到用友企业服务大模型YonGPT,加速企业数智化转型。
562 7
|
机器学习/深度学习 人工智能 自然语言处理
机器学习、深度学习和强化学习的关系和区别是什么?
众所周知,人工智能领域知识庞大且复杂,各种专业名词层出不穷,常常让初学者看得摸不着头脑。比如“机器学习”、“深度学习”、“强化学习”就属于这类名词。那么,针对这三者各自具体有哪些内容?三者是否有相关性?不同核心及侧重点是什么?以及各自的应用领域有哪些?应用的前景如何?等问题,本文根据百度百科等相关资料里的内容进行整理,形成了以下详细的阐述。
3822 0
|
机器学习/深度学习 算法 数据可视化
基于深度学习网络的鞋子种类识别matlab仿真
使用GoogLeNet深度学习模型在matlab2022a中进行鞋子种类识别,利用Inception模块捕捉多尺度特征,提升分类精度。程序加载预训练模型`gnet.mat`,计算验证集的准确性并随机显示32个样本的预测结果及置信度。
|
数据采集 编解码 数据挖掘
使用Python进行多次降采样技术
使用Python进行多次降采样技术
625 1