Einsatz von UAVs und Deep Learning zur Überwachung von Strandmüll

Gestrandeter Strandmüll ist ein allgegenwärtiges Problem. Die manuelle Überwachung und Abholung kann kosten- und arbeitsintensiv sein. Daher ist die automatische Überwachung und Abholung von Müll eine wesentliche Minderungsstrategie. In diesem Papier präsentieren wir wichtige grundlegende Bausteine, die zu einer autonomen Überwachungs- und Abholpipeline ausgebaut werden können, basierend auf Drohnenbefragungen und Objekterkennung mittels Deep Learning. Drohnenaufnahmen, die auf den Inseln Malta und Gozo in Sizilien (Italien) und an der Küste des Roten Meeres gesammelt wurden, wurden mit öffentlich verfügbaren Müll-Datensätzen kombiniert und verwendet, um einen Algorithmus zur Objekterkennung (YOLOv5) zu trainieren, der Müllobjekte in während der Drohnenbefragungen aufgenommenen Aufnahmen erkennt. Über alle Klassen von Müllobjekten hinweg betrug die mittlere durchschnittliche Präzision (mAP50-95) 0,252, wobei die Leistung bei einzelnen gut repräsentierten Klassen bis zu 0,674 erreichte. Wir präsentieren auch einen Ansatz zur Geolokalisierung von Objekten, die vom Algorithmus erkannt wurden, indem wir jedem Detektion Breiten- und Längengradkoordinaten zuweisen. In Kombination mit Informationen zur Strandmorphologie, die aus digitalen Höhenmodellen (DEMs) abgeleitet werden, um Pfade zu finden und unzugängliche Bereiche für einen autonomen Müllabholroboter zu identifizieren, bietet diese Forschung wichtige Bausteine für eine automatisierte Überwachungs- und Abholpipeline.