itter Detection with Deep Learning: A Comparative Stud

Autor(es)

Cordova, Manuel ^[1] ; Pinto, Allan ^[2] ; Hellevik, Christina Carrozzo ^[3] ; Alaliyat, Saleh Abdel-Afou ^[4] ; Hameed, Ibrahim A. ^[4] ; Pedrini, Helio ^[1] ; Torres, Ricardo da S. ^{[4, 5, 6]}

Afiliação do(s) autor(es)

^[1] Univ Estadual Campinas, Inst Comp, Ave Albert Einstein, BR-13083852 Campinas - Brazil

^[2] Brazilian Ctr Res Energy & Mat CNPEM, Brazilian Synchrotron Light Lab LNLS, BR-13083100 Campinas - Brazil

^[3] NTNU Norwegian Univ Sci & Technol, Dept Int Business, Larsgardsvegen 2, N-6009 Alesund - Norway

^[4] NTNU Norwegian Univ Sci & Technol, Dept ICT & Nat Sci, Larsgardsvegen 2, N-6009 Alesund - Norway

^[5] Wageningen Univ & Res, Farm Technol Grp, NL-6708 PB Wageningen - Netherlands

^[6] Wageningen Univ & Res, Wageningen Data Competence Ctr, NL-6708 PB Wageningen - Netherlands

• Tipo de documento: Artigo Científico
• Fonte: ENSOR; v. 22, n. 2 JAN 2022.
• Citações Web of Science: 0

Resumo

Pollution in the form of litter in the natural environment is one of the great challenges of our times. Automated litter detection can help assess waste occurrences in the environment. Different machine learning solutions have been explored to develop litter detection tools, thereby supporting research, citizen science, and volunteer clean-up initiatives. However, to the best of our knowledge, no work has investigated the performance of state-of-the-art deep learning object detection approaches in the context of litter detection. In particular, no studies have focused on the assessment of those methods aiming their use in devices with low processing capabilities, e.g., mobile phones, typically employed in citizen science activities. In this paper, we fill this literature gap. We performed a comparative study involving state-of-the-art CNN architectures (e.g., Faster RCNN, Mask-RCNN, EfficientDet, RetinaNet and YOLO-v5), two litter image datasets and a smartphone. We also introduce a new dataset for litter detection, named PlastOPol, composed of 2418 images and 5300 annotations. The experimental results demonstrate that object detectors based on the YOLO family are promising for the construction of litter detection solutions, with superior performance in terms of detection accuracy, processing time, and memory footprint. (AU)

• Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
• Beneficiário: Nelson Luis Saldanha da Fonseca
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 19/17729-0 - Abordagens conduzidas por dados para análise de partidas de futebol: uma perspectiva de e-Science
• Beneficiário: Paulo Roberto Pereira Santiago
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 19/16253-1 - Desvendando o segredo do futebol Brasileiro e Holandês, capturando elementos de estilo de jogo e estratégias de sucesso
• Beneficiário: Allan da Silva Pinto
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda
• Beneficiário: Sergio Augusto Cunha
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 17/20945-0 - EMU concedido no processo 16/50250-1: local positioning system
• Beneficiário: Sergio Augusto Cunha
• Modalidade de apoio: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
• Processo FAPESP: 19/22262-3 - Reconstrução em grande volume: sistema de alta precisão para detecção de posição em esportes
• Beneficiário: Paulo Roberto Pereira Santiago
• Modalidade de apoio: Auxílio Organização - Reunião Científica