Coastal garbage detection

Abstract

Plast i havet er et stadig økende problem. Lokalisering av søppel og ved å engasjeretil søppelplukking, kan bidra til å adressere plastforurensingen. Denne oppgaven kom-mer med et forslag til et system som automatisk oppdager søppel langs kystlinjer, ogengasjerer til søppelplukking.Oppgaven er overordnet inndelt i tre deler:Innsamling av data: fire forskjellige datasett har blitt innsamlet; et dronebasert, etsyntetisk, et kombinert og avslutningsvis, et datasett med oppdelte bilder fra det kom-binerte datasettet. Det oppdelte datasettet består av 2140 bilder og 4503 annotasjoner.Innsamlede datasett ble videre brukt til søppeldetesksjon.System for søppeldeteksjon: Eksisterende implementasjoner av objektdeteksjonsalgoritmen YOLO v3, ble brukt til å trene et nettverk for søppeldeteksjon. Det blirvist at ved å supplementere et dronebasert datasett med syntetisk produserte dataunder trening, vil modellen oppnå et overordnet bedre resultat ved gjennkjenning avsøppel i dronebilder. Forbedrede resultater med oppdelte bilder, viser at det kan væreforhåndsmessig å dele opp bildene for trening og deteksjon, for at søppelinstansene skalvære mer fremtredende i datasettet.Webklient for engasjememt og visualisering av data: En prototype for å visu-alisere detektert søppel ble utformet. For å motivere brukere til å samle inn søppel,ble det foreslått at brukere kan opptjene poeng ved å plukke søppel, og dermed oppnåbelønninger. Videre ble det utviklet enproof of conceptapplikasjon for å teste teknologiog gi forslag til videre utvikling.

Plastics in the oceans is a continually increasing problem. Garbage detection and en-gaging people to participate in clearing waste, will help address the problem of plasticpollution. This thesis proposes a system for automatically detecting garbage along thecoast and engaging people in clearing the waste.The system is divided into three parts:Collection of dataset: Four different datasets have been collected; one dronebased,one synthetic produced, a combined and a combined tiled. The combined tiled datasetprovides 2140 images and 4503 annotations. The datasets were further used to do traina network for garbage detection. System for garbage detection:Garbage detection system: Existing implementations of the object detection algo-rithm YOLO v3 were used to train a neural network for garbage detection. The thesisshows that by supplementing a drone based dataset with synthetically produced dataduring the training phase, the model will achieve generally better results when attempt-ing to recognize garbage in photographs. Improved results in tiled images shows thatit can be pragmatic to split the images into multiple parts for training and detection,so that occurences of garbage will be more prominent in the dataset.Web client for enlisting people and visualizing data: A prototypoe for thevisualization of detected garbage was developed. To motivate users to collect garbageit was suggested that users will earn points by participating, and be eligeble for rewards.Additionally, a proof of concept application was conceived to test technology and providesuggestions for further development.