River Cleanup: ‘Burgers fungeren als minidrones‘

Veel burgers engageren zich om zwerfafval op te ruimen. Dat bewijst de groei van de Belgische non-profit River Cleanup: op acht jaar tijd mondde een korte opruimactie uit in een internationale organisatie met 300.000 vrijwilligers. Structurele oplossingen vragen echter om meer informatie over de hoeveelheden en de types zwerfvuil. Via het project River Watchers leveren burgers en AI de nodige data aan.

Niet alleen organisaties als River Cleanup hebben nood aan kwalitatieve data om concrete acties op te zetten. Ook extra beleidsmaatregelen vragen om een scherper beeld. Tegelijk kan extra data over de verspreiding van zwerfafval het effect van de huidige maatregelen evalueren, zoals statiegeld of de extra verantwoordelijkheid die producenten kregen voor het inzamelen en verwerken van het afval van hun producten.

Binnen het project Waste Watchers van River Cleanup en VITO (Vlaamse Instelling voor Technologisch Onderzoek) brachten burgers met drones al afvalhotspots in beeld. Maar drones detecteren geen kleine fragmenten. Smartphonecamera’s daarentegen? Daar zagen River Cleanup en VITO wel wat in. Ze lanceerden eind juni daarom het nieuwe project River Watchers.

Burgers, smartphones en een website

River Watchers maakt dataverzameling heel laagdrempelig: burgers kunnen tijdens een wandeling spontaan beslissen bij te dragen aan de missie. Een app komt er niet aan te pas. Door foto’s te nemen van zwerfafval op hun pad en die beelden achteraf op een website te uploaden, brengen ze in kaart waar zich problemen situeren. Het systeem leest de geolocatie van de beelden af en zet een stip op een interactieve kaart. In een latere fase zal AI het zwerfvuil op de foto’s categoriseren.

‘Op deze manier vinden we PET-flessen of blikjes, maar ook afvaldeeltjes met een grootte tussen 5 en 25 millimeter’, vertelt Arne Van Overloop, expert AI en remote sensing bij VITO. ‘De vrijwilligers fungeren bij dit project eigenlijk als minidrones. Een bijkomend voordeel is dat burgers zo zelf al detecteren waar afval ligt en waar niet, terwijl drones vaak vliegen over zones waar geen afval ligt en veel no-data genereren.’ Wie foto’s van afval neemt en doorstuurt, hoeft dat afval niet zelf op te ruimen. Dat vertraagt het proces alleen maar. Een aparte groep vrijwilligers neemt het afval later mee.

AI scheidt peuk van flessendop

Alvorens het project te lanceren, verzamelden River Cleanup en VITO zelf al 1.300 foto’s van zwerfafval. Die dataset voegden ze toe aan onder andere een YOLO-model (You Only Look Once), dat dient als basis voor objectherkenning. ‘Een efficiëntietest wees uit dat verschillende AI-modellen gelijkaardig presteren. De doorslaggevende factor was de kwaliteit van de data. Wanneer we meer kwalitatieve trainingsdata hebben verzameld, zullen we de modellen opnieuw evalueren.’

In de huidige fase komt het er dus op aan de AI-modellen te finetunen. Zo moet de AI leren afval op te delen in 36 categorieën – zoals plastic fles, plastic zak of sigarettenpeuk – en valspositieve resultaten eruit te halen. ‘De verschillende ondergronden rond rivieren, zoals gras, stenen of zanderige bodems, vormen een extra uitdaging.’

Via het platform Zooniverse kunnen extra gemotiveerde vrijwilligers de AI verder trainen. Dan krijgen ze geüploade foto’s te zien en selecteren ze om welk soort afval het gaat, bijvoorbeeld. ‘Dat is een grote toegevoegde waarde’, stelt Van Overloop. Voorlopig doet VITO geen beroep op een cloudoplossing. ‘We beschikken zelf over voldoende rekenkracht om het verwachte aantal foto’s te verwerken.’

Gamificatie bevordert dataverzameling

Gamificatie moet zo’n duizend burgers aansporen om deel te nemen aan het project en per wandeling twintig tot tachtig foto’s te nemen. Per geüpload beeld krijgen vrijwilligers een trash token. In focuszones – waarover minder data bestaat – telt een foto voor twee trash tokens. Wie bovenaan het maandelijkse of all-time klassement staat, wint een prijs van partners als Delhaize of A.S.Adventure.

De beperkte nauwkeurigheid van de locatiegegevens vormt een risico: namelijk dat hetzelfde afvalitem twee keer opduikt in de dataset. ‘Daarom zullen we ons voor de wetenschappelijke data baseren op het afval dat de vrijwilligers hebben meegenomen. Bij het uploaden van de beelden kan je dat aangeven. Voor een nog beter inzicht in trends en evoluties in meer afgelegen gebieden zal bovendien een derde subgroep van vrijwilligers verschillende keren dezelfde wandeling maken.’

Eén dataset, veel toekomst

Het onderzoeksproject kadert binnen amai!, een initiatief van het Vlaams Kenniscentrum voor Citizen Science en het Kenniscentrum Data en Maatschappij. Via de Vlaamse overheid financiert amai! jaarlijks projecten die met AI een maatschappelijke uitdaging aanpakken. In totaal kan River Watchers rekenen op een budget van 125.000 euro.

Na achttien maanden loopt het project af en volgt een rapport. Foto’s en tags zullen online in te kijken zijn en dienen als trainingsdata bij andere projecten. ‘Via transfer learning willen we bijvoorbeeld de AI-modellen verbeteren die we gebruiken bij de drones. Die drones maken deel uit van verschillende lopende en startende projecten. We hopen ermee ook minstens ophopingen van kleine plastic pellets te vinden.’