• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Förstå djuphavsbilder med artificiell intelligens

    AUV ABYSS bilder från Stilla havsbotten 10, 7.5, och 4 meter bort. De två övre bilderna visar en stationär landare, också en autonom undervattensanordning Bilderna c till f visar manganknutor som känns igen som mörka punkter på havsbotten. Upphovsman:AUV-Team/GEOMAR

    Utvärderingen av mycket stora mängder data blir allt mer aktuell inom havsforskning. Dykrobotar eller autonoma undervattensfordon som utför mätningar oberoende i djuphavet kan nu spela in stora mängder högupplösta bilder. För att utvärdera dessa bilder vetenskapligt på ett hållbart sätt, ett antal förutsättningar måste uppfyllas vid datainsamling, curation och datahantering.

    "Under de senaste tre åren har vi har utvecklat ett standardiserat arbetsflöde som gör det möjligt att vetenskapligt utvärdera stora mängder bilddata systematiskt och hållbart, "förklarar Dr Timm Schoening från arbetsgruppen Deep Sea Monitoring under ledning av professor Dr. Jens Greinert vid GEOMAR. ABYSS autonoma undervattensfordon utrustades med ett nytt digitalkamerasystem för att studera ekosystemet kring manganknutor i Stilla havet. Med data som samlas in på detta sätt, arbetsflödet designades och testades för första gången. Resultaten har nu publicerats i den internationella tidskriften Vetenskapliga data .

    Proceduren är uppdelad i tre steg:datainsamling, datahantering och datahantering, i vart och ett av vilka definierade mellansteg bör slutföras. Till exempel, det är viktigt att ange hur kameran ska ställas in, vilken data som ska fångas in, eller vilken belysning som är användbar för att besvara en specifik vetenskaplig fråga. Särskilt, metadata för dykroboten måste också registreras. "För databehandling, det är viktigt att länka kamerans bilddata till dykrobotens metadata, "säger Schoening. AUV ABYSS, till exempel, registrerade automatiskt sin position, dykets djup och det omgivande vattnets egenskaper. "All denna information måste länkas till respektive bild eftersom den ger viktig information för efterföljande utvärdering, "säger Schoening. En enorm uppgift:ABYSS samlade in över 500, 000 bilder av havsbotten på cirka 30 dyk. Olika program, som teamet utvecklat speciellt för detta ändamål, säkerställt att uppgifterna sammanförts. Här, oanvändbart bildmaterial, som de med rörelseoskärpa, togs bort.

    Alla dessa processer är nu automatiserade. "Tills dess, dock, ett stort antal tidskrävande steg hade varit nödvändiga, "säger Schoening." Nu kan metoden överföras till alla projekt, även med andra AUV:er eller kamerasystem. "Materialet som bearbetades på detta sätt gjordes sedan permanent tillgängligt för allmänheten.

    Till sist, artificiell intelligens i form av den specialutvecklade algoritmen "CoMoNoD" användes för utvärdering på GEOMAR. Det registrerar automatiskt om manganknutor finns på ett foto, i vilken storlek och vid vilken position. Senare, till exempel, de enskilda bilderna kunde kombineras till större kartor över havsbotten. Nästa användning av arbetsflödet och de nyutvecklade programmen är redan planerad:Vid nästa expedition under våren nästa år i riktning mot manganknutor, utvärderingen av bildmaterialet kommer att ske direkt ombord. "Därför kommer vi att ta med oss ​​några särskilt kraftfulla datorer ombord, säger Timm Schoening.

    Schematisk översikt över arbetsflödet för analys av bilddata från datainsamling genom kurering till datahantering. Upphovsman:Timm Schoening/GEOMAR




    © Vetenskap https://sv.scienceaq.com