Nüüd saab iga sukelduja riffe 3D-s kaardistada – ja kiiresti

Kuue kaameraga massiiv suuremate alade kiireks katmiseks (© LWimages)
Kuue kaameraga massiiv katab kiiresti suuremaid alasid – aga ka ühe tavalise kaameraga saab hakkama (© LWimages)

Väidetavalt on Šveitsis Lausanne'i avalikus teadusülikoolis EPFL välja töötatud tehisintellekti süsteem võimeline koostama üksikasjalikke 3D-kaarte korallriffidest isegi amatöörsukeldujate küsitavalt valgustatud videomaterjali põhjal – mõne minutiga. 

DeepReefMap süsteemi jaoks vajalikke andmeid saab koguda igaüks, kes on varustatud standardse sukeldumisvarustuse ja müügiloleva kaameraga.

Kõik, mida nad peavad tegema, on ujuda aeglaselt mitusada meetrit rifi kohal, jäädvustades videomaterjali allpool olevast vaatest. 

Ainsad piirangud on kaamera aku tööiga ja õhu hulk sukelduja paagis, väidab EPFL, väites, et arendus tähistab "suurt edasiminekut süvamere uurimise ja kaitse võimaluste vallas selliste organisatsioonide jaoks nagu Rahvusvaheline Punase mere keskus (TRSC). )” – teaduslik uurimisasutus, mida EPFL on majutanud alates 2019. aastast. 

TRSC on viinud läbi põhjalikke uuringuid nende Punase mere koralliliikide kohta, mis on osutunud kõige vastupidavamaks kliimaga seotud stressile, ning selle algatus on olnud ka DeepReefMap süsteemi katsepolügooniks.

Kaardid hetkega

DeepReefMap, mis on välja töötatud EPFLi arhitektuuri-, tsiviil- ja keskkonnatehnika kooli (ENAC) keskkonnaarvutusteaduste ja maavaatluste laboris (ECEO), on väidetavalt võimeline tootma hetkega mitusada meetrit 3D-riffikaarte.

Mitte ainult seda, vaid see suudab ära tunda ka korallide eristavad tunnused ja omadused ning neid klassifitseerida

"Selle uue süsteemiga saab igaüks osaleda maailma korallriffide kaardistamises," ütleb TRSC projektide koordinaator Samuel Gardaz. "See ergutab tõesti selle valdkonna teadusuuringuid, vähendades töökoormust, seadmete ja logistika hulka ning IT-ga seotud kulusid." 

Õppimispõhine süsteem rekonstrueerib rifi 3D-geomeetria reaalajas, samas kui semantiline segmenteerimissüsteem tuvastab korallid (EDFL)
Õppimispõhine süsteem rekonstrueerib rifi 3D-geomeetria reaalajas, samas kui semantiline segmenteerimissüsteem tuvastab korallid (EDFL)

3D-korallriffide kaartide hankimine tavapäraste meetoditega on minevikus osutunud keeruliseks ja kulukaks, ütleb EPFL.

Arvutusmahukad rekonstruktsioonid põhinevad mitmesajal pildil samast väga piiratud suurusega (mõnikümne meetri) rifi osast, mis on tehtud paljudest erinevatest võrdluspunktidest ja selliseid pilte on suutnud saada ainult spetsialistid sukeldujad. 

Need tegurid on tõsiselt piiranud korallriffide joonistamist maailma osades, kus puuduvad vajalikud tehnilised teadmised, ja on takistanud ulatuslike kilomeetrite või isegi sadade meetrite pikkuste riffide jälgimist.

Kuue kaamera massiiv

Kui amatöörsukeldujad saavad andmeid väikeste riffide kohta DeepReefMapi jaoks hõlpsasti jäädvustada, on EPFL-i teadlased välja töötanud PVC-struktuuri, mis mahutab kuus kaamerat – kolm ettepoole ja kolm tahapoole. Kaamerad asuvad üksteisest 1 m kaugusel ja seadet juhib endiselt üks sukelduja. 

Väidetavalt pakub see kuue kaameraga massiiv odavat võimalust kohalikele sukeldumismeeskondadele, kes töötavad piiratud eelarvega. 

Kui kaadrid on üles laaditud, pole DeepReefMapil väidetavalt probleeme halva valgustuse ega veealustel piltidel sageli esineva difraktsiooni ja söövitavate efektidega.

"Sügavad närvivõrgud õpivad kohanema nende tingimustega, mis on arvutinägemise algoritmide jaoks ebaoptimaalsed." 

Tegevusjuhi professori Devis Tuia sõnul töötavad olemasolevad 3D-kaardistamise programmid usaldusväärselt ainult täpsete valgustingimuste ja kõrge eraldusvõimega piltidega ning on ka mastaapsuse osas piiratud. 

Devis Tuia, ECEO laboratooriumi professor, sukeldudes Djiboutis, et koostada uue süsteemiga 3D-korallikaarte (© LWimages)
Devis Tuia, ECEO labori professor sukeldumise ajal Djiboutis (© LWimages)

"Eraldusvõimega, kus saab tuvastada üksikuid korallid, on suurimad 3D-kaardid mitu meetrit pikad, mis nõuab tohutult palju töötlemisaega," ütleb ta. "DeepReefMapiga piirab meid ainult see, kui kaua võib sukelduja vee all viibida."

Tervis ja kuju

Teadlased väidavad ka, et on muutnud välibioloogide elu lihtsamaks, lisades semantilised segmenteerimisalgoritmid, mis suudavad korallid klassifitseerida ja kvantifitseerida kahe tunnuse järgi. 

Esimene omadus on tervis – väga värvikast (soovitab head tervist) valgeni (mis viitab pleekimisele) ja vetikatega kaetud (tähistab surma) – ja teine ​​on kuju, kasutades rahvusvaheliselt tunnustatud skaalat levinumate korallide liigitamiseks. Punase mere madalates riffides (hargnev, rändrahn, plaat ja pehme). 

"Meie eesmärk oli välja töötada süsteem, mis osutuks selles valdkonnas töötavatele teadlastele kasulikuks ja mida saaks kiiresti ja laialdaselt kasutusele võtta," ütleb Jonathan Sauder, kes töötas oma doktoritöö jaoks DeepReefMapi väljatöötamisel. 

"Näiteks Djiboutil on 400 km rannajoont. Meie meetod ei nõua kallist riistvara. Selleks on vaja vaid põhilise graafikaprotsessoriga arvutit. Semantiline segmenteerimine ja 3D rekonstrueerimine toimuvad sama kiirusega kui video taasesitus.

Teadlased usuvad, et tehnoloogiat kasutades on lihtne jälgida, kuidas rifid aja jooksul muutuvad, et määrata kindlaks prioriteetsed kaitsealad. 

Samuti annab see teadlastele lähtepunkti muude andmete lisamiseks, nagu riffiliikide mitmekesisus ja rikkus, populatsiooni geneetika, korallide kohanemisvõime soojemate vetega ja kohalik reostus riffides. See protsess võib lõpuks viia rifi täieliku digitaalse kaksiku loomiseni. 

DeepReefMapi saab kasutada ka mangroovides ja muudes madalas vees asuvates elupaikades ning see on juhendiks sügavamate mereökosüsteemide uurimisel, ütleb EPFL.

"Meie tehisintellektisüsteemi sisseehitatud rekonstrueerimisvõimet saab hõlpsasti kasutada ka muudes seadetes, kuigi närvivõrkude koolitamine liikide klassifitseerimiseks uutes keskkondades võtab aega," ütleb Tuia.

Laevahuku kaardistamine?

"Ma ei oota varsti kaubanduslikku kasutamist (nii kaubanduslikul sukeldumisel kui ka toote müümisel), " ütles Jonathan Sauder. Divernet. "Meetod jääb suure tõenäosusega väljatöötamisele ja peagi on tulemas kasutajasõbralikumad avatud lähtekoodiga väljaanded.

„3D-nägemine on masinõppe / robootikauuringute kuum valdkond. Asjad liiguvad väga kiiresti ja ma eeldan, et reaalajas kaardistamine saabub järgmiste aastate jooksul oma "ChatGPT-hetke" koos väga tugevate algoritmide äkilise laialdase kättesaadavusega, mida juhivad suured ettevõtted, millel on näiliselt lõputu teadus- ja insenerieelarve, kuid me näe!"

Kas süsteemi saaks kohandada laevavrakkide 3D-kaardistamiseks? „3D-kaardistamine on õpitud algoritm – see tähendab, et see õpib õppevideote komplektist.

Meie stsenaariumi kohaselt koolitame kaardistamissüsteemi riffivideote jaoks. Ma kahtlustan, et praegu toimiks see laevavrakkide puhul hästi, kuid võiks palju paremini töötada, kui treenitaks sellistest stseenidest tehtud suure hulga videote kallal.

"Praegu eeldan, et parimaks meetodiks lahedate 3D-rekonstruktsioonide saamiseks laevavrakkidest on tavaline 3D-kaardistamise töövoog, mille käigus tehakse palju kõrge eraldusvõimega fotosid, arvutatakse kaamera poosid liikumisest liikuva struktuuriga tarkvaraga, nagu Agisoft Metashape või COLMAP ja seejärel potentsiaalselt muuta need kenasti Gaussi tähiseks.

Hiljuti avaldati ajakirjas paber riffide kaardistamise uuringute kohta Ökoloogia ja evolutsiooni meetodid.

Samuti Divernetis: Maailma korallrifid on suuremad, kui me arvasime…, 10 viisi, kuidas tehnika koralli päästab, Sügav korallriff on maailma suurim teadaolev, 18. sajandi graafikud näitavad korallide kadu

HOIAME ÜHENDUST!

Hankige iganädalane kokkuvõte kõigist Diverneti uudistest ja artiklitest Scuba mask
Me ei rämpsposti! Loe meie privaatsuspoliitika rohkem infot.
Soovin uudiskirja
Teata sellest
Külaline

0 Kommentaarid
Sidus tagasiside
Kuva kõik kommentaarid

Connect koos meiega

0
Hea meelega teie mõtted, palun kommenteerige.x