HN Ausgaben wählen
- HN 127 (6)
- HN 126 (10)
- HN 125 (11)
- HN 124 (8)
- HN 123 (10)
- HN 122 (9)
- HN 121 (10)
- HN 120 (7)
- HN 119 (10)
- HN 118 (7)
- HN 117 (10)
- HN 116 (14)
- HN 115 (10)
- HN 114 (6)
- HN 113 (10)
- HN 112 (7)
- HN 111 (9)
- HN 110 (9)
- HN 109 (11)
- HN 108 (8)
- HN 107 (9)
- HN 106 (7)
- HN 105 (14)
- HN 104 (6)
- HN 103 (11)
- HN 102 (8)
- HN 101 (9)
- HN 100 (13)
- HN 097 (1)
»Die riesigen Flächen unterhalb der Wasseroberfläche bilden das perfekte Szenario für KI-basierte Ansätze«
Alexander Reiterer ist Professor für das »Monitoring of Large-Scale Structures« an der Universität Freiburg. Am Fraunhofer-Institut für Physikalische Messtechnik IPM erforscht und entwickelt er Multi-Sensor-Systeme und Software für die Überwachung künstlicher und natürlicher Objekte. Im Interview mit den HN schätzt der Spezialist für künstliche Intelligenz in der Geodäsie das Potenzial für KI-basierte Ansätze bei hydrographi-schen Anwendungen ein.
Künstliche Intelligenz (KI) | künstliche neuronale Netze (KNN) | maschinelles Lernen | Multi-Sensor-Systeme
Alexander Reiterer is professor for »Monitoring of Large-Scale Structures« at the University of Freiburg. At the Fraunhofer Institute for Physical Measurement Techniques IPM, he researches and develops multi-sensor systems and software for monitoring artificial and natural objects. In the interview with HN, the specialist for artificial intelligence in geodesy assesses the potential for AI-based approaches in hydrographic applica-tions.
artificial intelligence (AI) | artificial neural networks (ANN) | machine learning | multi-sensor systems
- Ausgabe: HN 119, Seite 42–47
- DOI: 10.23784/HN119-06
- Autor/en: Alexander Reiterer, Lars Schiller, Patrick Westfeld
AI is enabling a transformation toward autonomous hydrographic operations
It has been possible to advance AI thanks to factors like increased access to massive computing power. In the same way, the increase in automation, which AI facilitates, advances the development of unmanned, autonomous hydrographic operations. This is an exciting prospect, as the advantages of such operations are many: efficiency gains, reduction in costs in the form of vessel time and man hours, as well as the minimisation of environmental impacts. We are working towards autonomous hydrographic operations by developing software tools, which provide automatic, realtime data processing and navigationaiding. In 2017, we established a dedicated software development team with engineers specialising in machine learning, machine vision and deep learning. The first official EIVA software version utilising AI was released in 2018, when we made it possible to use NaviSuite Deep Learning for automatic interpretation of data in NaviSuite Nardoa, our software bundle for pipeline inspections. In this article, we will dive into how we are using machine learning to create software solutions that support autonomous hydrographic operations.
NaviSuite Deep Learning | artificial intelligence | autonomous hydrographic operations | AI software
Die Weiterentwicklung der KI wurde durch Faktoren wie den verbesserten Zugang zu massiver Rechenleistung möglich. In gleicher Weise treibt die zunehmende Automatisierung, die KI ermög-licht, die Entwicklung unbemannter, autonomer hydrographischer Anwendungen voran. Dies ist eine spannende Perspektive, denn die Vorteile solcher Anwendungen sind vielfältig: Effizienzsteigerung, Kostenreduzierung in Form von Schiffszeit und Mannstunden sowie die Minimierung von Umweltauswirkungen. Wir arbeiten auf autonome hydrographische Anwendungen hin, indem wir Software entwickeln, die eine automatische Echtzeit-Datenverarbeitung und Navigationshilfe bietet. Im Jahr 2017 haben wir ein eigenes Software-Entwicklungsteam mit Ingenieuren gegründet, die auf maschinelles Lernen, maschinelles Sehen und Deep Learning spezialisiert sind. Die erste offizielle EIVA-Software mit KI wurde 2018 veröffentlicht, als wir die Nutzung von NaviSuite Deep Learning für die automatische Interpretation von Daten in NaviSuite Nardoa, unserem Softwarepaket für Pipeline-Inspektionen, ermöglichten. In diesem Artikel stellen wir vor, wie wir maschinelles Lernen nutzen, um Softwarelösungen zu erstellen, die autonome hydrographische Anwendungen unterstützen.
NaviSuite Deep Learning | künstliche Intelligenz | autonome hydrographische Anwendungen | KI-Software
- Ausgabe: HN 119, Seite 36–41
- DOI: 10.23784/HN119-05
- Autor/en: Sarafina McPherson Kimø
Erzeugung von synthetischen Seitensichtsonar-Bildern mittels Generative Adversarial Networks
Für die Anwendung von Deep-Learning-Methoden zur automatischen Auswertung von Daten bildgebender Sonare stellt die nicht vorhandene Verfügbarkeit größerer Trainingsdatenmengen nach wie vor ein Problem dar. In den letzten Jahren wurden jedoch sogenannte Generative Adversarial Networks (GAN) als ein Werkzeug aus dem Bereich Deep Learning für die Erzeugung synthetischer Daten entwickelt. In dieser Arbeit wird untersucht, inwieweit sich GANs zur Erzeugung künstlicher Sonarbilder eignen. Um das GAN auch mit wenigen Beispielen trainieren zu können, wird eine Art des Transfer-Lernens mit Hilfe von einfachen simulierten Bildern entwickelt. Es zeigt sich, dass die Performance eines Klassifikators durch Hinzunahme der künstlichen Bilder gesteigert werden kann.
Seitensichtsonar | Autonomes Unter-Wasser-Fahrzeug | Deep Learning | generative Netzwerke | Transfer-Lernen
A remaining problem is the lack of large-scale sonar image data sets when applying deep learning algorithms for the automatic analysis of these data. However, over the past few years, generative adversarial networks (GAN) where developed as a tool for generating synthetic data. This work investigates how GANs can be used to generate synthetic sonar images. In order to train the GAN with only a few available samples, a transfer-learning approach is applied which uses simple simulated images. Using the additional synthetic sonar images, the performance of a classifier can be increased.
side-scan sonar | autonomous underwater vehicle | deep learning | generative adversarial network | transfer-learning
- Ausgabe: HN 119, Seite 30–34
- DOI: 10.23784/HN119-04
- Autor/en: Yannik Steiniger, Jannis Stoppe, Dieter Kraus, Tobias Meisen
Automatic boulder identification in side-scan sonar
Boulder surveys seek to identify prominent boulders which position may collide with planned cable routes, offshore wind farms or other subsea construction activities. Data is collected using suitable sensor technologies such as bathymetry from multibeam echo sounders and side-scan sonar imaging. Currently, the boulder identification process is a labour-intensive job that requires domain expertise to interpret the data and provide each identified target with accurate annotations. With this work, we propose to automate the majority of this process by training neural networks to identify boulders in side-scan data. Our preliminary work estimates the area covered by each boulder instance and further generates metadata for each identified target for filtering, sorting and report generation. In addition to being an automated process, our method can process several kilometres of side-scan data and identify thousands of boulders in less than a minute. Not only does this provide results of high accuracy but it also performs orders of magnitude faster than human processors.
boulder identification | AUV | SeaCat | artificial intelligence | deep learning | side-scan sonar imag-ing
Bei der Vermessung von Felsblöcken geht es darum, markante Felsblöcke zu identifizieren, deren Position mit geplanten Kabeltrassen, Offshore-Windparks oder anderen Bauten unter Wasser kolli-dieren könnte. Die Daten werden mit Hilfe geeigneter Sensortechnologien gesammelt, wie z. B. Bathymetrie von Fächerecholoten und Side-Scan-Sonar-Bildern. Derzeit ist es eine arbeitsintensive Aufgabe, Felsbrocken zu erkennen, die Fachwissen erfordert, um die Daten zu interpretieren und jedes identifizierte Ziel mit genauen Anmerkungen zu versehen. Mit dieser Arbeit schlagen wir vor, den Großteil dieses Prozesses zu automatisieren, indem wir neuronale Netze trainieren, um Fels-brocken in Side-Scan-Daten zu identifizieren. Unsere vorläufige Arbeit schätzt die Fläche, die von jedem Felsbrocken abgedeckt wird, und generiert darüber hinaus Metadaten für jedes identifizierte Ziel zum Filtern, Sortieren und Erstellen von Berichten. Da es sich um einen automatisierten Prozess handelt, kann unsere Methode in weniger als einer Minute mehrere Kilometer an Side-Scan-Daten verarbeiten und Tausende von Felsbrocken identifizieren. Dies liefert nicht nur Ergebnisse von hoher Genauigkeit, sondern arbeitet auch um Größenordnungen schneller als Menschen.
Erkennung von Felsbrocken | AUV | SeaCat | künstliche Intelligenz | Deep Learning | Side-Scan-Sonar-Bilder
- Ausgabe: HN 119, Seite 24–29
- DOI: 10.23784/HN119-03
- Autor/en: Jesper Haahr Christensen
Deep learning-based detection of marine images and the effect of data-driven influences
Throughout recent years convolutional neural networks have been applied for various image detection tasks. Training data thereby plays an important role for the performance of those models. Not only the amount of images is crucial but also the number of annotations, classes as well as image dimensions. In view of changing underwater environments, the study of benthic communities is increasingly important especially in the Southern Ocean as they provide a key link for ecosystem shifts. This study concentrates on the automatic detection and classification of benthic species using deep learning. It could be shown that glass sponges, brittle stars and soft corals could successfully be detected even on few input data and highly biased class distributions in varying underwater scenes. Further analyses considering datadriven influences show significant performance declines regarding the training on single objects and classes per image and the evaluation on large image dimensions.
deep learning | automatic detection | underwater imagery | benthos Deep | Learning
In den letzten Jahren wurden gefaltete neuronale Netze für verschiedene Aufgaben der Bilderkennung eingesetzt. Die Trainingsdaten spielen dabei eine wichtige Rolle für die Leistungsfähigkeit dieser Modelle. Dabei ist nicht nur die Menge der Bilder entscheidend, sondern auch die Anzahl der Annotationen, Klassen sowie die Bilddimensionen. Angesichts sich verändernder Unterwasserumgebungen wird die Untersuchung benthischer Lebensgemeinschaften vor allem im Südlichen Ozean immer wichtiger, da sie hier vor allem sensibel auf Veränderungen reagieren. Diese Arbeit konzentriert sich auf die automatische Erkennung und Klassifizierung von benthischen Arten mittels Deep Learning. Es konnte gezeigt werden, dass Glasschwämme, Schlangensterne und Weichkorallen selbst bei wenigen Eingabedaten und stark unterrepräsentierten Klassen in unterschiedlichsten Unterwasserlandschaften erfolgreich erkannt werden. Weitere Analysen zu datengetriebenen Einflüssen zeigen deutliche Leistungseinbußen bei einzelnen Objekten und Klassen pro Bild während des Trainings und großen Bilddimensionen während der Evaluation.
automatische Detektion | Unterwasserbilder | Benthos
- Ausgabe: HN 119, Seite 18–23
- DOI: 10.23784/HN119-02
- Autor/en: Mona Lütjens, Harald Sternberg