基于使用深度学习的海底图像,对海上多金属结节的数量进行自动估计

科学领域:

• 海洋地质学 海洋地质学
• 人工智能的人工智能是人工智能.
• 资源估计 资源估计

背景情况:

• 绿色技术中对关键金属的需求不断增长,需要对深海多金属结节资源进行有效评估.
• 传统的结节丰富度估计方法耗时,劳动密集型,往往缺乏大规模的准确性.
• 海底摄影数据具有潜力,但需要先进的处理才能进行可靠的分析.

研究的目的:

• 开发和验证一个深度学习框架,用于使用海底照片自动检测和估计多金属结节的丰度.
• 为了应对数据准备,图像质量变化和结节评估中的沉积物干扰方面的挑战.
• 证明与传统方法相比,在资源估计中显著减少时间和成本的潜力.

主要方法:

• 实施一个专门训练在独特的海底图像特征上的UNET卷积神经网络.
• 处理数千张海底照片,以训练和测试深度学习模型.
• 开发处理数据准备,可变图像质量和沉积物存在的策略.

主要成果:

• 联合国网络框架可靠地从海底照片中检测和估计多金属结节的丰度.
• 这种自动化方法在不到10个小时内处理了3万张照片,大大缩短了评估时间.
• 该方法在资源估计的效率和准确性方面取得了显著的改进.

结论:

• 对海底照片的自动深度学习分析提供了一种高效和准确的方法,用于对多金属结节的资源评估.
• 这种方法大大减少了与传统手动评估方法相关的时间和成本.
• 开发的框架具有将其整合到可持续深海资源开发的大规模系统中的潜力.