The Future of Underwater Asset Surveys | Completely Remote Visualizations in 2D and 3D
Notice bibliographique
Résumé
Abstract The adoption of imaging technologies to create 2D and 3D models is becoming more and more common in the management of critical infrastructure. In most cases of submerged infrastructure, remotely operated vehicles (ROVs) are the only way to easily capture reliable data for modeling. Underwater asset surveys previous to ROVs relied on commercial dive teams using handheld equipment. This methodology is primarily limited to commercial diving safety regulations related to maximum depths, working in confined entry, and time limitations from oxygen levels. Alternatively, autonomous unmanned vehicles (AUVs), unmanned surface vessels (USVs), or a standard ships equipped with imaging technologies could be utilized, however, details are limited at depths or confined spaces. The use of different imaging sensors on ROVs such as stereo cameras, sonars, and laser scanners allow operators to capture data to build detailed structural models in both 2D or 3D with unparalleled accuracy. Recent field results have confirmed the validity of the application of these technologies for real-world use. The variety offered by the three different practices, and modular simplicity of integration allows for these modeling techniques to be be widely interchangeable between use-cases. Using a mounted dual-frequency imaging sonar, ROV operators were recently able to complete an entire 2D model of a submerged tunnel measuring 60 metres in length, with widths raging from 0.7 - 1.0 metres. A battery powered ROV was remotely deployed from a small topside vessel, and performed multiple runs of the submerged tunnel within a three day period to examine this otherwise impossible enter tunnel for a pre-construction assessment. Similarly, an offshore survey company based in Newfoundland was able to generate a 2D model of a Floating Production, Offloading, and Storage (FPSO) Vessel’s prop using an ROV-mounted laser scanner to verify the necessary blade clearances within millimetres. The most detailed model was generated in 2022 by a southern Ontario archaeology team within a civil engineering company. The crew used two different ROVs to repeatedly capture high resolution photos every two seconds as they ran multiple passes over a historical dam structure. After running their collected images through the modeling program Agisoft Metashape, the crew successfully generated an extremely accurate 3D model of the submerged structure from just one day’s worth of imagery.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».