Drei Tage Hydrographie zwischen Innovation und Nachhaltigkeit
38. Hydrographentag in Lübeck-Travemünde

Für ihre Masterarbeit an der Hochschule für Technik und Wirtschaft (HTW) in Dresden wählte Raphaela Frind ein Thema, bei dem sie erstmals mit der Hydrographie in Kontakt kam. Sie beantragte die Mitgliedschaft in der DHyG und bewarb sich für eine Förderung, um am Hydrographentag in Travemünde teilnehmen können. Als Dank für die Förderung schildert sie ihre Eindrücke von der Veranstaltung in diesem Bericht.

Hydrographentag | Nachhaltigkeit | Nachwuchsförderung | DHyG Student Excellence Award

For her Master’s thesis at the Dresden University of Applied Sciences (HTW), Raphaela Frind chose a topic that introduced her to hydrography for the first time. She applied for membership of the DHyG and asked for a grant so that she could take part in the conference »Hydrographentag« in Travemünde. As a token of her gratitude for the grant, she shares her impressions of the event in this report.

Hydrographentag | sustainability | supporting the next generation | DHyG Student Excellence Award

• Ausgabe: HN 135, Seite 44–46
• DOI: 10.23784/HN135-08
• Autor/en: Raphaela Frind

Warum ist die Intergeo interessant?

Das Journal of Applied Hydrography – Hydrographische Nachrichten war Medienpartner der Intergeo. Unser Redakteur Peter Dugge hat die Veranstaltung in München besucht. Im Gepäck hatte er einige Fragen aus Sicht der Hydrographie.

The Journal of Applied Hydrography – Hydrographische Nachrichten was a media partner of Intergeo. Our editor, Peter Dugge, attended the event in Munich. He had a number of questions to ask from a hydrographic perspective.

• Ausgabe: HN 135, Seite 42
• DOI: 10.23784/HN135-07
• Autor/en: Peter Dugge

Qaiyo
Intelligente Technologie für Kommunikation, Positionierung und maritime Anwendungen

In einer Welt, in der Daten jederzeit verfügbar sein müssen und Präzision über den Erfolg eines Projekts entscheidet, sind zuverlässige Technologiepartner wichtiger denn je. Genau hier setzt Qaiyo an. Das Unternehmen entwickelt innovative Kommunikations-, Positionierungs- und Survey-Lösungen für Kunden aus den Bereichen Infrastruktur, Wasserwirtschaft, Hydrographie, Offshore, Vermessung und Industrie.

In a world where data must be available at all times and precision is crucial to the success of a project, reliable technology partners are more important than ever. This is precisely where Qaiyo comes in. The company develops innovative communication, positioning and surveying solutions for clients in the infrastructure, water management, hydrography, offshore, surveying and industrial sectors.

• Ausgabe: HN 135, Seite 40–41
• DOI: 10.23784/HN135-06
• Autor/en: Sander Karis

Automatic detection and multiclass segmentation of underwater pipelines
A comparative study on different approaches using computational models

Underwater pipeline inspection is important in several aspects. Computer vision-based detection and segmentation have played a crucial role in underwater pipeline inspections in the last few decades. This study focuses on implementing a deep learning-based workflow for underwater pipeline detection and segmentation using YOLOv8 small and large, and Mask R-CNN ResNet 50 and 101 models. All four models could fulfil both detection and segmentation approaches in a single model. The dataset used consists of pipes, leakages, concrete mats, concrete weights and pipe couplings. The performance of the models was evaluated based on the loss function, precision, inference time and visualisation results. Experimental results indicate that YOLOv8 outperforms Mask R-CNN in accuracy and real-time detection. YOLOv8 segmentation small model achieved the highest Mean Average Precision (50–95) as 77 % in object detection and 74 % in segmentation. The YOLO segmentation large model achieved the highest class-wise Mean Average Precision (50–95) as 97 % in the pipe class. In future work, the YOLOv8 model will be modified to derive the real-time location of autonomous underwater vehicles, and Mask R-CNN models will be modified to improve the precision.

pipeline detection | Mask R-CNN | YOLOv8

Die Inspektion von Unterwasserrohrleitungen ist in mehrfacher Hinsicht von Bedeutung. Die auf Computer-Vision basierende Erkennung und Segmentierung hat in den letzten Jahrzehnten eine entscheidende Rolle bei der Inspektion von Unterwasserrohrleitungen gespielt. Diese Studie konzentriert sich auf die Implementierung eines auf Deep Learning basierenden Arbeitsablaufs für die Erkennung und Segmentierung von Unterwasserrohrleitungen unter Verwendung der Modelle YOLOv8 (klein und groß) sowie Mask R-CNN ResNet 50 und 101. Alle vier Modelle konnten sowohl Erkennungs- als auch Segmentierungsaufgaben in einem einzigen Modell erfüllen. Der verwendete Datensatz besteht aus Rohren, Leckagen, Betonmatten, Betongewichten und Rohrkupplungen. Die Leistung der Modelle wurde anhand der Verlustfunktion, der Präzision, der Inferenzzeit und der Visualisierungsergebnisse bewertet. Die Versuchsergebnisse zeigen, dass YOLOv8 Mask R-CNN in Bezug auf Genauigkeit und Echtzeit-Erkennung übertrifft. Das kleine YOLOv8-Segmentierungsmodell erzielte die höchste mittlere durchschnittliche Präzision (50–95) mit 77 % bei der Objekterkennung und 74 % bei der Segmentierung. Das große YOLO-Segmentierungsmodell erzielte die höchste klassenweise mittlere durchschnittliche Präzision (50–95) von 97 % in der Rohrklasse. In zukünftigen Arbeiten wird das YOLOv8-Modell modifiziert, um die Echtzeitposition autonomer Unterwasserfahrzeuge zu ermitteln, und die Mask-R-CNN-Modelle werden modifiziert, um die Präzision zu verbessern.

Erkennung von Rohrleitungen | Mask R-CNN | YOLOv8

• Ausgabe: HN 135, Seite 34–39
• DOI: 10.23784/HN135-05
• Autor/en: Sethmiya Herath Mudiyanselage

»50 Zentimeter über der Seegrasnarbe«

Manfred Stender hat in Hamburg Geophysik (mit dem Schwerpunkt Marine Geophysik) studiert und schon als Student an zahlreichen Expeditionen teilgenommen. Seine erste Arbeitsstelle war auf der Meteor, damals in der Bereederung durch die Reedereigemeinschaft Forschungsschifffahrt (RF), als Systemoperator. Heutzutage ist an Bord vieler deutscher Forschungsschiffe für solche Tätigkeiten der Wissenschaftlich-Technische Dienst (WTD) zuständig. Zuletzt war Manfred Stender Business Development Manager bei Fugro in Bremen, wobei auch sehr viel Projektmanagement auf der Agenda stand. Im Interview blickt er zurück auf ein vielfältiges und erlebnisreiches Arbeitsleben. Und er verrät sein Verständnis von »Hydrographie im Nahbereich«.

Nahbereich | ROV | AUV | Seacat | Drohne | Kabelvermessung | Seitensichtsonar | Magnetometer

Manfred Stender studied geophysics (specialising in marine geophysics) in Hamburg and took part in numerous expeditions whilst still a student. His first job was on the Meteor, which was then operated by the Reedereigemeinschaft Forschungsschifffahrt (RF), as a systems operator. Nowadays, the Scientific and Technical Service is responsible for such duties on board many German research vessels. Most recently, Manfred Stender was Business Development Manager at Fugro in Bremen, a role that also involved a great deal of project management. In this interview, he looks back on a varied and eventful working life. And he explains his understanding of »hydrography in the near field«.

near field | ROV | AUV | Seacat | drone | cable survey | side-scan sonar | magnetometer

• Ausgabe: HN 135, Seite 24–32
• DOI: 10.23784/HN135-04
• Autor/en: Manfred Stender, Lars Schiller, Peter Dugge