CN106897687A - 一种基于声纳技术的含油沉积物自动识别方法及系统 - Google Patents
一种基于声纳技术的含油沉积物自动识别方法及系统 Download PDFInfo
- Publication number
- CN106897687A CN106897687A CN201710092991.4A CN201710092991A CN106897687A CN 106897687 A CN106897687 A CN 106897687A CN 201710092991 A CN201710092991 A CN 201710092991A CN 106897687 A CN106897687 A CN 106897687A
- Authority
- CN
- China
- Prior art keywords
- oil
- sonar
- image
- containing deposit
- deposit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本申请公开了一种基于声纳技术的含油沉积物自动识别方法和系统,所述方法包括:建立含油沉积物声学图像特征样本库,样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;根据声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;计算典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;根据匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。本发明的优点是:识别迅速,使用方便,能够准确识别含油沉积物。
Description
技术领域
本发明属于海洋环境保护技术领域,涉及一种基于声纳技术的含油沉积物自动识别方法。
背景技术
随着海洋油气资源勘探和开发程度的不断发展,作为海上石油“运输生命线”的输油管道在海底的铺设范围不断增大,在石油管道使用的过程中,由于设备老化、海水腐蚀、波浪及潮汐等水动力作用的影响,管道渗漏、穿孔和破裂导致的原油泄漏,给海洋环境的安全问题带来巨大的挑战。含油沉积物具有“声阻抗特征弱、且无明显阴影区”的特点,海底输油管线的铺设需要一定的埋藏深度,检查和维修存在困难,从输油管道泄漏出的原油产生点源连续扩散,在泄漏初期与海底泥、砂等沉积物混合,后期逐渐扩散到海面,现有技术无法有效实现对含油沉积物的自动快速准确识别和检测,因此,使用上极不方便。
发明内容
本发明的目的在于克服上述不足,提供一种基于声纳技术的含油沉积物自动识别方法,其识别迅速,使用方便,能够准确识别含油沉积物。
为了实现上述目的,本发明采用的技术方案为:一种基于声纳技术的含油沉积物自动识别方法,其特征在于,包括:建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。
本发明的另一目的在于提供一种基于声纳技术的含油沉积物自动识别系统,其特征在于,包括:建立单元,用于建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;探测单元,用于对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;处理单元,用于根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;判断单元,用于根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;计算单元,用于计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;输出单元,用于根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。。
本发明的有益效果为:
实现简单,包括含油沉积物声学图像特征样本库建立、声纳数据获取、声纳图像处理、声纳图像人工识别、声纳图像自动识别、声纳图像交互识别、含油沉积物声纳图像解释步骤。基于含油沉积物具有“声阻抗特征弱、且无明显阴影区”的特点,采用自动识别与人工识别交互进行的方法,实现对含油沉积物的准确识别和预测,并能追踪溯源,快速确定泄漏点的位置,进一步实现对海底管道漏油点的准确检测,在石油开发后期因管线老化等导致的抛锚滴漏事故、海底管道出现裂纹和腐蚀形成小孔出现溢油现象、运输和储藏过程中导致的小规模原油泄漏等溢油应急事件处理中发挥着重要的作用,同时,随着海洋石油事业的进一步发展,也具有广阔的应用前景。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是本发明的基于声纳技术的含油沉积物自动识别方法的流程示意图;
图2是本发明的识别方法的实施例示意图;
图3是本发明的基于声纳技术的含油沉积物自动识别系统的结构示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语,故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
请参照图1,本发明的基于声纳技术的含油沉积物自动识别方法,包括:步骤S101,建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;步骤S102,对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;步骤S103,根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;步骤S104,根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;步骤S105,计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;步骤S106,根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。
请参照图2,所述建立含油沉积物声学图像特征样本库包括:根据不同的海洋环境和沉积物的不同物理参数,设计不同模型进行数值模拟,模拟结果加入声纳图像样本库;根据不同的海洋地质环境和含油沉积物的不同类型,进行水槽实验,将含油沉积物的不同特征添加进声纳图像样本库;将实际资料中典型含油沉积物的声纳图像特征进行总结,添加进声纳图像样本库。
优选地,所述对含油沉积物进行探测包括根据含油沉积物分布范围的大小和识别精度的要求,选择采用侧扫声纳设备和/或多波束声纳设备,及适应的采样频率范围对声纳数据进行采集。
优选地,所述对声纳图像进行处理包括针对噪音和干扰信号的图像平滑之后,再进行图像分割,之后,针对目标图像信号的图像增强和图像边缘锐化,在此基础之上再进行图像分割。
优选地,所述计算包括根据含油沉积物声纳图像的边界灰度特征、纹理特征,结合几何特征,采用神经网络算法计算典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度。
优选地,还包括采用人工识别进一步进行判别,二者相互验证,以得到第二识别结果。
优选地,还包括将所述第二识别结果加入所述含油沉积物声学图像特征样本库。
请参照图3,本发明提供一种基于声纳技术的含油沉积物自动识别系统,包括:建立单元101,用于建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;探测单元102,用于对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;处理单元103,用于根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;判断单元104,用于根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;计算单元105,用于计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;输出单元106,用于根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。
优选地,所述探测单元包括多波束声纳设备,用于采用低频进行大范围含油沉积物的测量。
优选地,所述探测单元包括侧扫声纳设备,用于采用高频进行小范围含油沉积物的测量。
优选地,在声纳数据有效采集的前提下,首先对声纳设备的原理及特性进行分析。其中,所述声纳设备采用高频侧扫声纳设备(>350kHz),其具有快速覆盖探测面积、提供良好的沉底油探测结果和实现小面积沉底油探测的优点。
优选地,所述声纳设备采用高频多波束声纳设备(>350kHz),具有可提供海底地形的伪色彩图像、可提供测深图用于沉底油检测的优点。
优选地,所述采集频率的选择高低与沉底油的分布范围面积大小成反比。
优选地,采样频率为低频率<350kHz,其优点是声纳图像波束角宽,实现大面积的沉底油声纳探测。
优选地,采样频率为高频率>350kHz,其优点是声纳图像质量较好,实现小面积沉底油的精确测量。
如图2所示,本发明的具体实施过程为:研究区输油管道埋藏在以砂岩、砂泥岩和泥岩为主的沉积地层中,输油管道发生抛锚滴漏,部分溢油随时间逐渐扩散到水体表面,其余与泥、砂及其砂泥岩沉积物混合,形成含油沉积物。在实验过程中,由于水槽水底平坦,因此,在对其声学图像进行研究的过程中,可近似忽略阴影区,重点主要区分声影区和背景区;对实际资料而言,需要考虑声影区、背景区和阴影区三个因素。
首先,建立含油沉积物声纳图像样本库。根据含油沉积物速度、密度参数、声波在海水中的速度等物理参数,声波传播遵循Snell定律,采用波动方程理论进行数值模拟,模拟结果为,含油沉积物反射强度较大,模拟结果为深灰色反射特征,背景反射强度小;接着进行水槽实验,将原油与淤泥混合、原油与砂混合及泥砂岩三个含油沉积物样本分别放入不同的托盘,然后沉入消声水槽底部,水槽地步平直,利用侧扫声纳设备采用拖曳的方式对含油沉积物样本的声纳信号进行采集,含油砂岩声纳图像表现为“深灰色(偏重)、弱纹理变化,边缘清晰”的特征,含油砂泥岩混合物声纳图像表现为“深灰色(略轻)、弱纹理变化,边缘清楚”的特征,含油泥岩声纳图像表现为“中灰色、弱纹理变化、边界明显”的特征;根据某地区实际资料,分别采用不同频率声纳图像进行分析,在高频声纳图像上,含油沉积物声纳图像变弱、灰度变暗为特征,根据低频声纳图像,含油沉积物声纳图像变弱,边界不清楚,人工识别结果通过机械手臂对沉积物的采样进行确认。最终,将数值模拟、水槽实验和实验数据中典型含油沉积物的声纳图像特征进行数字化,存储加入声纳图像样本库。
下一步,获取声纳数据。在探测区域之内,采用Klein公司的Klein3000型双频侧扫声纳设备以50m测线间距对探测区域进行声纳信号采集,采集到的声纳数据导入SonarWizMAP软件,进行读取、处理和显示,为声纳图像处理和目标识别提供资料准备。
下一步,声纳图像处理。对对图像中由于混响等原因形成的图像“麻点状”噪声信号进行平滑,滤除噪音信号;针对声纳图像的人工识别结果进行图像分割;对声纳图像进行均衡化,增强图像对比度,是声影区和背景区对比清楚,利于含油沉积物声纳图像识别;同时,对含油沉积物声纳图像进行图像增强和图像边缘锐化。
下一步,声纳图像人工识别。对含油沉积物声纳图像进行人工识别,根据含油沉积物声纳图像特征,结合海底管道铺设的声纳图像信息和作业信息,对含油沉积物声纳图像进行识别,识别出的含油沉积物声纳图像几何边界不规则,具有明显的灰度特征,纹理特征清楚。结合含油沉积物采样结果,对典型声纳图像进行数字化,归纳加入声纳图像样本库。
下一步,自动识别声纳图像。将声纳图像显示结果进行数字化,利用BP神经网络算法,以几何灰度程度、纹理特征为主要参数,参照边界特征,计算声纳图像显示结果与声纳图像样本库之间的匹配程度,对网络的权值和偏差进行反复调整,使输出结果与期望向量尽可能接近,由此达到对含油沉积物声纳图像自动识别的目的。
下一步,交互识别声纳图像。对声纳图像自动识别的结果,结合海底管道铺设环境和作业信息,对识别结果进一步进行判定。
下一步,解释含油沉积物声纳图像。根据含油沉积物声纳图像的识别结果,在灰度图像上,含油沉积物声纳图像边界几何特征清楚,灰度偏暗,纹理清晰,背景图像灰度偏亮,二者之间对比清楚。
最后,根据含油沉积物识别结果,结合声纳图像样本库,通过人工识别、自动识别和交互识别相结合的识别思路,达到对含油沉积物准确识别的目的,经过试验,本发明的识别准确率。
本发明的有益效果为:
实现简单,包括含油沉积物声学图像特征样本库建立、声纳数据获取、声纳图像处理、声纳图像人工识别、声纳图像自动识别、声纳图像交互识别、含油沉积物声纳图像解释步骤。基于含油沉积物具有“声阻抗特征弱、且无明显阴影区”的特点,采用自动识别与人工识别交互进行的方法,实现对含油沉积物的准确识别和预测,并能追踪溯源,快速确定泄漏点的位置,进一步实现对海底管道漏油点的准确检测,在石油开发后期因管线老化等导致的抛锚滴漏事故、海底管道出现裂纹和腐蚀形成小孔出现溢油现象、运输和储藏过程中导致的小规模原油泄漏等溢油应急事件处理中发挥着重要的作用,同时,随着海洋石油事业的进一步发展,也具有广阔的应用前景。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求的保护范围内。
Claims (10)
1.一种基于声纳技术的含油沉积物自动识别方法,其特征在于,包括:
建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;
对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;
根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;
根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;
计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;
根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。
2.根据权利要求1所述的基于声纳技术的含油沉积物自动识别方法,其特征在于,所述建立含油沉积物声学图像特征样本库包括:根据不同的海洋环境和沉积物的不同物理参数,设计不同模型进行数值模拟,模拟结果加入声纳图像样本库;根据不同的海洋地质环境和含油沉积物的不同类型,进行水槽实验,将含油沉积物的不同特征添加进声纳图像样本库;将实际资料中典型含油沉积物的声纳图像特征进行总结,添加进声纳图像样本库。
3.根据权利要求1所述的基于声纳技术的含油沉积物自动识别方法,其特征在于,所述对含油沉积物进行探测包括根据含油沉积物分布范围的大小和识别精度的要求,选择采用侧扫声纳设备和/或多波束声纳设备,及适应的采样频率范围对声纳数据进行采集。
4.根据权利要求1所述的基于声纳技术的含油沉积物自动识别方法,其特征在于,所述对声纳图像进行处理包括针对噪音和干扰信号的图像平滑之后,再进行图像分割,之后,针对目标图像信号的图像增强和图像边缘锐化。
5.根据权利要求1所述的基于声纳技术的含油沉积物自动识别方法,其特征在于,所述计算包括根据含油沉积物声纳图像的边界灰度特征、纹理特征,结合几何特征,采用神经网络算法计算典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度。
6.根据权利要求1所述的基于声纳技术的含油沉积物自动识别方法,其特征在于,还包括采用人工识别进一步进行判别,二者相互验证,以得到第二识别结果。
7.根据权利要求6所述的基于声纳技术的含油沉积物自动识别系统,其特征在于,还包括将所述第二识别结果加入所述含油沉积物声学图像特征样本库。
8.一种基于声纳技术的含油沉积物自动识别系统,其特征在于,包括:
建立单元,用于建立含油沉积物声学图像特征样本库,所述样本库包括含油沉积物的不同模拟结果,不同类型特征以及典型图像特征;
探测单元,用于对含油沉积物进行探测,并提取相关声学数据,以获取声纳数据和显示声纳图像;
处理单元,用于根据所述声纳图像的显示结果,对声纳图像进行处理,以得出含油沉积物的声纳图像特征;
判断单元,用于根据含油沉积物的声纳图像特征,结合海底沉积环境、含油沉积物目标的存在环境,进行判断,对典型含油沉积物声纳图像进行人工拾取;
计算单元,用于计算所述典型含油沉积物声纳图像与含油沉积物声学图像特征样本库中样本图像的匹配程度;
输出单元,用于根据所述匹配程度结果,识别含油沉积物的分布位置、形态和范围,以得到第一识别结果。
9.根据权利要求8所述的基于声纳技术的含油沉积物自动识别系统,其特征在于,所述探测单元包括多波束声纳设备,用于采用低频进行大范围含油沉积物的测量。
10.根据权利要求8所述的基于声纳技术的含油沉积物自动识别系统,其特征在于,所述探测单元包括侧扫声纳设备,用于采用高频进行小范围含油沉积物的测量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092991.4A CN106897687A (zh) | 2017-02-21 | 2017-02-21 | 一种基于声纳技术的含油沉积物自动识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092991.4A CN106897687A (zh) | 2017-02-21 | 2017-02-21 | 一种基于声纳技术的含油沉积物自动识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106897687A true CN106897687A (zh) | 2017-06-27 |
Family
ID=59184104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710092991.4A Pending CN106897687A (zh) | 2017-02-21 | 2017-02-21 | 一种基于声纳技术的含油沉积物自动识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897687A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112882042A (zh) * | 2021-01-14 | 2021-06-01 | 天津市水产研究所 | 一种基于声学数据的海洋牧场海床遥测与识别方法 |
CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040165478A1 (en) * | 2000-07-08 | 2004-08-26 | Harmon John B. | Biomimetic sonar system and method |
CN101751552A (zh) * | 2008-12-05 | 2010-06-23 | 中国科学院沈阳自动化研究所 | 一种基于计算机视觉的炼铁原料自动识别方法 |
CN102109495A (zh) * | 2009-12-28 | 2011-06-29 | 唐秋华 | 基于多波束声纳技术的海底混合底质类型分类方法 |
CN103425992A (zh) * | 2012-05-16 | 2013-12-04 | 中国科学院声学研究所 | 一种基于合成孔径声纳图像的海底底质分类方法及系统 |
CN104991288A (zh) * | 2015-07-09 | 2015-10-21 | 大连海事大学 | 一种基于声呐电磁协同探测技术的海洋沉潜油检测系统及方法 |
-
2017
- 2017-02-21 CN CN201710092991.4A patent/CN106897687A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040165478A1 (en) * | 2000-07-08 | 2004-08-26 | Harmon John B. | Biomimetic sonar system and method |
CN101751552A (zh) * | 2008-12-05 | 2010-06-23 | 中国科学院沈阳自动化研究所 | 一种基于计算机视觉的炼铁原料自动识别方法 |
CN102109495A (zh) * | 2009-12-28 | 2011-06-29 | 唐秋华 | 基于多波束声纳技术的海底混合底质类型分类方法 |
CN103425992A (zh) * | 2012-05-16 | 2013-12-04 | 中国科学院声学研究所 | 一种基于合成孔径声纳图像的海底底质分类方法及系统 |
CN104991288A (zh) * | 2015-07-09 | 2015-10-21 | 大连海事大学 | 一种基于声呐电磁协同探测技术的海洋沉潜油检测系统及方法 |
Non-Patent Citations (1)
Title |
---|
程秀丽等: "多波束声纳图像处理关键技术的研究", 《计算机技术与发展》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
CN112882042A (zh) * | 2021-01-14 | 2021-06-01 | 天津市水产研究所 | 一种基于声学数据的海洋牧场海床遥测与识别方法 |
CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021243743A1 (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
CN107894615B (zh) | 一种定量化评价三维地震属性预测储层参数有效性的方法 | |
CN101777954B (zh) | 基于本征声线视在搜索的水声信道有效声速估计方法 | |
CN112883564B (zh) | 一种基于随机森林的水体温度预测方法及预测系统 | |
CN104820218B (zh) | 一种基于频域自相关的浅海海底单参数反演方法 | |
CN106897687A (zh) | 一种基于声纳技术的含油沉积物自动识别方法及系统 | |
CN104808246A (zh) | 海底沉积物类型的识别方法 | |
Wang et al. | An automated procedure to calculate the morphological parameters of superimposed rhythmic bedforms | |
CN112270113A (zh) | 一种层流分层结构模式下的海底声散射fem分析方法 | |
CN106802419B (zh) | 一种基于声纳图像特征的沉底油识别方法及系统 | |
CN117198330A (zh) | 一种声源识别方法、系统及电子设备 | |
CN110780340B (zh) | 一种浅海弹性软沉积层横波声速或厚度的反演方法 | |
Li et al. | A novel sub-bottom profiler seabed sediment classification method based on BPNN with biot-stoll model and attenuation-based model | |
CN111679275A (zh) | 基于探地雷达的地下管线识别方法 | |
CN109427042B (zh) | 一种提取局部海域沉积层的分层结构和空间分布的方法 | |
He et al. | High-accuracy acoustic sediment classification using sub-bottom profile data | |
CN113988142B (zh) | 一种基于卷积神经网络的隧道衬砌空洞声学识别方法 | |
Lisimenka et al. | Estimation of dimensions and orientation of multiple riverine dune generations using spectral moments | |
CN113640806B (zh) | 一种基于多声纳设备的沉积层声特性获取方法及系统 | |
CN113221651A (zh) | 利用声传播数据和无监督机器学习的海底沉积分类方法 | |
Park et al. | Study on acoustic impedance conversion using an optimal chirplet analyzed in chirp SBP raw data | |
Tegowski et al. | Seabed classification from multibeam echosounder backscatter data using wavelet transformation and neural network approach | |
Brooks et al. | Techniques for extraction of the waveguide invariant from interference patterns in spectrograms | |
Li et al. | Numerical simulation of bubble plumes and an analysis of their seismic attributes | |
Zhang | Impact of subtracting “Time Varied Gain Background Noise”(TVGBN) on estimates of fisheries resources derived from post-processing acoustic data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170627 |