CN108230302B - 一种核电厂冷源海域入侵海洋生物探测及处置方法 - Google Patents

一种核电厂冷源海域入侵海洋生物探测及处置方法 Download PDF

Info

Publication number
CN108230302B
CN108230302B CN201711394306.XA CN201711394306A CN108230302B CN 108230302 B CN108230302 B CN 108230302B CN 201711394306 A CN201711394306 A CN 201711394306A CN 108230302 B CN108230302 B CN 108230302B
Authority
CN
China
Prior art keywords
marine
density
power plant
nuclear power
cold source
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.)
Active
Application number
CN201711394306.XA
Other languages
English (en)
Other versions
CN108230302A (zh
Inventor
孟威
张波
林国强
刘笑麟
孟亚辉
李建文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China General Nuclear Power Corp
CGN Power Co Ltd
Lingdong Nuclear Power Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
Original Assignee
China General Nuclear Power Corp
CGN Power Co Ltd
Lingdong Nuclear Power Co Ltd
Suzhou Nuclear Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China General Nuclear Power Corp, CGN Power Co Ltd, Lingdong Nuclear Power Co Ltd, Suzhou Nuclear Power Research Institute Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN201711394306.XA priority Critical patent/CN108230302B/zh
Publication of CN108230302A publication Critical patent/CN108230302A/zh
Application granted granted Critical
Publication of CN108230302B publication Critical patent/CN108230302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种核电厂冷源海域入侵海洋生物探测及处置方法，其通过利用声呐探测器和水下摄影机对核电厂冷源海域的海洋生物情况进行检测，根据检测情况分别计算出第一海洋生物和第二海洋生物密度，并进行融合形成入侵海洋生物的综合密度，其计算的准确率达到了95﹪以上；之后兼顾海洋环境因素，并通过模糊神经网络算法得出海洋生物在核电厂冷源水域入侵强度指标，最终根据入侵强度形成决策策略表，为工作人员提供行之有效的处置方法。本发明的核电厂冷源海域入侵海洋生物探测及处置方法，其预警运算时间在30秒以内；根据仿真实验数据，预警误报率不大于5%，有效避免了因海洋生物的入侵而造成反应堆紧急停堆运行事件的发生。

Description

一种核电厂冷源海域入侵海洋生物探测及处置方法
技术领域
本发明涉及核电厂冷源海域入侵海洋生物探测系统、方法以及应用。
背景技术
近年来海洋生物集群式爆发给核电厂安全生产带来了严重影响。2014和2015年冬季，广西近岸海域的棕囊藻赤潮覆盖了防城港附近海域，2-3cm的棕囊藻堵塞过滤网具，对核电设施冷源系统安全构成了威胁。2009年12月因大量水草入侵堵塞法国CRUAS核电厂4号机组泵站过滤系统，引发机组丧失冷源事件。2014年7月红沿河核电厂大量水母涌入循环水过滤系统取水口导致H1/2号机组停堆运行事件。2015年8月大量海地瓜爆发涌入宁德3号机取水口而导致的机组导致停堆运行事件。2016年1月岭澳核电厂2号机组因海虾涌入取水口导致反应堆紧急停堆运行事件。
海洋监测技术是一个综合了计算机、信息和传感器、数据库、远程通信等多学科而形成的综合高新技术，集成了多学科的发展成果，代表了高技术的发展前沿，它随着相关学科技术的发展而迅速发展。海洋环境自动监测系统通常以沿岸台站、海上平台或浮标、海底及监测调查船等为观测平台。目前各种监测平台主要应用于海洋环境、海洋水文、海洋资源普查等方面，专门用于对核电厂冷源海域入侵海洋生物进行监测和预警的系统还鲜有报道。
中国专利CN106441434A公开了一种核电厂冷源海域探测预警系统，其包括，智能浮标检测组件，所述智能浮标检测组件包括浮标架体以及安装在所述浮标架体上的浮标检测机构，所述浮标检测机构包括浮标主控单元、与所述浮标主控单元相连接的数据采集处理单元、与所述浮标主控单元相连接的GPS模块、与所述浮标主控单元相连接的无线传输模块、与所述浮标主控单元相通讯的远程监控界面、与所述浮标主控单元相连接的电源管理模块以及与所述浮标主控单元相连接的浮标状态监控模块；数据处理平台，所述数据处理平台与所述智能浮标检测组件相通；预警支撑组件，所述预警支撑组件与所述数据处理平台相通讯。该专利主要给出了对核电厂冷源海域探测的整体方案，没有针对如何保证入侵海洋生物探测准确性提供解决方案。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供一种便于决策者及时准确地掌握海洋生物入侵情况的核电厂冷源海域入侵海洋生物探测及处置方法。
为解决上述技术问题，本发明采取的技术方案如下：
一种核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：方法包括如下步骤：
(1)采集数据：分别利用声呐探测器和水下摄影机对核电厂冷源海域的海洋生物情况进行检测，获得声呐图像和视频图像；对核电厂冷源海域所处外界环境进行检测，获得外界环境参数，外界环境参数包括海水盐度、海水温度、海水流速、风速；
(2)数据传输和处理：将步骤(1)所得到的采集数据传送至服务器，由服务器对数据进行加工分类和处理，其中，对声呐图像进行处理得到第一海洋生物密度，对视频图像进行处理得到第二海洋生物密度，并且将第一海洋生物密度和第二海洋生物密度进行融合，形成核电厂冷源海域入侵海洋生物综合密度；将第一海洋生物密度和第二海洋生物密度进行融合的方法为：根据不同洋流条件下，第一海洋生物密度和第二海洋生物密度，计算平均相对密度值，进而计算平均相对密度的欧氏距离，即海生物的相对密度系数，最终计算得到以第一海洋生物密度和第二海洋生物密度为参考的海生物总密度。
(3)将步骤(2)所得核电厂冷源海域入侵海洋生物综合密度与外界环境参数通过多元回归模型估计和模糊神经网络算法得出海洋生物在核电厂冷源水域入侵强度指标；
优选地，步骤(2)中，对声呐图像进行处理得到第一海洋生物密度的方法包括:
a.根据声纳探测的水体，从最小半径到最大半径、由水平开角50°及纵向开角50°共分成N个球面片，记为A1，A2，.....An，它们所围成的分片水体为M个，记为V1，V2，.....Vm，其中N为100-150，M为N-1；
将水平开角(θ)与纵向开角(φ)进行N等分，将最小半径到最大半径进行N等分，建立以等分点为定点的曲面网格(H)，计算声纳听音器生成的声学波束与曲面网格(H)之间的Haussdorff距离，按最小Haussdorff距离将其投影到对应的球面片Aj上，这样将声呐图像的计算转化为计算球面片(Aj)中的目标物含量；
b.计算各球面片中的目标物含量:将每一球面片Ai映射到灰度图像(Ci)上，运用图像处理的方法计算水体中目标物含量，得到目标海洋生物密度，即为第一海洋生物密度。
优选地，N为128，第一海洋生物密度通过如下计算公式计算得到：
Figure GDA0002441802160000021
其中
Figure GDA0002441802160000022
V为声纳探测范围内海水的体积。
优选地，步骤(2)中对于视频图像进行处理得到第二海洋生物密度的方法包括：
依次将原始灰度图像进行图像锐化、边缘检测、边界闭合、孔洞填充，得到目标物与背景分割开来的二值图像；
将二值图像中目标物的像素个数除以图像的总像素个数得到第二海洋生物密度。
优选地，锐化图像采用梯度锐化算子，边缘检测采用Canny算子，闭合边界与空洞填充采用形态学理论闭运算对二值图像进行闭合运算。
优选地，模糊神经网络算法采用5层的前向网络结构，包括：
第1层，输入层，每个节点分别表示一个输入的语言变量，输入变量总数为r1，每个节点分别表示一个输入的语言变量；
第2层，隶属函数层，每个节点分别表示一个隶属函数。选择高斯函数作为FNN的隶属函数，表示如下：
Figure GDA0002441802160000023
其中，μij是xi的第j个隶属函数，cij是xi的第j个高斯隶属函数的中心，σj是xi的第j个高斯隶属函数的宽度，u1是每个变量的隶属函数的数量；
第3层，规则层，每个节点分别表示一个可能的模糊规则的前件，即IF部分。这里采用T-范数乘积算子，由每个输入变量的高斯隶属函数相乘，而且每条规则对应的各变量的隶属函数的宽度均相同。第j个规则Rj的输出为：
Figure GDA0002441802160000024
Figure GDA0002441802160000025
是第j个RBF神经单元的中心。从神经网络的角度而言，该层的每个节点便是一个RBF神经单元节点，且神经单元的数目是在动态过程中时变的。因此，在FNN中，RBF神经单元节点数与模糊系统的规则数相等，这两个概念可以互换；
第4层，归一化层，每个节点分别表示一个N节点。每个N节点都是其对应前一层规则的输出占所有规则输出总和的比重。易知N节点数与模糊规则数相等。第j个节点Nj的输出为：
Figure GDA0002441802160000031
第5层，输出层，每个节点分别表示一个输出变量，该层表示模糊规则的后件，即THEN部分。它是单输出模式或者多输出模式。这里仅以单输出模式为例进行推导，而多输出模式的结果也可以很容易地类推得到，所不同的仅是增加了需要调整的参数个数。FNN的输出为上一层所有输入信号按连接权值的线性叠加：
Figure GDA0002441802160000032
ωk＝ak0+ak1x1+ak2x2+…+akrxr
其中，y是输出变量，ωk是第k个规则的连接权值，其中k＝1，2，…，u0。
优选地，输入层输入变量包括所属的入侵海洋生物综合密度、海水流速、风速、海水盐度、海水温度。
优选地，探测及处置方法还包括建立简易报警数据库，以建立风、洋流和海生物密度之间的关系。
优选地，探测及处置方法还包括建立根据入侵海洋生物入侵强度形成决策策略表，决策策略表中包含入侵海洋生物强度与是否预警、预警等级以及拟采取措施之间的对应关系。
由于以上技术方案的实施，本发明与现有技术相比具有如下优点：本发明的核电厂冷源海域入侵海洋生物探测及处置方法，通过利用声呐探测器和水下摄影机对核电厂冷源海域的海洋生物情况进行检测，根据检测情况分别计算出第一海洋生物和第二海洋生物密度，并进行融合形成入侵海洋生物的综合密度，其计算的准确率达到了95﹪以上；之后兼顾海洋环境因素，并通过模糊神经网络算法得出海洋生物在核电厂冷源水域入侵强度指标，最终根据入侵强度形成决策策略表，为工作人员提供行之有效的处置方法。本发明的核电厂冷源海域入侵海洋生物探测及处置方法，其预警运算时间在30秒以内；根据仿真实验数据，预警误报率不大于5％，有效避免了因海洋生物的入侵而造成反应堆紧急停堆运行事件的发生。
附图说明
图1为本发明的核电厂冷源海域入侵海洋生物探测及处置方法所对应的探测系统组成结构；
图2为本发明的声纳探测及坐标示意图；
图3为本发明的声纳探测示意图(其中，a为声呐探测真实水体图，b为声呐探测切片截面示意图)；
图4为本发明的Ai映射到Ci上的示意图；
图5为本发明的微光摄影成像的图像目标处理过程示意图；
图6为本发明的探测方法的流程示意图；
图7为本发明实施例所用声纳测试图像。
图8为声纳从探测最小距离开始计算的前25片图像数据(Ci(i＝1,2,…,25))。
图9为声纳从探测最小距离第1片对应的图像数据到第64片对应的图像数据(Ci(i＝1,2,…,64))。
图10为声纳探测的第65片对应的图像数据到最大距离第128片对应的图像数据(Ci(i＝65,66,…,128))。
图11为本发明实施例用到的水下摄像机拍摄的原始图像。
图12为运用梯度算子获得的二值图像。
图13为采用Canny算子进行边缘检测的结果图。
图14为经过闭合运算后的结果图。
图15为实行填充孔洞运算得到的图像。
图16为利用模糊神经网络计算海洋生物入侵强度仿真结果图。
图17为声纳探测的图像处理结果示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步详细的说明。
本发明的核电厂冷源海域入侵海洋生物探测及处置方法所对应的探测系统组成如图1所示，本发明的探测及处置方法建立在探测系统的基础上，该探测系统包括数据采集装置和中心服务器，其中，数据采集装置包括一款自主设计的智能海洋浮标，其用于搭载各种传感设备和无线通信系统，搭载传感器设备有：气象传感器、水文传感器、声纳和水下微光成像设备等，主要用于各种数据的，采集与传输；中心服务器包括接收数据的数据库，并可接入遥感(用于监测冷源海域水面情况)和雷达(用于监测冷源海域海冰情况)数据。中心服务器还可以将数据信息通过互联网、移动网络发送给电脑客户端和手机客户端；
关于声纳探测海洋生物密度(即第一海洋生物密度)估计描述如下：
声纳探测及坐标示意图如图2所示，其中声纳系统的球面坐标与(φ θ r)与直角坐标(x y z)关系图2所示，直角坐标系下的点M(x y z)对应的球面坐标系坐标为
Figure GDA0002441802160000041
r表示OM的距离，
Figure GDA0002441802160000042
为有向线段
Figure GDA0002441802160000043
与z轴正向的夹角，θ为从z轴正向来看自x轴逆时针方向转到有向线段
Figure GDA0002441802160000044
的角，这里P为点M在xOy面上的投影。
根据声纳探测的水体从最小半径到最大半径、由水平开角50°及纵向开角50°共分成128个球面片记为A1,A2,…,A128，它们所围成的分片水体127个，记为V1,V2,…,V127，声纳探测切片截面示意图如图3所示。
将水平开角θ与纵向开角φ分128等分，将最小半径到最大半径r进行128等分，这样建立了以等分点为定点的曲面网格，记该集合为H，对于声纳听音器每个时刻生成16384个声学波束数据点hi(i＝1,2,…,16384)，计算其与探测水体的曲面网格H之间的Haussdorff距离，按最小Haussdorff距离将其投影到对应的球面片Aj上，这样接下来声呐图像的计算转化为计算球面片A1,A2,…,A128中的目标物含量。
要计算球面片A,A2,…,A128中的目标物含量，先将每一球面片Ai映射到128×128的灰度图像Ci上，如图4所示。这样就可以运用图像处理的方法计算探测水体的目标物含量了。
对每一球面片投影的图像Ci进行膨胀腐蚀运算，其目的是使得断开边界的边连接起来(每20度左右扫描进行一次)，进一步实现闭合边运算，使得轮廓线最大限度地连接。其中，边缘运算运用了canny算子，因为其闭合效果好，边界线清晰。
按元素法计算声纳探测范围海水的体积为：
Figure GDA0002441802160000045
记Bi(i＝1,2,…,128)表示每一个球面片Ai上的目标物面积值，Di(i＝1,2,…,128)表示每个128*128的数字图像Ci(i＝1,2,…，128)上的目标像素面积值(可通过图像处理获取该值)。注意到每个Ci的像素个数均为128*128。
则每个曲面截面与对应的数字图像中密度占比关系为
Figure GDA0002441802160000051
则
Figure GDA0002441802160000052
令δ--表示厚度，其值为(最大半径-最小半径)/127，则Vi≈Ai*δ。
进而观测水域内目标物密度占比为
Figure GDA0002441802160000053
按公式(1)中方法计算Vi，而
Figure GDA0002441802160000054
根据公式(1)直接计算。
目标物占比相当于计算每个数字图像的生物量密度，再乘以不同的权重
Figure GDA0002441802160000055
再求和。
即，观测水域目标物密度
Figure GDA0002441802160000056
其中
Figure GDA0002441802160000057
关于水下微光成像估计海洋生物密度(即第二海洋生物密度)的描述如下：
本发明综合运用锐化图像、检测边缘、闭合边界、填充孔洞的生物图像目标获取方法，这是一个图像二值化的过程，最终目的是使得图像的目标物与背景分割，其图像目标识别过程如图5所示，将原始灰度图像进行图像锐化、边缘检测、边界闭合、孔洞填充，之后得到目标与背景分割开来的二值图像。
图像锐化：采用的是梯度锐化算子，其算法如下：设灰度图像f(x,y)的尺度为m×n，计算其水平梯度得到Fx，垂直梯度得到Fy。其中Fx，Fy与原图像f(x,y)具有相同的尺度m×n。水平梯度Fx的计算规则如下：设x表示任意行，Fx的第一列元素由原图像f(x,2)-f(x,1)获得，最后一列(第n列)由原图像f(x,n)-f(x,n-1)获得，第2到第n-1列由算式
Figure GDA0002441802160000058
其中i＝2,3,…,n-1。同理，原始图像f(x,y)的垂直梯度Fy按类似方法计算，只是行列规则互换。
设原始图像f(x,y)的梯度算子
Figure GDA0002441802160000059
的模长
Figure GDA00024418021600000510
根据实际水下背景环境设定阈值δ，将原始图像f(x,y)中梯度的模
Figure GDA00024418021600000511
的点看做是生物量的边界点进行标记，标记为1。阈值δ大于零，这样的选取在一定程度上能够滤除噪声，阈值δ选取不易过大，否则将会使得微小目标物因不计边界而丢失。这样得到了将原始图像中梯度模大于阈值δ的点标记为1的二值图像f1(x,y)。
边缘检测：采用了较为适合的Canny算子。其工作原理是先用高斯滤波器平滑图像，计算滤波后图像的模与方向，后对梯度的模应用非极大值抑制，就是找出图像梯度的局部极大值点，把其他非局部极大值点置零从而得到细化的边缘，最后用双阈值法检测和连续边缘。对图像f1(x,y)采用Canny算子进行边缘检测得到图像f2(x,y)。
闭合边界与空洞填充：只需要利用形态学理论闭运算对二值图像进行闭合运算，形成图像f3(x,y)，在对f3(x,y)利用形态学膨胀运算进行孔洞的填充，得到图像记为f4(x,y)，至此已经得到了目标物与背景分割了的图像，这是下一步进行目标物计量的基础。
第二海洋生物密度估计：上述获得的二值图像f4(x,y)已经将目标物进行了标记，要计算目标物在图像中的占比，只需用f4(x,y)中目标物像素个数除以图像的总像素个数。
进一步地，步骤(2)中将第一海洋生物密度和第二海洋生物密度进行融合的方法为：根据不同洋流条件下，第一海洋生物密度和第二海洋生物密度，计算平均相对密度值，进而计算平均相对密度的欧氏距离，即海生物的相对密度系数，最终计算得到以第一海洋生物密度和第二海洋生物密度为参考的海生物总密度；
具体地：
(1)海生物密度
采用声纳探测海洋生物密度，检测到一定范围内海洋生物的数量从而得到海生物密度。以水母为例，图1为声纳探测的图像处理结果，计算每个水母的封闭区域面积，得到所有水母的封闭区域面积占整个探测区域的百分比为水母在该水域的密度，单位为个/立方米。
(2)海生物密度融合方法
密度值为计算入侵强度的一个变量，但同样密度的不同海生物的入侵强度值不同。融合不同海生物密度方法为：根据计算不同海生物的相对密度系数，并依据以下公式计算海生物总密度。
Figure GDA0002441802160000061
其中：N为海生物总体密度；Ni为某一特定种群的密度i＝1,2,……,D；Ki为某一特定种群的相对密度系数。D为种群数。
表1核电厂入水口常见海生物的相对密度系数
海生物名称 相对密度系数
水母 K<sub>1</sub>
虾 K<sub>2</sub>
鱼 K<sub>3</sub>
表1为核电厂入海口常见海生物的相对密度系数，密度系数表示单位密度海生物量的影响程度。相同的数量的不同海生物种群，会产生不同的入侵强度。分别针对水母、虾和鱼类，进行入侵强度仿真实验。表2为不同海生物在相同数量和相同洋流相对速度情况下，对应的入侵强度。例如在N＝5％，VC＝1m/s情况下水母的入侵强度GR为0.51。表3为海生物系数辨识过程，如在N＝5％，VC＝1m/s情况下的虾/水母入侵强度比值为1.118。求得不同海生物数量下在相对洋流速度VC＝1m/s情况下的入侵强度比值的平均系数为1.114＝(1.118+1.084+1.116+1.124+1.129)/5；相对洋流速度4m/s情况下的平均系数为1.119＝(1.151+1.096+1.105+1.119+1.122)/5；8m/s情况下的平均系数为1.128＝(1.164+1.104+1.118+1.125+1.127)/5。应用一样的计算过程得到鱼类/水母在1m/s情况下的平均系数为1.543＝(1.353+1.458+1.622+1.613+1.672)/5；4m/s情况下的平均系数为1.555＝(1.446+1.482+1.572+1.628+1.648)/5；8m/s情况下的平均系数为1.590＝(1.493+1.519+1.617+1.656+1.668)/5。
最后求平均系数的欧式距离，得到海生物的总群系数，即
Figure GDA0002441802160000062
Figure GDA0002441802160000071
表2核电厂入水口常见海生物的入侵强度
Figure GDA0002441802160000072
表3核电厂入水口常见海生物的相对密度系数辨识
Figure GDA0002441802160000073
进一步地：本发明采用模糊神经网络模型，模糊神经网络是一个5层的前向网络结构，各层的含义具体描述如下：
第1层：输入层，每个节点分别表示一个输入的语言变量，输入变量总数为r1，每个节点分别表示一个输入的语言变量。
第2层：隶属函数层，每个节点分别表示一个隶属函数。选择高斯函数作为FNN的隶属函数，表示如下：
Figure GDA0002441802160000074
其中，μij是xi的第j个隶属函数，cij是xi的第j个高斯隶属函数的中心，σj是xi的第j个高斯隶属函数的宽度，u1是每个变量的隶属函数的数量。
第3层：称为规则层，每个节点分别表示一个可能的模糊规则的前件，即IF部分。这里采用T-范数乘积算子，由每个输入变量的高斯隶属函数相乘，而且每条规则对应的各变量的隶属函数的宽度均相同。第j个规则Rj的输出为：
Figure GDA0002441802160000081
其中，X表示输入变量，X＝[x1,……,xr]；u0表示第四层神经元的个数；
Figure GDA0002441802160000082
是第j个RBF神经单元的中心。从神经网络的角度而言，该层的每个节点便是一个RBF神经单元节点，且神经单元的数目是在动态过程中时变的。因此，在FNN中，RBF神经单元节点数与模糊系统的规则数相等，这两个概念可以互换。
第4层：归一化层，每个节点分别表示一个N节点。每个N节点都是其对应前一层规则的输出占所有规则输出总和的比重。易知N节点数与模糊规则数相等。第j个节点Nj的输出为：
Figure GDA0002441802160000083
第5层：输出层，每个节点分别表示一个输出变量，该层表示模糊规则的后件，即THEN部分。它可以是单输出模式，也可以是多输出模式。这里仅以单输出模式为例进行推导，而多输出模式的结果也可以很容易地类推得到，所不同的仅是增加了需要调整的参数个数。FNN的输出为上一层所有输入信号按连接权值的线性叠加：
Figure GDA0002441802160000084
ωk＝ak0+ak1x1+ak2x2+…+akrxr
其中，y是输出变量，ωk是第k个(k＝1,2,…,u0)规则的连接权值；ak0～akr是x1～xr的系数，其表示神经网络的阈值，r是输入的个数，当x1～xr都为零的时候，ak0是最少的数。
本发明算例的输入为海生物密度、相对流速、相对风速、盐度和温度5个，神经网络为6个节点，因此隶属函数共为30个。
本发明根据海洋生物预警强度形成决策策略，但根据不同核电厂冷源具体情况，可对决策进行修改。
决策策略表
Figure GDA0002441802160000085
根据海生物密度和极端气候条件，本发明还建立了简易报警数据库。极端气候一般指飓风和大洋流情况，因此主要建立风、洋流和海生物密度之间的关系。数据库的补充和修改所需要的资料可以由使用方提供。
极端气候简易报警数据库
Figure GDA0002441802160000086
Figure GDA0002441802160000091
综上所述，本发明的核电厂冷源海域入侵海洋生物探测及处置方法，通过利用声呐探测器和水下摄影机对核电厂冷源海域的海洋生物情况进行检测，根据检测情况分别计算出第一海洋生物和第二海洋生物密度，并进行融合形成入侵海洋生物的综合密度，其计算的准确率达到了95﹪以上；之后兼顾海洋环境因素，并通过模糊神经网络算法得出海洋生物在核电厂冷源水域入侵强度指标，最终根据入侵强度形成决策策略表，为工作人员提供行之有效的处置方法。本发明的核电厂冷源海域入侵海洋生物探测及处置方法，其预警运算时间在30秒以内；根据仿真实验数据，预警误报率不大于5％，有效避免了因海洋生物的入侵而造成反应堆紧急停堆运行事件的发生。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述方法包括如下步骤：
(1)采集数据：分别利用声呐探测器和水下摄影机对核电厂冷源海域的海洋生物情况进行检测，获得声呐图像和视频图像；对核电厂冷源海域所处外界环境进行检测，获得外界环境参数，所述外界环境参数包括海水盐度、海水温度、海水流速、风速；
(2)数据传输和处理：将步骤(1)所得到的采集数据传送至服务器，由服务器对数据进行加工分类和处理，其中，对声呐图像进行处理得到第一海洋生物密度，对视频图像进行处理得到第二海洋生物密度，并且将第一海洋生物密度和第二海洋生物密度进行融合，形成核电厂冷源海域入侵海洋生物综合密度；将第一海洋生物密度和第二海洋生物密度进行融合的方法为：根据不同洋流条件下，第一海洋生物密度和第二海洋生物密度，计算平均相对密度值，进而计算平均相对密度的欧氏距离，即海生物的相对密度系数，最终计算得到以第一海洋生物密度和第二海洋生物密度为参考的海生物总密度；
(3)将步骤(2)所得核电厂冷源海域入侵海洋生物综合密度与外界环境参数通过多元回归模型估计和模糊神经网络算法得出海洋生物在核电厂冷源水域入侵强度指标。
2.根据权利要求1所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：步骤(2)中，对声呐图像进行处理得到第一海洋生物密度的方法包括:
a.根据声纳探测的水体，从最小半径到最大半径、由水平开角50°及纵向开角50°共分成N个球面片，记为A1，A2，.....An，它们所围成的分片水体为M个，记为V1，V2，.....Vm，其中N为100-150，M为N-1；
将水平开角(θ)与纵向开角(φ)进行N等分，将最小半径到最大半径进行N等分，建立以等分点为定点的曲面网格(H)，计算声纳听音器生成的声学波束与曲面网格(H)之间的Haussdorff距离，按最小Haussdorff距离将其投影到对应的球面片Aj上，这样将声呐图像的计算转化为计算球面片(Aj)中的目标物含量；
b.计算各球面片中的目标物含量:将每一球面片Ai映射到灰度图像(Ci)上，运用图像处理的方法计算水体中目标物含量，得到目标海洋生物密度，即为第一海洋生物密度。
3.根据权利要求2所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述N为128，第一海洋生物密度通过如下计算公式计算得到：
Figure FDA0002464989360000011
其中
Figure FDA0002464989360000012
V为声纳探测范围内海水的体积。
4.根据权利要求1所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：步骤(2)中对于视频图像进行处理得到第二海洋生物密度的方法包括：
依次将原始灰度图像进行图像锐化、边缘检测、边界闭合、孔洞填充，得到目标物与背景分割开来的二值图像；
将二值图像中目标物的像素个数除以图像的总像素个数得到第二海洋生物密度。
5.根据权利要求4所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述图像锐化采用梯度锐化算子，所述边缘检测采用Canny算子，所述边界闭合与孔洞填充采用形态学理论闭运算对二值图像进行闭合运算。
6.根据权利要求1所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：模糊神经网络算法采用5层的前向网络结构，包括：
第1层，输入层，每个节点分别表示一个输入的语言变量，输入变量总数为r1，每个节点分别表示一个输入的语言变量；
第2层，隶属函数层，每个节点分别表示一个隶属函数，选择高斯函数作为FNN的隶属函数，表示如下：
Figure FDA0002464989360000021
其中，μij是xi的第j个隶属函数，cij是xi的第j个高斯隶属函数的中心，σj是xi的第j个高斯隶属函数的宽度，u1是每个变量的隶属函数的数量；
第3层，规则层，每个节点分别表示一个可能的模糊规则的前件，即IF部分，这里采用T-范数乘积算子，由每个输入变量的高斯隶属函数相乘，而且每条规则对应的各变量的隶属函数的宽度均相同，第j个规则Rj的输出为：
Figure FDA0002464989360000022
Figure FDA0002464989360000023
是第j个RBF神经单元的中心，从神经网络的角度而言，该层的每个节点便是一个RBF神经单元节点，且神经单元的数目是在动态过程中时变的，因此，在FNN中，RBF神经单元节点数与模糊系统的规则数相等，这两个概念可以互换；
第4层，归一化层，每个节点分别表示一个N节点，每个N节点都是其对应前一层规则的输出占所有规则输出总和的比重，易知N节点数与模糊规则数相等，第j个节点Nj的输出为：
Figure FDA0002464989360000024
第5层，输出层，每个节点分别表示一个输出变量，该层表示模糊规则的后件，即THEN部分，它是单输出模式或者多输出模式，这里仅以单输出模式为例进行推导，而多输出模式的结果也可以很容易地类推得到，所不同的仅是增加了需要调整的参数个数，FNN的输出为上一层所有输入信号按连接权值的线性叠加：
Figure FDA0002464989360000025
ωk＝ak0+ak1x1+ak2x2+…+akrxr
其中，y是输出变量，ωk是第k个规则的连接权值，其中k＝1，2，…，u0。
7.根据权利要求6所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述输入层输入变量包括所属的入侵海洋生物综合密度、海水流速、风速、海水盐度、海水温度。
8.根据权利要求1所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述探测及处置方法还包括建立简易报警数据库，以建立风、洋流和海生物密度之间的关系。
9.根据权利要求1所述的核电厂冷源海域入侵海洋生物探测及处置方法，其特征在于：所述探测及处置方法还包括建立根据入侵海洋生物入侵强度形成决策策略表，所述决策策略表中包含入侵海洋生物强度与是否预警、预警等级以及拟采取措施之间的对应关系。
CN201711394306.XA 2017-12-21 2017-12-21 一种核电厂冷源海域入侵海洋生物探测及处置方法 Active CN108230302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711394306.XA CN108230302B (zh) 2017-12-21 2017-12-21 一种核电厂冷源海域入侵海洋生物探测及处置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711394306.XA CN108230302B (zh) 2017-12-21 2017-12-21 一种核电厂冷源海域入侵海洋生物探测及处置方法

Publications (2)

Publication Number Publication Date
CN108230302A CN108230302A (zh) 2018-06-29
CN108230302B true CN108230302B (zh) 2020-07-14

Family

ID=62647556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711394306.XA Active CN108230302B (zh) 2017-12-21 2017-12-21 一种核电厂冷源海域入侵海洋生物探测及处置方法

Country Status (1)

Country Link
CN (1) CN108230302B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190718B (zh) * 2018-11-07 2021-02-12 苏州热工研究院有限公司 一种核电厂海生物探测预警多源信息融合方法
CN110926433A (zh) * 2019-11-28 2020-03-27 中国船舶重工集团公司第七一九研究所 一种用于滨海核电站海洋致灾物预警系统
CN110852440B (zh) * 2019-12-02 2022-07-26 中国人民解放军国防科技大学 一种基于动态模糊神经网络的海洋锋预测方法
CN112344987A (zh) * 2020-09-30 2021-02-09 中船第九设计研究院工程有限公司 一种倒t型坞门用控制管道实时监控系统
CN112735619A (zh) * 2020-11-09 2021-04-30 海南核电有限公司 一种基于滨海核电厂海洋致灾物综合信息处理系统
CN112509260A (zh) * 2020-11-19 2021-03-16 岭澳核电有限公司 核电厂地下管道的入侵探测及视频复核装置、方法
CN112859056B (zh) * 2020-12-31 2024-02-20 中国水产科学研究院南海水产研究所 一种用于大型海洋生物的远程预警系统及方法
CN112817058B (zh) * 2021-01-25 2022-11-15 华中科技大学鄂州工业技术研究院 成群海洋生物预警方法、系统、电子设备及存储介质
CN112967302B (zh) * 2021-02-26 2024-04-05 岭澳核电有限公司 核电厂水下安保入侵目标的监测方法
CN115206040B (zh) * 2021-04-12 2023-08-04 南方科技大学 核电取水口的生物入侵预警方法、装置及终端
CN113658124B (zh) * 2021-08-11 2024-04-09 杭州费尔马科技有限责任公司 一种盘点水下养殖资产的方法
CN115341514A (zh) * 2022-09-05 2022-11-15 中广核工程有限公司 核电厂冷源安全综合设防系统
CN115713232B (zh) * 2022-11-12 2024-04-23 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) 一种刺参底播增殖风险联防预警系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204683A (zh) * 2016-07-13 2016-12-07 国家海洋信息中心 基于gis符号渲染和图元组合的海洋密度图绘制方法
CN106226770A (zh) * 2016-08-30 2016-12-14 阳江核电有限公司 核电站取水口水下环境监测系统
CN106441434A (zh) * 2016-10-09 2017-02-22 苏州热工研究院有限公司 一种核电厂冷源海域探测预警系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204683A (zh) * 2016-07-13 2016-12-07 国家海洋信息中心 基于gis符号渲染和图元组合的海洋密度图绘制方法
CN106226770A (zh) * 2016-08-30 2016-12-14 阳江核电有限公司 核电站取水口水下环境监测系统
CN106441434A (zh) * 2016-10-09 2017-02-22 苏州热工研究院有限公司 一种核电厂冷源海域探测预警系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Three-Dimensional Target Reconstruction From Multiple 2-D Forward-Scan Sonar Views by Space Carving;Murat D. Aykin等;《IEEE JOURNAL OF OCEANIC ENGINEERING》;20170901;第42卷;第574-589页 *
基于改进模糊神经网络的雷电活动预测模型研究;林敏;《中国优秀硕士学位论文全文数据库基础科学辑》;20141115(第11期);第A009-2页 *
基于数字全息成像的海洋浮游生物特征测量与提取;王圣旭;《中国优秀硕士学位论文全文数据库信息科技辑》;20140315(第3期);正文第2-7页、第39-50页、图3-17 *
提升核电厂冷源安全性的海生物探测技术研究;李建文等;《电力安全技术》;20171015;第19卷(第10期);第34-37页，图3、图5-7 *

Also Published As

Publication number Publication date
CN108230302A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230302B (zh) 一种核电厂冷源海域入侵海洋生物探测及处置方法
CN107818326B (zh) 一种基于场景多维特征的船只检测方法及系统
Jiao et al. A new approach to oil spill detection that combines deep learning with unmanned aerial vehicles
CN107145874B (zh) 复杂背景sar图像中的舰船目标检测与鉴别方法
Han et al. Marine organism detection and classification from underwater vision based on the deep CNN method
Wang et al. Real-time underwater onboard vision sensing system for robotic gripping
CN109376589B (zh) 基于卷积核筛选ssd网络的rov形变小目标识别方法
CN109800735A (zh) 一种船目标精确检测与分割方法
CN104200224A (zh) 基于深度卷积神经网络的无价值图像去除方法
CN109190718B (zh) 一种核电厂海生物探测预警多源信息融合方法
CN110108704A (zh) 一种蓝藻自动监测预警方法及其自动监测预警系统
CN110991257B (zh) 基于特征融合与svm的极化sar溢油检测方法
Rigos et al. A Chebyshev polynomial radial basis function neural network for automated shoreline extraction from coastal imagery
CN111968081B (zh) 鱼群自动计数方法、装置、电子设备及存储介质
CN107730539B (zh) 自主水下机器人控制系统及声纳目标跟踪方法
Yin et al. Improved PSPNet-based water shoreline detection in complex inland river scenarios
Ma et al. Underwater sea cucumbers detection based on improved SSD
Yao et al. LiDAR based navigable region detection for unmanned surface vehicles
Meng et al. A modified fully convolutional network for crack damage identification compared with conventional methods
CN117214904A (zh) 一种基于多传感器数据的鱼类智能识别监测方法和系统
CN108983178A (zh) 一种敏捷自适应的智能雷达海上目标检测系统
CN113064133A (zh) 一种基于时频域深度网络的海面小目标特征检测方法
CN116304590A (zh) 一种基于滑动窗口阈值的全球海洋中尺度锋面自动识别方法
CN114037737B (zh) 一种基于神经网络的近岸海底鱼类检测及跟踪统计方法
Li Construction method of swimming pool intelligent assisted drowning detection model based on computer feature pyramid networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant