CN108806199A - 基于id3算法和神经网络的海面溢油监测阈值设定方法 - Google Patents
基于id3算法和神经网络的海面溢油监测阈值设定方法 Download PDFInfo
- Publication number
- CN108806199A CN108806199A CN201810589195.6A CN201810589195A CN108806199A CN 108806199 A CN108806199 A CN 108806199A CN 201810589195 A CN201810589195 A CN 201810589195A CN 108806199 A CN108806199 A CN 108806199A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- neural network
- sea
- oil
- oil spilling
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于ID3决策树和神经网络的海面溢油监测系统阈值设定方法,主要解决现有技术不能很好地适用于监测环境复杂、探测距离多变的问题。监测系统通过互联网获取被监测海域的天气、潮汐、太阳高度、紫外线这些环境信息;根据设定的时间界限选择使用ID3决策树监测阈值或神经网络监测阈值;将被监测海面的监测数据进行匹配滤波处理并得到一个数据最大值,判断该最大值是否超过监测阈值,若是,则发送警报,若否,则判定海面未发生溢油;工作人员收到警报后,通过实时画面判断是否真正发生溢油,若是,则立即处理,若否,则人工修改阈值,并重新构造ID3决策树或训练神经网络。本发明提高了监测精度,可用于海面溢油监测。
Description
技术领域
本发明属于检测技术领域,尤其涉及一种海面溢油监测阈值设定方法,可用于海洋监测。
背景技术
海洋石油已经成为我国重要的能源战略资源,对促进我国经济的可持续发展有重要意义。随着海洋石油的开发和海洋交通运输业的不断进步,海上溢油事故接连不断,这不仅使生态系统遭受严重损害,而且对经济也造成了巨大的损失。
海洋溢油具有不可预见性和瞬时性等特点,尽管人们针对溢油做了众多准备,如何在第一时间确定溢油的发生仍然是重中之重。我国目前现有的溢油监测技术含量不高,并且不能及时获得准确、可靠的监控数据,很难实时的进行溢油监控,迫切需要一种实时对海面进行有效溢油监测的系统,在事故发生的时候能时报警,以便工作人员做出反应并采取有效措施,将各种损失降到最低。
当前对溢油进行监测的主要模式包括卫星和航空飞机遥感监测、巡逻船和浮标跟踪等非定点监测、CCTV及紫外线等定点监测,本方法主要用于定点监测设备,其监测原理是把探测传感器固定安装在被监测水域的码头或桥梁的一个固定物体上进行监测,进行在线24小时的溢油监测,反应快捷灵敏,而且还能在发现溢油时快速报警,同时发送溢油地点和现场图像等重要信息。
现有基于地基平台的水面油膜监视与监测设备,多采用紫外诱导油荧光的原理进行溢油监测,采用紫外激光或脉冲氙灯或LED作为激发光源,采用光电探测器进行信号采集,通过对信号强度进行阈值判断判定是否发生溢油。
这类仪器在实际使用中通常遇到两类问题:
一是由于荧光信号本身较弱,采集的信号信噪比低,影响了仪器的精度和检测门限的设定;
二是现有设备往往不能自适应探测距离的变化,当潮汐或外界环境变化导致监测距离发生变化时,监测信号强度会明显改变,从而使先前设定的阈值失效,不能正确的判断是否发生了溢油。
发明内容
本发明的目的在于针对上述现有技术的不足,提供一种基于ID3决策树和神经网络的海面溢油监测阈值设定方法,以自适应改变海面溢油监测系统的阈值,提高溢油监测的可靠性。
本发明的技术思路是:通过构建ID3决策树和训练神经网络来进行阈值的设定,以适应天气、时间、气候、潮汐这些环境的变化,获得在不同环境下的精确阈值,其实现步骤包括如下:
(1)海面溢油监测系统从互联网获取被监测海域的天气、潮汐、太阳高度、紫外线强度这些环境信息和当前的时间;
(2)根据环境信息构造ID3决策树,得到ID3决策树监测阈值T1;根据天气信息和时间信息训练神经网络得到神经网络监测阈值T2;
(3)将被监测海域的溢油数据存入数据库,溢油监测系统读取数据库中的监测数据并进行匹配滤波处理;
(4)将对海面溢油的监测分为两个时间段,即将从安装监测系统起三年内作为第一个监测时间段,三年以后作为第二个监测时间段;
(5)根据设定的时间段,判定海面是否发生溢油:
在第一个监测时间段,将经匹配滤波处理后的数据最大值T与ID3决策树监测阈值T1进行比较:若T>T1,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
在第二个监测时间段,将经匹配滤波处理后的数据最大值T与神经网络监测阈值T2进行比较:若T>T2,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
(6)工作人员收到报警信号后,通过监测系统传输模块传送的实时画面判断是否发生溢油:
若海面发生溢油,则通知工作人员采取有效措施处理溢油事故;
若海面未发生溢油,则人工修改阈值,并返回步骤(2)重新构造ID3决策树或训练神经网络。
本发明与现有技术相比具有如下优点:
1、监测阈值可靠
常见的基于紫外光诱导荧光技术方法,通常需要事先设定一个经验阈值,但是荧光信号的强度会随着环境变化而变化,故这种方法虚警率较高;本发明根据被监测海域的天气、潮汐、太阳高度、紫外线等实时环境信息作为ID3决策树的特征来构建决策树,得到ID3决策树监测阈值的方法,可以适应环境变化和监测距离变化自适应的修改阈值,得到相对可靠的监测阈值。
2、监测阈值精确
本发明将对海面溢油的监测分为两个时间段,即将从安装监测系统起三年内作为第一个监测时间段,三年以后作为第二个监测时间段。由于第一个监测时间段,采集的海面溢油数据信息比较少,通过环境信息构造ID3决策树可以得到相对可靠的监测阈值;第二个监测时间段由于已经得到了大量的海面溢油数据信息作为训练样本,这时根据被监测海域的天气信息和时间信息训练神经网络,从而可以适应外界环境变化,设置的监测阈值更加精确。
附图说明
图1是本发明的实现流程图;
图2是本发明中计算太阳高度的子流程图;
图3是本发明中基于ID3决策树的海面溢油监测系统阈值设定子流程图;
图4是本发明中基于神经网络的海面溢油监测系统阈值设定子流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
本实例针对的系统是海面溢油监测系统,该系统包括激发与探测模块、控制与信号采集处理模块、无线通信模块、声光报警模块和摄像模块五个模块,其中激发与探测模块通过探测设备接收监测区域荧光信号并将其转换成模拟电路信号,获取得到海面的荧光数据;控制与信号采集处理模块用于控制协调整个系统的正常工作,并将前面的激发与探测模块获得的模拟信号转换成数字信号传输给信号处理部分,并对数据做相应处理;无线通信模块用于把收集得到的海面溢油数据通过无线数据传输或电缆的传输模式传送给计算机终端,得到的海面溢油数据作为后期ID3决策树和神经网络监测阈值设定的训练样本,同时也为海面是否发生溢油提供判定依据;声光报警模块,在经匹配滤波处理后的数据最大值超过当前监测阈值时,发出警报通知工作人员;摄像模块通过一个摄像头传送海面的实时画面便于工作人员判定海面是否真的发生溢油。该海面溢油监测系统安装在港口、码头这些重点监测区域,且采用定点监测模式。现有技术通常事先设定一个固定不变的经验阈值,但是荧光信号的强度会随着环境变化而变化,会产生较高的虚警率。
本发明针对所述海面溢油监测系统提出一种基于ID3决策树和神经网络的海面溢油监测阈值设定方法,以根据被监测海域的天气、潮汐、太阳高度、紫外线等实时环境信息自适应的修改阈值,得到精确可靠的检测阈值,降低虚警率。
参照图1,本发明的实施步骤如下:
步骤1:设定环境变量的参数。
设定天气参数:包括雨天、雾天、多云天、晴天四种天气状态,并用数字0、1、2、3分别量化,即用0代表雨天,1代表雾天,2代表多云天,3代表晴天;
设定时间参数:包括六个时间段,并用数字4、5、6、7、8、9分别量化,即用4代表0:00-3:00时间段,5代表4:00-7:00时间段,6代表8:00-11:00时间段,7代表12:00-15:00时间段,8代表16:00-19:00时间段,9代表20:00-23:00时间段;
设定紫外线强度参数:包括强度较弱、强度弱、强度一般、强度较强、强度强五种强度,并用数字10、11、12、13、14分别量化,即用10代表强度较弱,11代强度表弱,12代表强度一般,13代表强度较强,14代表强度强;
设定潮汐参数,包括:涨潮和没有涨潮,并用数字15、16分别量化,即15代表涨潮,16代表没有涨潮;
上述天气、时间、紫外线强度、潮汐这些信息从互联网上每隔一个小时获取一次。
步骤2:存储溢油数据。
使用MySQL软件建立数据库,将串口获取到的溢油数据存入到已构建的数据库作为训练样本,此数据库的字段包括当前时间编码和当前监测值,当前时间编码精确到秒,如“20180119125203”表示2018年1月19日12:52:03;
溢油监测系统读取数据库中的监测数据并进行匹配滤波处理,此处匹配滤波的目的是提高信噪比。
步骤3:划分海面溢油监测时间段。
本发明根据ID3决策树算法和神经网络算法的优缺点,将海面溢油监测时间段划分为两个阶段:
决策树的优点是可以根据少量样本快速构建,且能够在短时间内提供相对可靠的监测阈值,但不足是如果需要更加精确的监测阈值会增加算法的时间复杂度和空间复杂度;
神经网络的优点是能够得到比ID3决策树更加精确的监测阈值,但其缺点是监测阈值需要根据大量的海面监测数据作为样本进行训练后才能得到;
鉴于决策树和神经网络的优缺点进行相互补充,因此在后期已经得到大量海面监测数据后采用神经网络可得到更加精确的监测阈值,故把海面溢油的监测分为两个时间段,即将从安装监测系统起三年内作为第一个监测时间段,三年以后作为第二个监测时间段。并在第一个监测时间段选取ID3决策树监测阈值T1,在第二个监测时间段选取神经网络监测阈值T2。
步骤4:在第一个监测时间段,根据环境信息构造ID3决策树得到ID3决策树监测阈值T1。
参照图3,本步骤的具体实现如下:
(3a)计算太阳高度:
参照图2,本步骤的计算如下:
(3a1)查找本机IP地址;
(3a2)根据本机IP地址从互联网获取当前所在地区,精确到市;
(3a3)从互联网上已搭建的经纬度数据库中获取当前城市的经纬度;
(3a4)根据当前时间及经纬度计算当前太阳高度:
日出时间计算公式:
T1=24*(180+zone*15-longitude-arccos(-tan(-23.4*cos(360*(dateSequence+9)/365))*tan(latitude))/360
日落时间计算公式:
T2=24*(1+(zone*15-longitude)/180)-t
其中zone表示时区,东半球为正,西半球为负,我国处于东八区,因此zone=8,longitude为当前地区的经度,latitude为当前地区的纬度,dateSequence为当前日期在这一年中的序列数,如2月11日为第42天。
(3b)把天气、潮汐、太阳高度、紫外线强度这四个环境变量作为ID3决策树4个不同的属性,每个属性均作为ID3决策树的一个节点,从步骤1可知,每个属性分别设定了不同的量化参数值,此节点可根据属性的量化参数取值分裂成多个子节点,例如,以天气为例,天气可作为ID3决策树的一个节点,此节点根据天气的四个量化参数取值0、1、2、3分裂成四个不同的子节点。
(3c)选择信息增益最大的属性作为最优的分裂属性,这个最优分裂属性即作为ID3决策树的最优分裂节点,然后对该最优分裂节点进行分裂生成多个子节点;
(3d)对分裂后的子节点,重复(3c)过程,为每个子节点选择最优分裂属性继续进行分裂,直至没有可分裂的属性为止,构建得到ID3决策树;
(3e)把当前天气、潮汐、太阳高度、紫外线强度这些环境信息放到ID3决策树里进行决策,得到ID3决策树监测阈值T1。
步骤5:在第二个监测时间段,根据天气信息和时间信息训练神经网络得到神经网络监测阈值T2。
参照图4,本步骤的具体实现如下:
(4a)选用BP神经网络作为被训练的神经网络模型,该神经网络共有3层:输入层、隐藏层、输出层;
(4b)设定神经网络模型的输入层有2个神经元,隐藏层有4个神经元,输出层有1个神经元;
(4c)对时间信息进行编码,编码形式为月日时分,比如“01191352”表示1月19日13时52分,该编码可以涵盖日出日落、涨潮退潮、一年四季紫外线强度等随时间变化的详细信息;
(4d)将步骤1设定的天气参数和(4c)的时间信息编码作为输入层的2个神经元,放到神经网络里进行训练,得到神经网络监测阈值T2。
步骤6:根据设定的时间段,判定海面是否发生溢油。
将采集到的海面荧光数据经过匹配滤波器进行处理,从经匹配滤波处理后的数据中找到一个数据最大值T。
在第一个监测时间段,将T与ID3决策树监测阈值T1进行比较:若T>T1,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
在第二个监测时间段,将T与神经网络监测阈值T2进行比较:若T>T2,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
步骤7:人工判定是否发生溢油。
工作人员接到警报后,通过监测系统的实时画面传输模块判断是否发生溢油:
若是,则返回步骤4或步骤5,即在第一个监测时间段,根据环境信息构造ID3决策树,在第二个监测时间段,根据天气信息和时间信息训练神经网络。
若否,则说明发生误报,人工修改阈值T`=1.2*T,该修改后的阈值是根据划分的监测时间段设定,即在第一个监测时间段,通过当前天气、潮汐、紫外线强度、太阳高度和T`重新构造决策树;在第二个监测时间段,通过当前时间、天气及T`重新训练神经网络。
以上描述仅是本发明的一个具体实例,并未构成对本发明的任何限制,显然对于本领域的专业人员来说,在了解了本发明内容和原理后,都可能在不背离本发明原理、结构的情况下,进行形式和细节上的各种修改和改变,但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (7)
1.一种海面溢油监测系统的阈值设定方法,其特征在于,包括以下步骤:
(1)海面溢油监测系统从互联网获取被监测海域的天气、潮汐、太阳高度、紫外线强度这些环境信息和当前的时间;
(2)根据环境信息构造ID3决策树,得到ID3决策树监测阈值T1;根据天气信息和时间信息训练神经网络得到神经网络监测阈值T2;
(3)将被监测海域的溢油数据存入数据库,溢油监测系统读取数据库中的监测数据并进行匹配滤波处理;
(4)将对海面溢油的监测分为两个时间段,即将从安装监测系统起三年内作为第一个监测时间段,三年以后作为第二个监测时间段;
(5)根据设定的时间段,判定海面是否发生溢油:
在第一个监测时间段,将经匹配滤波处理后的数据最大值T与ID3决策树监测阈值T1进行比较:若T>T1,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
在第二个监测时间段,将经匹配滤波处理后的数据最大值T与神经网络监测阈值T2进行比较:若T>T2,则判定海面发生溢油,触发报警装置,否则,判定海面没有发生溢油;
(6)工作人员收到报警信号后,通过监测系统传输模块传送的实时画面判断是否发生溢油:
若海面发生溢油,则通知工作人员采取有效措施处理溢油事故;
若海面未发生溢油,则人工修改阈值,并返回步骤(2)重新构造ID3决策树或训练神经网络。
2.根据权利要求1所述的方法,其特征在于,步骤(1)中被监测海域的天气、潮汐和紫外线强度这些信息,从互联网上每隔一个小时获取一次。
3.根据权利要求1所述的方法,其特征在于,步骤(1)的太阳高度,通过当前时间和当地地理经纬度计算得到。
4.根据权利要求1所述的方法,其特征在于,步骤(2)中根据环境信息构造ID3决策树,按以下步骤进行:
(2a)把天气、潮汐、太阳高度、紫外线强度作为ID3决策树的4个不同的属性特征;
(2b)计算4个不同属性特征的信息增益,选取信息增益最大的属性特征作为最佳属性生成根节点属性,然后为根结点属性的每个可能值产生一个分支,并把其它属性特征作为训练样本排列到适当的分支之下;
(2c)重复(2b)过程,选取每个分支下信息增益最大的属性特征作为最佳属性特征生成每个分支节点的节点属性,构建得到ID3决策树;
(2d)把当前天气、潮汐、太阳高度、紫外线强度这些环境信息放到ID3决策树里进行决策,得到ID3决策树监测阈值T1。
5.根据权利要求1所述的方法,其特征在于,步骤(2)中根据被监测海域的天气信息和时间信息训练神经网络得到神经网络监测阈值T2,按以下步骤进行:
(2e)选用BP神经网络作为被训练的神经网络模型,该神经网络共有3层:输入层、隐藏层、输出层;
(2f)设定神经网络模型的输入层有2个神经元,隐藏层有4个神经元,输出层有1个神经元;
(2g)把天气信息和时间信息作为输入层的2个神经元,放到神经网络里进行训练,得到神经网络监测阈值T2。
6.根据权利要求1所述的方法,其特征在于,所述海面溢油监测系统,包括:
激发与探测模块,用于获取海面的荧光数据;
控制与信号采集处理模块,用于控制协调整个系统的正常工作;
无线通信模块,用于把收集得到的海面溢油数据传送给计算机终端进行后期处理;
声光报警模块,用于在海面发生溢油时发出警报通知工作人员;
摄像模块,用于传送海面的实时画面便于工作人员判定海面是否真的发生溢油。
7.根据权利要求6所述的方法,其特征在于,所述海面溢油监测系统,安装在港口、码头这些重点监测区域,且采用定点监测模式,采集到的数据通过无线数据传输或电缆的传输模式发送到控制中心,以进行实时画面显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589195.6A CN108806199B (zh) | 2018-06-08 | 2018-06-08 | 基于id3算法和神经网络的海面溢油监测阈值设定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589195.6A CN108806199B (zh) | 2018-06-08 | 2018-06-08 | 基于id3算法和神经网络的海面溢油监测阈值设定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108806199A true CN108806199A (zh) | 2018-11-13 |
CN108806199B CN108806199B (zh) | 2020-06-23 |
Family
ID=64088132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810589195.6A Expired - Fee Related CN108806199B (zh) | 2018-06-08 | 2018-06-08 | 基于id3算法和神经网络的海面溢油监测阈值设定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108806199B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN110646390A (zh) * | 2019-09-27 | 2020-01-03 | 昆山智易知信息科技有限公司 | 一种基于无人机平台的水面油污监测系统及方法 |
CN111601047A (zh) * | 2020-04-28 | 2020-08-28 | 汕头大学 | 一种油液泄漏图像采集方法 |
CN113899719A (zh) * | 2020-06-18 | 2022-01-07 | 中国石油化工股份有限公司 | 溢油检测方法、检测装置及检测系统 |
RU2774068C1 (ru) * | 2021-07-22 | 2022-06-15 | Публичное акционерное общество "Газпром" | Способ оценки экологической эффективности методов ликвидации углеводородных загрязнений |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003028745A (ja) * | 2001-07-10 | 2003-01-29 | Japan Radio Co Ltd | オイル漏れ探知装置 |
CN202204489U (zh) * | 2011-09-06 | 2012-04-25 | 北京康达环境工程有限公司 | 一种溢油短信报警监测控制装置 |
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | 中国移动通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN104616303A (zh) * | 2015-02-11 | 2015-05-13 | 西安电子科技大学 | 一种基于紫外图像的水面溢油检测系统和方法 |
CN104807900A (zh) * | 2015-04-28 | 2015-07-29 | 浙江海洋学院 | 海面溢油监测系统 |
CN104833666A (zh) * | 2015-05-08 | 2015-08-12 | 中石化石油工程技术服务有限公司 | 一种溢油检测终端、系统及方法 |
WO2015119908A1 (en) * | 2014-02-07 | 2015-08-13 | Control Interfaces LLC | Remotely operated manipulator and rov control systems and methods |
CN105388134A (zh) * | 2015-10-19 | 2016-03-09 | 青岛市光电工程技术研究院 | 一种荧光信号增强的距离自适应溢油监测方法 |
CN205280585U (zh) * | 2015-10-19 | 2016-06-01 | 青岛市光电工程技术研究院 | 一种距离自适应海洋溢油监测设备 |
CN105844298A (zh) * | 2016-03-23 | 2016-08-10 | 中国石油大学(华东) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
CN106769882A (zh) * | 2016-11-01 | 2017-05-31 | 深圳先进技术研究院 | 溢油监测仪及其监测方法 |
US20170228635A1 (en) * | 2014-10-30 | 2017-08-10 | Sas Institute Inc. | Generating accurate reason codes with complex non-linear modeling and neural networks |
CN107632001A (zh) * | 2017-08-08 | 2018-01-26 | 西安电子科技大学 | 基于非均匀脉冲调制的海面溢油监测方法 |
-
2018
- 2018-06-08 CN CN201810589195.6A patent/CN108806199B/zh not_active Expired - Fee Related
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003028745A (ja) * | 2001-07-10 | 2003-01-29 | Japan Radio Co Ltd | オイル漏れ探知装置 |
CN102567391A (zh) * | 2010-12-20 | 2012-07-11 | 中国移动通信集团广东有限公司 | 一种分类预测混合模型的建立方法及装置 |
CN202204489U (zh) * | 2011-09-06 | 2012-04-25 | 北京康达环境工程有限公司 | 一种溢油短信报警监测控制装置 |
WO2015119908A1 (en) * | 2014-02-07 | 2015-08-13 | Control Interfaces LLC | Remotely operated manipulator and rov control systems and methods |
US20170228635A1 (en) * | 2014-10-30 | 2017-08-10 | Sas Institute Inc. | Generating accurate reason codes with complex non-linear modeling and neural networks |
CN104616303A (zh) * | 2015-02-11 | 2015-05-13 | 西安电子科技大学 | 一种基于紫外图像的水面溢油检测系统和方法 |
CN104807900A (zh) * | 2015-04-28 | 2015-07-29 | 浙江海洋学院 | 海面溢油监测系统 |
CN104833666A (zh) * | 2015-05-08 | 2015-08-12 | 中石化石油工程技术服务有限公司 | 一种溢油检测终端、系统及方法 |
CN105388134A (zh) * | 2015-10-19 | 2016-03-09 | 青岛市光电工程技术研究院 | 一种荧光信号增强的距离自适应溢油监测方法 |
CN205280585U (zh) * | 2015-10-19 | 2016-06-01 | 青岛市光电工程技术研究院 | 一种距离自适应海洋溢油监测设备 |
CN105844298A (zh) * | 2016-03-23 | 2016-08-10 | 中国石油大学(华东) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
CN106769882A (zh) * | 2016-11-01 | 2017-05-31 | 深圳先进技术研究院 | 溢油监测仪及其监测方法 |
CN107632001A (zh) * | 2017-08-08 | 2018-01-26 | 西安电子科技大学 | 基于非均匀脉冲调制的海面溢油监测方法 |
Non-Patent Citations (1)
Title |
---|
孙乐: ""基于紫外光源调制的溢油检测系统研制"", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919123A (zh) * | 2019-03-19 | 2019-06-21 | 自然资源部第一海洋研究所 | 基于多尺度特征深度卷积神经网络的海面溢油检测方法 |
CN110646390A (zh) * | 2019-09-27 | 2020-01-03 | 昆山智易知信息科技有限公司 | 一种基于无人机平台的水面油污监测系统及方法 |
CN111601047A (zh) * | 2020-04-28 | 2020-08-28 | 汕头大学 | 一种油液泄漏图像采集方法 |
CN113899719A (zh) * | 2020-06-18 | 2022-01-07 | 中国石油化工股份有限公司 | 溢油检测方法、检测装置及检测系统 |
RU2774068C1 (ru) * | 2021-07-22 | 2022-06-15 | Публичное акционерное общество "Газпром" | Способ оценки экологической эффективности методов ликвидации углеводородных загрязнений |
Also Published As
Publication number | Publication date |
---|---|
CN108806199B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806199A (zh) | 基于id3算法和神经网络的海面溢油监测阈值设定方法 | |
Smith et al. | The ocean observatories initiative | |
CN105403680B (zh) | 一种基于浮标在线监测数据的赤潮短期预警方法及用途 | |
CN109002888B (zh) | 一种赤潮预警方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
Bonamano et al. | The Civitavecchia Coastal Environment Monitoring System (C-CEMS): a new tool to analyze the conflicts between coastal pressures and sensitivity areas | |
CN111965321A (zh) | 一种用于实时追踪监测大区域海洋环境的多功能监测系统 | |
CN111311081A (zh) | 基于多源异构数据的海洋生态异常危险识别方法及装置 | |
CN112801381A (zh) | 一种水母灾害早期预警方法 | |
Glenn et al. | Operational observation networks for ports, a large estuary and an open shelf | |
CN113706354A (zh) | 一种基于大数据技术的海洋综合业务管理系统 | |
CN113487094A (zh) | 一种海洋数据管理应用平台 | |
Coutinho et al. | Towards a novel architectural design for IoT-based smart marine aquaculture | |
Tadrist et al. | Towards Low-Cost IoT and LPWAN-Based flood forecast and monitoring system | |
Choi et al. | Automatic sea fog detection and estimation of visibility distance on CCTV | |
CN212658702U (zh) | 一种用于实时追踪监测大区域海洋环境的多功能监测系统 | |
Goharnejad et al. | Forecasting the Sea Level Change in Strait of Hormuz | |
CN114866569A (zh) | 一种基于区块链技术的海洋自然灾害上报公示系统 | |
Pierini et al. | Investigating prediction performance of an artificial neural network and a numerical model of the tidal signal at Puerto Belgrano, Bahia Blanca Estuary (Argentina) | |
ADIGUN et al. | Coastal water level prediction model using adaptive neuro-fuzzy inference system | |
Barrerra et al. | Real-time monitoring network in the Macaronesian region as a contribution to the Coastal Ocean Observations Panel (COOP) | |
CN118469788B (zh) | 一种基于多点采样的海洋生态数据预警监测系统 | |
CN117949046B (zh) | 面向异常水团的集群组网式海洋环境跟踪监测方法及系统 | |
Nanda et al. | Wireless Sensor Network for Super Cyclone Prediction using Artificial Neural Network | |
CN113759406A (zh) | 一种海上应急救援系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 |