CN112185396B - 一种基于被动声学的海上风电场生物监测方法及系统 - Google Patents
一种基于被动声学的海上风电场生物监测方法及系统 Download PDFInfo
- Publication number
- CN112185396B CN112185396B CN202010950014.5A CN202010950014A CN112185396B CN 112185396 B CN112185396 B CN 112185396B CN 202010950014 A CN202010950014 A CN 202010950014A CN 112185396 B CN112185396 B CN 112185396B
- Authority
- CN
- China
- Prior art keywords
- sound
- signals
- wind farm
- signal
- marine
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005236 sound signal Effects 0.000 claims abstract description 103
- 238000010276 construction Methods 0.000 claims abstract description 55
- 238000001914 filtration Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 57
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims 1
- 238000011897 real-time detection Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000004791 biological behavior Effects 0.000 description 7
- 230000005284 excitation Effects 0.000 description 6
- 241000283153 Cetacea Species 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000124008 Mammalia Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010011878 Deafness Diseases 0.000 description 1
- 241000722088 Synanceia Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/26—Recognition of special voice characteristics, e.g. for use in lie detectors; Recognition of animal voices
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L17/00—Speaker identification or verification techniques
- G10L17/06—Decision making techniques; Pattern matching strategies
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于被动声学的海上风电场生物监测方法及系统，所述方法包括：通过水听器获取风电场海域生物发生的音频流、船舶噪声和海上风电场施工噪音；通过声学信号采集卡对水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；通过预设声音程序过滤数字音频信号的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；采用NI LabVIEW程序实时显示并分析海洋生物声音信号，得到对应的海洋生物数据，以使根据海洋生物数据完成海上风电场的生物监测。本发明能够综合考虑海洋生物数据以及外界噪声进行海洋生物信号的实时检测和分类，提高海洋生物监测的实时性和全面性。
Description
技术领域
本发明涉及海洋生态环境监测技术领域，尤其是涉及一种基于被动声学的海上风电场生物监测方法及系统。
背景技术
随着我国明确提出建设海洋强国的战略目标，海上风电作为海洋新兴产业和新海洋经济增长点，发展迅猛。我国海上风电开发起步较晚，机遇与挑战并存。因此对于海上风电场开发越发重视。
在海上风电场建设前期，必须进行地质勘探，如使用大功率声信号探测源等会带来高强度的水下噪声和地质勘探中航船的辐射水下噪声。风电场建设期，打桩施工会向水下辐射较高强度、宽频带的噪声，对海洋生物如海洋哺乳动物和石首科鱼类等将造成一定范围的影响；并且在风电场建设期间会在水中以及海床产生高强度的施工噪声，当海洋中人为噪声足够大并且鱼类相对靠近声源时，会造成鱼类死亡或者听力丧失，但其影响是短期的，随着施工结束而停止。而在风电场运营期间，由于风机的运转和机舱内的机械振动均会带来水下噪声，风电机组的运行噪声的影响是长期的，虽然噪声强度并不能够导致鱼类听觉的损伤，但会引起鱼类行为上的反应。且这个过程是海上风电场整个生命周期中最长的一个阶段。由此可见，需要对风电场整个生命周期进行全天候、实时性的海洋生物监测。近年以来，现有技术已经能够通过水听器(阵列)的方法对海洋生物进行数据采集，利用提取到的哺乳动物发声数据，对哺乳动物发声规律进行研究。
但是，在对现有技术的研究与实践的过程中，本发明的发明人发现，现有技术通过水听器对海洋生物进行数据采集和研究会存在以下缺陷，一方面，由于现有技术需要在数据采集完成后才能通过读取存储卡中的数据进行数据分析，无法保证实时获取并监测海洋生物声音的波形图以及频谱图，而这仅仅适用于离线哺乳动物发生规律的研究，但在海上风电场施工建设期，往往海洋哺乳动物出现在相关海域的可能性较大，自容式水听器阵列不能够及时地反映风电场施工期间的海洋生物行为变化，从而不能做出及时决策，在此情况下，可能会对海洋生物造成潜在性影响。另一方面，海洋哺乳动物的通讯信号是一种幅度和频率随时间变化的连续信号，持续时间从十分之几秒到几秒不等，频率分布主要集中在声频范围内，一般几千到几十千赫兹之间，主要用来种群交流、情感表达、远距离通讯、个体识别等；应急突发信号一般在生物生气、害怕、懊恼、沮丧时发出；由于海洋生物声音信号是在特定情况下发出的，难于描述以及采集，现有技术对海洋生物的监测仅仅局限于对生物发声规律的研究，缺乏海洋生物监测的信息全面性。
因此，亟需一种实时的、连续的、高效的方法对海上风电海域生物行为进行监测，为海洋经济高质量发展和能源可持续发展提供重要的科技支撑和决策支持，实现海洋生态文明建设，实现海上风电开发和海洋生态保护双赢。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于被动声学的海上风电场生物监测方法及系统，能够综合考虑海洋生物数据以及外界噪声，有效进行海洋生物信号的实时检测和分类。
为解决上述问题，本发明的一个实施例提供了一种基于被动声学的海上风电场生物监测方法，至少包括如下步骤：
通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；
在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；
通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；
采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
进一步地，所述基于被动声学的海上风电场生物监测方法，还包括：
通过所述NI LabVIEW程序中的声音与振动信号处理工具包以及自定义声音处理代码对所述海洋生物数据进行在线分析。
进一步地，所述基于被动声学的海上风电场生物监测方法，还包括：
在所述水听器放置前，对所述水听器进行参数设定；其中，所述参数包括采样率、采样间隔和启动录音时间。
进一步地，所述预设采集条件，具体为：
通过NI LabVIEW程序实时FFT分析所述水听器采集的原始音频数据，当判定所述原始音频数据中的频率大于预设阈值时，开始水下生物的声音采集。
进一步地，所述分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号，包括：
预先分别对所述海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号的时间特征和频率特性进行特征分析；
采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类。
进一步地，所述采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类，具体为：
采用模板匹配以及带限能量和方法从所述数字音频信号中提取出目标信号；
对所述目标信号的特征参数进行统计分析后，通过神经网络和深度学习算法对所述目标信号进行分类识别；
在完成分类识别后进行人工校正和标注。
进一步地，所述采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，具体为：
采用NI LabVIEW程序分析所述海洋生物声音信号的时间特性、频率特性和声谱特性，得到对应的时域特征参数、频域特征参数和时频域特征参数；
将所述时域特征参数、频域特征参数和时频域特征参数输入至预设的分类算法中，通过神经网络和深度学习算法进行分类识别，得到对应的海洋生物数据。
本发明的一个实施例提供了一种基于被动声学的海上风电场生物监测系统，包括：
水下原始音频采集模块，用于通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；
水下生物声音采集模块，用于在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；
生物声音检测模块，用于通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；
生物声音分析模块，用于采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
本发明的一个实施例还提供了一种基于被动声学的海上风电场生物监测的终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于被动声学的海上风电场生物监测方法。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于被动声学的海上风电场生物监测方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种基于被动声学的海上风电场生物监测方法及系统，所述方法包括：通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；采用NILabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
与现有技术相比，本发明实施例能够综合考虑了海洋生物声音数据、海上风电船舶声音数据、海上风电施工声音数据以及其他背景噪声数据，增强了海洋生物学行为研究的参考性，即在海上风电场打桩、海上风电船舶噪声干扰等外界激励存在的情况下，都可以实时的进行监测分析海洋生物信号特性。同时，本发明实施例采用声音采集设备、检测分析算法、稳定性高的NI采集卡以及自定义LabVIEW声音处理程序对海上生物进行监测和分析，能够提高生物监测的实时性和稳定性。
附图说明
图1为本发明第一实施例提供的一种基于被动声学的海上风电场生物监测方法的流程示意图；
图2为本发明第一实施例提供的另一种基于被动声学的海上风电场生物监测方法的流程示意图；
图3为本发明第二实施例提供的一种基于被动声学的海上风电场生物监测系统的结构示意图；
图4为本发明第二实施例提供的另一种基于被动声学的海上风电场生物监测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
首先介绍本发明可以提供的应用场景，如对海上风电场范围内的海洋生物信号进行生物监测。
本发明第一实施例：
请参阅图1-2。
如图1所示，本实施例提供了一种基于被动声学的海上风电场生物监测方法，至少包括如下步骤：
S101、通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储。
具体的，对于步骤S101，本实施例采用的水听器为RESON超宽带球形水听器。为获取不同位置生物原音频，其使用4台水听器组成阵列，拟布置于海上平台水下固定装置。通过获取风电场海域生物发生音频流、船舶噪声以及海上风电场施工噪音，为实时分析海上风电建设工程与海洋生物学行为研究以及后续离线分析海洋生物发声信号规律提供了原始数据。
在优选的实施例中，所述基于被动声学的海上风电场生物监测方法，还包括：
在所述水听器放置前，对所述水听器进行参数设定；其中，所述参数包括采样率、采样间隔和启动录音时间。
具体的，在水听器布放前，需要对水听器进行参数设定，比如采样率、采样间隔、启动录音时间等。由于风电场海域生物发生音频流、船舶噪声和海上风电场施工噪声都是水下的声音，可以在水中传播，类似声音在空气中的传播机理。因此在水听器布放入水后，可以启动侦听所有水下声信号(需要侦听的声音在水听器的频率范围内即可)，并转换为电信号存储。
S102、在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号。
具体的，对于步骤S102，采用NI声学信号采集卡对步骤S101获取的原始音频数据(模拟信号)转为数字信号，预先设置声学信号采集卡的采样率、采集文件存储路径、滤波设置以及触发模式。采集通道具备滤波器功能，可以进行低通、高通、带通、带阻等设置，根据实际情况设置，也可以不用；触发指采集通道受外部激励信号触发后，启动采集工作，避免从开机运行程序就开始采集，产生过多无用数据。
对于水下生物声音采集，本实施例采用的Nyquist采样定理：只需找到信号最大的频率分量(通常本领域技术人员都会对目标信号有先验知识，知道它大概的频率，所以通常在信号采集的设置中，设置2倍以上，一般设置5-10倍采样率更好)，再用2倍于最大频率分量的采样频率对信号进行采样，离散信号能够重建出连续信号的问题。因此该NI采集卡在采集前，根据目标信号的最大频率设置采样率(2倍以上)，将水听器输出端接入NI采集卡输入端和BNC接口，即可进行水下生物声音的采集。
在优选的实施例中，所述预设采集条件，具体为：
通过NI LabVIEW程序实时FFT分析所述水听器采集的原始音频数据，当判定所述原始音频数据中的频率大于预设阈值时，开始水下生物的声音采集。
具体的，选择合适的外部激励信号做触发源(可以忽略硬件触发方式，本实施例中使用软件触发方式)，避免在开机运行程序开始时，采集通道就启动采集工作，避免无用数据的产生。本实施例采用的软件触发方法，主要通过LabVIEW实时FFT分析采集信号，当频率大于某个阈值时，触发采集，闭环反馈。
在具体的实施例中，在初始状态时，对所有音频数据进行采集，转换为数字信号后，接入电脑端，采集卡把数字信号还原成模拟信号的数值，电脑端的LabVIEW程序对还原后的模拟信号进行实时查看和分析(比如频谱分析)，在后面的程序循环中，可以设置当频率大于某个阈值，才进行采集。
S103、通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号。
具体的，对于步骤S103，通过水下原始生物声音获取装置以及水下生物声音采集装置后，获取得到复杂的音频信号，包括海洋生物声音信号、海上风电场船舶噪音、施工噪音和其他海洋背景噪声信号。通过自定义声音程序初步去掉其他海洋背景噪声信号，分离并标记海洋生物声音信号、海上风电场船舶噪音和海上风电场船舶声音信号。其中，其他海洋背景噪声包括海洋动力噪音，由海浪、洋流和风产生的噪音。这部分噪声不用被单独识别，因为这部分噪声属于干扰噪声，先进行滤波去掉一部分，然后基于能量的算法检测，提取感兴趣目标信号，此时，其余的干扰噪声信号不会被提取，相当于滤除掉了。
在具体的实施例中，自定义声音程序主要包括去除干扰噪音和检测目标声音信号，首先采用高通滤波器去除低频噪音，在LabVIEW程序中，首先对输入的音频信号进行频谱分析，然后设置频率阈值，容许信号的高频分量通过，抑制低频或直流分量；其次，利用基于能量的算法检测提取目标信号，对目标音频信号进行频谱分析，如果信号能量大于设置的阈值，则判定为是此类信号。
在优选的实施例中，所述分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号，包括：
预先分别对所述海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号的时间特征和频率特性进行特征分析；
采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类。
具体的，首先对目标海洋生物声音信号、船舶噪音信号的时间特性和频率特性进行特征分析；特征分析指对信号进行时域分析、频域分析后得出的信号特征参数。比如时域参数：信号的持续时间；频域参数：信号的最大频率、最小频率、起始频率、初始频率等等。不同声音，以上参数或者组合体现两种声音的差异性。其次，选择合适的检测方法，采用模板匹配、带限能量和、统计分类技术、神经网络和深度学习对信号检测分类；最后进行人工校验和标注。
在优选的实施例中，所述采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类，具体为：
采用模板匹配以及带限能量和方法从所述数字音频信号中提取出目标信号；
对所述目标信号的特征参数进行统计分析后，通过神经网络和深度学习算法对所述目标信号进行分类识别；
在完成分类识别后进行人工校正和标注。
具体的，对声音信号识别需要两个步骤，第一是检测，可以用模板匹配、带限能量和；第二是分类技术、神经网络、深度学习。基于上一步骤对不同类别信号的特征分析后，选取合适的检测方法(模板匹配或者带限能量和)把目标信号从复杂的噪声环境中检测出来，接着，对目标信号的特征参数(信号的持续时间、信号的最大频率、最小频率、起始频率、初始频率等等)进行统计分析或者通过神经网络和深度学习算法进行分类识别。其中神经网络和深度学习均是自定义Matlab程序。
S104、采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
具体的，对于步骤S104，通过服务器端采用NI LabVIEW程序，实时显示分析海洋生物信号以及存储声音信号，最终使得用户能够根据分析得到海洋生物数据进行海上风电场范围内的海洋生物监测。
在优选的实施例中，所述采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，具体为：
采用NI LabVIEW程序分析所述海洋生物声音信号的时间特性、频率特性和声谱特性，得到对应的时域特征参数、频域特征参数和时频域特征参数；
将所述时域特征参数、频域特征参数和时频域特征参数输入至预设的分类算法中，通过神经网络和深度学习算法进行分类识别，得到对应的海洋生物数据。
首先，对上一步骤已经分离标记的目标声音信号，进行时域分析、频域分析和时频域分析，其中分析方法是LabVIEW自带的声音与振动信号处理工具包或者自定义Matlab程序。通过分析获得目标声音信号的时间特性、频率特性和声谱特性。其次，同上一步骤，对目标信号进行时间特性、频率特性和声谱特性后，得出目标信号的时域特征参数、频域特征参数和时频域特征参数。将以上这些特征参数输入到分类算法中(自定义Matlab程序)，通过神经网络和深度学习算法进行分类识别，得到对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
在优选的实施例中，如图2所示，所述基于被动声学的海上风电场生物监测方法，还包括：
S105、通过所述NI LabVIEW程序中的声音与振动信号处理工具包以及自定义声音处理代码对所述海洋生物数据进行在线分析。
具体的，对于步骤S105，在分析得到海洋生物数据后，通过使用自带声音与振动信号处理工具包以及自定义声音处理代码对海洋生物数据进行深入在线分析，进一步提高海洋生物监测的全面性和实用性。
在具体的实施例中，在线分析海洋生物数据包括通过FFT(傅里叶变化)、STFT(短时傅里叶变化)方法对目标声音信号进行时域分析、频域分析和时频域分析，通过分析获得目标声音信号的时间特性(持续时间)、频率特性(最高频率、最低频率、起始频率、结束频率)和声谱特性。
其中，时域分析直接把音频信号输入到LabVIEW中查看波形，计算信号持续时间；频域分析则是利用自定义LabVIEW程序对音频信号进行FFT分析；时频域分析具体指的是利用自定义LabVIEW程序对音频信号进行短时傅里叶分析。
本实施例提供的一种基于被动声学的海上风电场生物监测方法，至少包括如下步骤：通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
本实施例通过综合考虑海洋生物声音数据、海上风电船舶声音数据、海上风电施工声音数据以及其他背景噪声数据，增强了海洋生物学行为研究的参考性，即在海上风电场打桩、海上风电船舶噪声干扰等外界激励存在的情况下，都可以实时的进行监测分析海洋生物信号特性。同时，由于海洋哺乳动物生物学行为与生物通讯信号特性以及海上风电环境息息相关，需要互相结合来研究通讯信号所传递的信息，本发明实施例采用声音采集设备、检测分析算法、稳定性高的NI采集卡以及自定义LabVIEW声音处理程序对海上生物进行监测和分析，能够有效提高生物监测的实时性和稳定性。
本发明第二实施例：
请参阅图3-4。
如图3所示，本实施例提供了一种基于被动声学的海上风电场生物监测系统，包括：
水下原始音频采集模块100，用于通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储。
具体的，对于水下原始音频采集模块100，本实施例采用的水听器为RESON超宽带球形水听器。为获取不同位置生物原音频，其使用4台水听器组成阵列，拟布置于海上平台水下固定装置。通过获取风电场海域生物发生音频流、船舶噪声以及海上风电场施工噪音，为实时分析海上风电建设工程与海洋生物学行为研究以及后续离线分析海洋生物发声信号规律提供了原始数据。
水下生物声音采集模块200，用于在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号。
具体的，对于水下生物声音采集模块200，通过采用NI声学信号采集卡对水下原始音频采集模块100获取的原始音频数据(模拟信号)转为数字信号，预先设置声学信号采集卡的采样率、采集文件存储路径、滤波设置以及触发模式。采集通道具备滤波器功能，可以进行低通、高通、带通、带阻等设置，根据实际情况设置，也可以不用；触发指采集通道受外部激励信号触发后，启动采集工作，避免从开机运行程序就开始采集，产生过多无用数据。
生物声音检测模块300，用于通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号。
具体的，对于生物声音检测模块300，通过水下原始生物声音获取装置以及水下生物声音采集装置后，获取得到复杂的音频信号，包括海洋生物声音信号、海上风电场船舶噪音、施工噪音和其他海洋背景噪声信号。通过自定义声音程序初步去掉其他海洋背景噪声信号，分离并标记海洋生物声音信号、海上风电场船舶噪音和海上风电场船舶声音信号。其中，其他海洋背景噪声包括海洋动力噪音，由海浪、洋流和风产生的噪音。这部分噪声不用被单独识别，因为这部分噪声属于干扰噪声，先进行滤波去掉一部分，然后基于能量的算法检测、提取感兴趣目标信号，此时，其余的干扰噪声信号不会被提取，相当于滤除掉了。
生物声音分析模块400，用于采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
具体的，对于生物声音分析模块400，通过服务器端采用NI LabVIEW程序，实时显示分析海洋生物信号以及存储声音信号，最终使得用户能够根据分析得到海洋生物数据进行海上风电场范围内的海洋生物监测。
在优选的实施例中，如图4所示，所述基于被动声学的海上风电场生物监测系统，还包括：
在线分析模块500，用于通过所述NI LabVIEW程序中的声音与振动信号处理工具包以及自定义声音处理代码对所述海洋生物数据进行在线分析。
具体的，对于在线分析模块500，在分析得到海洋生物数据后，通过使用自带声音与振动信号处理工具包以及自定义声音处理代码对海洋生物数据进行深入在线分析，进一步提高海洋生物监测的全面性和实用性。
在具体的实施例中，在线分析海洋生物数据包括通过FFT(傅里叶变化)、STFT(短时傅里叶变化)方法对目标声音信号进行时域分析、频域分析和时频域分析，通过分析获得目标声音信号的时间特性(持续时间)、频率特性(最高频率、最低频率、起始频率、结束频率)和声谱特性。
其中，时域分析直接把音频信号输入到LabVIEW中查看波形，计算信号持续时间；频域分析则是利用自定义LabVIEW程序对音频信号进行FFT分析；时频域分析具体指的是利用自定义LabVIEW程序对音频信号进行短时傅里叶分析。
本实施例提供的一种基于被动声学的海上风电场生物监测系统，包括：水下原始音频采集模块，用于通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；水下生物声音采集模块，用于在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；生物声音检测模块，用于通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；生物声音分析模块，用于采用NILabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测。
本实施例能够综合考虑海洋生物声音数据、海上风电船舶声音数据、海上风电施工声音数据以及其他背景噪声数据，增强了海洋生物学行为研究的参考性，即在海上风电场打桩、海上风电船舶噪声干扰等外界激励存在的情况下，都可以实时的进行监测分析海洋生物信号特性。同时，由于海洋哺乳动物生物学行为与生物通讯信号特性以及海上风电环境息息相关，需要互相结合来研究通讯信号所传递的信息，本发明实施例采用声音采集设备、检测分析算法、稳定性高的NI采集卡以及自定义LabVIEW声音处理程序对海上生物进行监测和分析，能够有效提高生物监测的实时性和稳定性。
本发明的一个实施例还提供了一种基于被动声学的海上风电场生物监测的终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于被动声学的海上风电场生物监测方法。
本发明的一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的基于被动声学的海上风电场生物监测方法。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
Claims (8)
1.一种基于被动声学的海上风电场生物监测方法，其特征在于，至少包括如下步骤：
通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；
在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；
通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；
采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测；
所述分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号，包括：
预先分别对所述海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号的时间特征和频率特性进行特征分析；
采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类；
所述采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类，具体为：
采用模板匹配以及带限能量和方法从所述数字音频信号中提取出目标信号；
对所述目标信号的特征参数进行统计分析后，通过神经网络和深度学习算法对所述目标信号进行分类识别；
在完成分类识别后进行人工校正和标注。
2.根据权利要求1所述的基于被动声学的海上风电场生物监测方法，其特征在于，还包括：
通过所述NI LabVIEW程序中的声音与振动信号处理工具包以及自定义声音处理代码对所述海洋生物数据进行在线分析。
3.根据权利要求1所述的基于被动声学的海上风电场生物监测方法，其特征在于，还包括：
在所述水听器放置前，对所述水听器进行参数设定；其中，所述参数包括采样率、采样间隔和启动录音时间。
4.根据权利要求1所述的基于被动声学的海上风电场生物监测方法，其特征在于，所述预设采集条件，具体为：
通过NI LabVIEW程序实时FFT分析所述水听器采集的原始音频数据，当判定所述原始音频数据中的频率大于预设阈值时，开始水下生物的声音采集。
5.根据权利要求1所述的基于被动声学的海上风电场生物监测方法，其特征在于，所述采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，具体为：
采用NI LabVIEW程序分析所述海洋生物声音信号的时间特性、频率特性和声谱特性，得到对应的时域特征参数、频域特征参数和时频域特征参数；
将所述时域特征参数、频域特征参数和时频域特征参数输入至预设的分类算法中，通过神经网络和深度学习算法进行分类识别，得到对应的海洋生物数据。
6.一种基于被动声学的海上风电场生物监测系统，其特征在于，包括：
水下原始音频采集模块，用于通过组成阵列的若干台水听器获取风电场海域生物发生的音频流、船舶噪声以及海上风电场施工噪音，并转换为电信号进行存储；
水下生物声音采集模块，用于在触发预设采集条件后，通过声学信号采集卡对所述水听器采集的原始音频数据进行水下生物声音采集，在采集完成后转换得到对应的数字音频信号；
生物声音检测模块，用于通过预设声音程序过滤所述数字音频信号中的海洋背景噪声信号，并分离和标记出海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号；
生物声音分析模块，用于采用NI LabVIEW程序实时显示并分析所述海洋生物声音信号，分析得到所述海洋生物声音信号对应的海洋生物数据，以使根据所述海洋生物数据完成海上风电场的生物监测；
所述生物声音检测模块还用于：
预先分别对所述海洋生物声音信号、船舶噪声信号和海上风电场施工噪音信号的时间特征和频率特性进行特征分析；
采用能量检测算法对所述数字音频信号进行检测和分类，提取出目标信号并进行分类；
所述生物声音检测模块还用于：
采用模板匹配以及带限能量和方法从所述数字音频信号中提取出目标信号；
对所述目标信号的特征参数进行统计分析后，通过神经网络和深度学习算法对所述目标信号进行分类识别；
在完成分类识别后进行人工校正和标注。
7.一种基于被动声学的海上风电场生物监测的终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的基于被动声学的海上风电场生物监测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的基于被动声学的海上风电场生物监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950014.5A CN112185396B (zh) | 2020-09-10 | 2020-09-10 | 一种基于被动声学的海上风电场生物监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010950014.5A CN112185396B (zh) | 2020-09-10 | 2020-09-10 | 一种基于被动声学的海上风电场生物监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112185396A CN112185396A (zh) | 2021-01-05 |
| CN112185396B true CN112185396B (zh) | 2022-03-25 |
Family
ID=73920578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010950014.5A Active CN112185396B (zh) | 2020-09-10 | 2020-09-10 | 一种基于被动声学的海上风电场生物监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112185396B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118016089A (zh) * | 2024-02-04 | 2024-05-10 | 哈尔滨工程大学 | 一种基于子频带的海洋哺乳动物声信号去噪方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644771A (zh) * | 2008-12-16 | 2010-02-10 | 中国科学院声学研究所 | 一种用于水生哺乳动物的声学监测系统及方法 |
| CN104392722A (zh) * | 2014-11-28 | 2015-03-04 | 电子科技大学 | 一种基于声音的生物种群识别方法及系统 |
| CN105785968A (zh) * | 2014-12-25 | 2016-07-20 | 中国科学院声学研究所 | 一种海洋牧场声学监测系统和方法 |
| CN106417143A (zh) * | 2016-09-05 | 2017-02-22 | 华中农业大学 | 一种基于被动声学信息的淡水鱼品种识别装置和方法 |
| CN106441553A (zh) * | 2016-09-30 | 2017-02-22 | 中国海洋大学 | 一种基于海洋环境噪声的声学监测系统及方法 |
| CN108538311A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频分类方法、装置及计算机可读存储介质 |
| CN108680245A (zh) * | 2018-04-27 | 2018-10-19 | 天津大学 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
| CN111102969A (zh) * | 2019-12-27 | 2020-05-05 | 自然资源部第三海洋研究所 | 一种海洋噪声源同步邻近记录装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6661740B1 (en) * | 2002-06-03 | 2003-12-09 | Ben R. Breed | Multi-static, opportune-source-exploiting, passive sonar processing |
| US10448152B2 (en) * | 2015-09-21 | 2019-10-15 | Northeastern University | Systems and methods for monitoring and classifying marine animals based on acoustic signals |
-
2020
- 2020-09-10 CN CN202010950014.5A patent/CN112185396B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101644771A (zh) * | 2008-12-16 | 2010-02-10 | 中国科学院声学研究所 | 一种用于水生哺乳动物的声学监测系统及方法 |
| CN104392722A (zh) * | 2014-11-28 | 2015-03-04 | 电子科技大学 | 一种基于声音的生物种群识别方法及系统 |
| CN105785968A (zh) * | 2014-12-25 | 2016-07-20 | 中国科学院声学研究所 | 一种海洋牧场声学监测系统和方法 |
| CN106417143A (zh) * | 2016-09-05 | 2017-02-22 | 华中农业大学 | 一种基于被动声学信息的淡水鱼品种识别装置和方法 |
| CN106441553A (zh) * | 2016-09-30 | 2017-02-22 | 中国海洋大学 | 一种基于海洋环境噪声的声学监测系统及方法 |
| CN108538311A (zh) * | 2018-04-13 | 2018-09-14 | 腾讯音乐娱乐科技（深圳）有限公司 | 音频分类方法、装置及计算机可读存储介质 |
| CN108680245A (zh) * | 2018-04-27 | 2018-10-19 | 天津大学 | 鲸豚类Click类叫声与传统声呐信号分类方法及装置 |
| CN111102969A (zh) * | 2019-12-27 | 2020-05-05 | 自然资源部第三海洋研究所 | 一种海洋噪声源同步邻近记录装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于支持向量机模型的环境音分类研究;张小梅等;《电子测量技术》;20080915(第09期);全文 * |
| 面向物种及行为分类的鸟鸣信号分析研究;刘继敏;《中国优秀硕士学位论文全文数据库 (基础科学辑)》;20200615;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112185396A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Underwater target recognition using convolutional recurrent neural networks with 3-D Mel-spectrogram and data augmentation | |
| CN110827837B (zh) | 一种基于深度学习的鲸鱼活动音频分类方法 | |
| Komaty et al. | EMD-based filtering using similarity measure between probability density functions of IMFs | |
| Mishachandar et al. | Diverse ocean noise classification using deep learning | |
| Wang et al. | ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network. | |
| Luo et al. | An underwater acoustic target recognition method based on combined feature with automatic coding and reconstruction | |
| CN103323532B (zh) | 一种基于心理声学参量的鱼类识别方法及系统 | |
| CN113077813B (zh) | 一种基于全息谱和深度学习的舰船噪声识别方法 | |
| CN113567969B (zh) | 一种基于水下声信号的非法采砂船自动监控方法及系统 | |
| CN111414832A (zh) | 一种基于鲸豚类低频水声信号的实时在线识别分类系统 | |
| CN112185396B (zh) | 一种基于被动声学的海上风电场生物监测方法及系统 | |
| CN115048984A (zh) | 一种基于深度学习的母猪发情声识别方法 | |
| Gunawan et al. | Repurposing transfer learning strategy of computer vision for owl sound classification | |
| Zhou et al. | An attention-based multi-scale convolution network for intelligent underwater acoustic signal recognition | |
| Xie et al. | Detection of anuran calling activity in long field recordings for bio-acoustic monitoring | |
| Wang et al. | Underwater acoustic target recognition combining multi-scale features and attention mechanism | |
| CN116992263A (zh) | 一种基于多任务学习的水下航行器自噪声特征提取、识别与分离的方法 | |
| CN116884416A (zh) | 野生动物音频采集检测系统、方法、存储介质及电子设备 | |
| Tan et al. | Underwater acoustic target recognition based on convolutional neural network and multi-feature fusion | |
| CN114664311A (zh) | 一种记忆网络增强的变分推断无声攻击检测方法 | |
| Vogelbacher et al. | Deep learning for recognizing bat species and bat behavior in audio recordings | |
| Fang et al. | Research on Signal Extraction and Classification for Ship Sound Signal Recognition | |
| Connor et al. | Automating identification of avian vocalizations using time–frequency information extracted from the Gabor transform | |
| Chen et al. | Survey of Marine Organisms Based on Passive Acoustic Technology | |
| CN115424639B (zh) | 一种基于时频特征的环境噪声下海豚声音端点检测方法 |
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 |