CN112578463A - 一种基于电场的水中金属探测定位方法和装置 - Google Patents

一种基于电场的水中金属探测定位方法和装置 Download PDF

Info

Publication number
CN112578463A
CN112578463A CN202011530747.XA CN202011530747A CN112578463A CN 112578463 A CN112578463 A CN 112578463A CN 202011530747 A CN202011530747 A CN 202011530747A CN 112578463 A CN112578463 A CN 112578463A
Authority
CN
China
Prior art keywords
electric field
neural network
network model
deep learning
learning neural
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
Application number
CN202011530747.XA
Other languages
English (en)
Inventor
陈延艺
苏松志
彭鹭斌
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.)
Lop Xiamen System Integration Co ltd
Ropt Technology Group Co ltd
Original Assignee
Lop Xiamen System Integration Co ltd
Ropt Technology Group 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 Lop Xiamen System Integration Co ltd, Ropt Technology Group Co ltd filed Critical Lop Xiamen System Integration Co ltd
Priority to CN202011530747.XA priority Critical patent/CN112578463A/zh
Publication of CN112578463A publication Critical patent/CN112578463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/08—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with magnetic or electric fields produced or modified by objects or geological structures or by detecting devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/004—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring coordinates of points
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本发明公开了一种基于电流的水中金属探测定位方法和装置，通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。通过本方法可以准确快速的定位出金属的坐标位置，给出精准的三维空间位置图。

Description

一种基于电场的水中金属探测定位方法和装置
技术领域
本发明涉及水中金属定位领域，具体涉及一种基于电场的水中金属探测定位方法和装置。
背景技术
目前，近岸水域金属潜水器或探测器的探测与定位是现在遇到比较大的难点，水中因为地理和生物环境复杂，给金属潜水器或探测器的探测和定位带来很大的困难。采用主动声呐、被动声呐探测容易被对方发现。水中噪声对声呐探测干扰大，声呐成像不够精准，三维空间位置不准确，定位探测速度慢。
有鉴于此，建立一种基于电场的水中金属探测定位方法和装置是非常具有意义的。
发明内容
针对上述提到现有技术中水中金属探测技术定位难度大、不够精准、定位速度慢等问题。本申请的实施例的目的在于提出了基于电场的水中金属探测定位方法和装置来解决以上背景技术部分提到的技术问题。
第一方面，本申请的实施例提供了一种基于电流的水中金属探测定位方法，包括以下步骤：
电场建立步骤，通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；
神经网络训练步骤，根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；
数据采集步骤，在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；以及
金属定位步骤，将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。
在一些实施例中，神经网络训练步骤具体包括：
在电场中间的不同位置坐标下放置已知位置的金属，通过多个探针分别采集不同位置坐标的电场的电势，将电势作为深度学习神经网络模型的输入信息，则输入维数为n，将位置坐标作为输出信息，输出维数为3。深度学习神经网络模型的目的是建立输入信息(n维)和输出信息之间(3维)的函数映射关系，以便于后续根据实验结果确定深度学习神经网络模型的参数。
在一些实施例中，深度学习神经网络模型中网络之间采用全连接的形式，隐含层设置为5个，激活函数采用ReLU。深度学习神经网络模型中通过RELU函数在优化深层神经网络时的梯度耗散问题，提高收敛速度。
在一些实施例中，隐含层中神经元的数目分别为n、n/2、n/4、n/5、n/10，其中n通常设置为500。
在一些实施例中，深度学习神经网络模型中网络的训练方式为随机梯度下降，损失函数的设置为平方损失函数和L1正则化二者进行凸组合，公式如下；
Figure BDA0002852059910000021
其中，
Figure BDA0002852059910000022
表示深度学习神经网络模型输出的已知位置的金属的位置信息；y表示真实测量的位置信息，C是平衡因子。通过以上损失函数可以通过深度学习神经网络模型得出准确的预测值。
在一些实施例中，深度学习神经网络模型的学习率为0.005。通过学习率控制着基于损失梯度调整神经网络权值的速度。
在一些实施例中，电场通过正极、负极和直流电源连接形成，并通过电压表测试电场的电势，其中，电压表的正极电笔与探针连接，电压表的负极电笔与负极连接。在水中建立电场和等势面，根据金属在电场中能够改变等势面从而定位出金属物体。
第二方面，本申请的实施例还提出了一种基于电场的水中金属探测定位装置，包括：
电场建立模块，被配置为通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；
神经网络训练模块，被配置为根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；
数据采集模块，被配置为在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；以及
金属定位模块，被配置为将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请的实施例提供了一种基于电流的水中金属探测定位方法和装置，通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。利用水中电场分布规律类似于静电场的分布规律，当水中有金属时就改变电场的分布，从而改变等势面的分布，用探针测出水域中的几个空间点的电势，再通过深度学习神经网络模型还原出电场的分布，从而定位出金属的坐标位置，给出精准的三维空间位置图。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图；
图2为本发明的其中一个实施例的基于电场的水中金属探测定位方法的流程示意图；
图3为本发明的其中一个实施例的基于电场的水中金属探测定位方法的不存在金属的电场的示意图；
图4为本发明的其中一个实施例的基于电场的水中金属探测定位方法的带有金属的电场的示意图；
图5为本发明的其中一个实施例的基于电场的水中金属探测定位装置的示意图；
图6是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于电场的水中金属探测定位方法或基于电场的水中金属探测定位装置的示例性装置架构100。
如图1所示，装置架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种应用，例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理，生成处理结果。
需要说明的是，本申请实施例所提供的基于电场的水中金属探测定位方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，基于电场的水中金属探测定位装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下，上述装置架构可以不包括网络，而只需服务器或终端设备。
图2示出了本申请的实施例公开了一种基于电流的水中金属探测定位方法，包括以下步骤：
步骤S1，通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势。
在具体的实施例中，电场通过正极、负极和直流电源连接形成，并通过电压表测试电场的电势，其中，电压表的正极电笔与探针连接，电压表的负极电笔与负极连接。在水中建立电场和等势面，根据金属在电场中能够改变等势面从而定位出金属物体。在优选的实施例中，如图3所示，正极与负极平行设置，若水中无金属导体则形成均匀的电场，此时等势面与电场线垂直，等势面上可通过探针分别测得不同的位置P1,P2,P3......Pn的电势，设为ψ1、ψ2......ψn。在其他可选的实施例中，电场也可以是不均匀的电场，即使在不均匀的电场下，也可以通过深度学习神经网络模型还原出电场的分布。
若水中有金属(导体)，根据金属是等势体且电场线必须垂直于等势体电场线，等势线将重新分布，且分布与金属体的大小位置形成一一对应的关系，即位置、大小、形状不同分布图也一定不同，设有某金属在A处，则电场线与等势线分布如图4对应的探针位置P1,P2,......Pn测出的电势ψ21,ψ22......ψ2n。
步骤S2，根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机。
在具体的实施例中，步骤S2具体包括：
在电场中间的不同位置坐标下放置已知位置的金属，通过多个探针分别采集不同位置坐标的电场的电势。在其中一个实施例中，得到的训练样本如表1所示。将电势作为深度学习神经网络模型的输入信息，则输入维数为n，将位置坐标作为输出信息，输出维数为3。深度学习神经网络模型的目的是建立输入信息(n维)和输出信息之间(3维)的函数映射关系，以便于后续根据实验结果确定深度学习神经网络模型的参数。
表1
序号 P<sub>1</sub> P<sub>2</sub> P<sub>3</sub> P<sub>4</sub> 位置坐标
1 ψ<sub>11</sub> ψ<sub>12</sub> ψ<sub>13</sub> ψ<sub>14</sub> x<sub>1</sub>,y<sub>1</sub>,z<sub>1</sub>
2 Ψ<sub>21</sub> Ψ<sub>22</sub> Ψ<sub>23</sub> Ψ<sub>24</sub> x<sub>2</sub>,y<sub>2</sub>,z<sub>2</sub>
3 Ψ<sub>31</sub> Ψ<sub>32</sub> Ψ<sub>33</sub> Ψ<sub>34</sub> x<sub>3</sub>,y<sub>3</sub>,z<sub>3</sub>
4 Ψ<sub>41</sub> Ψ<sub>42</sub> Ψ<sub>43</sub> Ψ<sub>44</sub> x<sub>4</sub>,y<sub>4</sub>,z<sub>4</sub>
......
上述表格中的每行表示一个训练样本，其中“P1,P2,P3,…,Pn”表示特征(即通常所说的输入信息，此处n＝4)，“位置坐标”表示每次实验过程中已知位置的金属所放的位置(即输出信息)。深度学习的目的是建立输入信息(n维)和输出信息之间(3维)的函数映射关系。以下描述该深度学习神经网络模型的训练和推理过程：
训练过程指的是根据实验结果建立输入和输出之间的映射关系，即深度学习神经网络模型的结构确定后，根据实验结果确定深度学习神经网络模型的参数。
设每次实验数据为：Xi＝(Xi1,Xi2,Xi3,…,Xin)，Yi＝(Yi1,Yi2,Yi3)
其中Xij表示第i个样本的第j个特征值，Yi1表示xi的坐标位置的x值，yi2表示xi的坐标位置的y值，yi3表示xi的坐标位置的z值。
深度学习模型采用多层感知机，其参数设置如下：
输入维数：n；输出维数3。
在具体的实施例中，深度学习神经网络模型中网络之间采用全连接的形式，隐含层之间不设置pooling层；隐含层设置为5个，激活函数采用ReLU。在具体的实施例中，隐含层中神经元的数目分别为n、n/2、n/4、n/5、n/10，其中n通常设置为500。深度学习神经网络模型中通过RELU函数在优化深层神经网络时的梯度耗散问题，提高收敛速度。
在具体的实施例中，深度学习神经网络模型中网络的训练方式为随机梯度下降，损失函数的设置为平方损失函数和L1正则化二者进行凸组合，公式如下；
Figure BDA0002852059910000061
其中，
Figure BDA0002852059910000062
表示深度学习神经网络模型输出的已知位置的金属的位置信息；y表示真实测量的位置信息，C是平衡因子。在优选的实施例中，C根据经验值取0.1。通过以上损失函数可以通过深度学习神经网络模型得出准确的预测值。探针数量越多对建模定位越准。
在具体的实施例中，深度学习神经网络模型的学习率为0.005。通过学习率控制着基于损失梯度调整神经网络权值的速度。
步骤S3，在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势。
网络的推理过程指的是系统在使用的过程中，将采集到的未知位置的实时电势输入到训练过程中确定的深度学习神经网络模型，模型输出的三个值即代表未知位置的金属的位置坐标。
步骤S4，将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种基于电场的水中金属探测定位装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本申请的实施例还提出了一种基于电场的水中金属探测定位装置，包括：
电场建立模块1，被配置为通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；
神经网络训练模块2，被配置为根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；
数据采集模块3，被配置为在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；以及
金属定位模块4，被配置为将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。
本申请的实施例提供了一种基于电流的水中金属探测定位方法和装置，通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。利用水中电场分布规律类似于静电场的分布规律，当水中有金属时就改变电场的分布，从而改变等势面的分布，用探针测出水域中的几个空间点的电势，再通过深度学习神经网络模型还原出电场的分布，从而定位出金属的坐标位置，给出精准的三维空间位置图。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机装置600包括中央处理单元(CPU)601和图形处理器(GPU)602，其可以根据存储在只读存储器(ROM)603中的程序或者从存储部分609加载到随机访问存储器(RAM)604中的程序而执行各种适当的动作和处理。在RAM 604中，还存储有装置600操作所需的各种程序和数据。CPU 601、GPU602、ROM 603以及RAM 604通过总线605彼此相连。输入/输出(I/O)接口606也连接至总线605。
以下部件连接至I/O接口606：包括键盘、鼠标等的输入部分607；包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分608；包括硬盘等的存储部分609；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分610。通信部分610经由诸如因特网的网络执行通信处理。驱动器611也可以根据需要连接至I/O接口606。可拆卸介质612，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器611上，以便于从其上读出的计算机程序根据需要被安装入存储部分609。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分610从网络上被下载和安装，和/或从可拆卸介质612被安装。在该计算机程序被中央处理单元(CPU)601和图形处理器(GPU)602执行时，执行本申请的方法中限定的上述功能。
需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：通过将直流电加在水域中边缘的两个电极，在水域中间形成一个电场，并设置多个探针测试不同位置的电势；根据已知位置的金属在电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；在水域中设置未知位置的金属，通过探针采集在水域中电场不同位置的实时电势；将实时电势输入训练后的深度学习神经网络模型中，输出未知位置的金属的位置坐标。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种基于电流的水中金属探测定位方法，其特征在于，包括以下步骤：
电场建立步骤，通过将直流电加在水域中边缘的两个电极，在所述水域中间形成一个电场，并设置多个探针测试不同位置的电势；
神经网络训练步骤，根据已知位置的金属在所述电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；
数据采集步骤，在所述水域中设置未知位置的金属，通过所述探针采集在所述水域中所述电场不同位置的实时电势；以及
金属定位步骤，将所述实时电势输入所述训练后的深度学习神经网络模型中，输出所述未知位置的金属的位置坐标。
2.根据权利要求1所述的基于电场的水中金属探测定位方法，其特征在于，所述神经网络训练步骤具体包括：
在所述电场中间的不同位置坐标下放置所述已知位置的金属，通过多个所述探针分别采集不同位置坐标的所述电场的电势，将所述电势作为所述深度学习神经网络模型的输入信息，则所述输入维数为n，将所述位置坐标作为输出信息，所述输出维数为3。
3.根据权利要求1所述的基于电场的水中金属探测定位方法，其特征在于，所述深度学习神经网络模型中网络之间采用全连接的形式，隐含层设置为5个，激活函数采用ReLU。
4.根据权利要求3所述的基于电场的水中金属探测定位方法，其特征在于，所述隐含层中神经元的数目分别为n、n/2、n/4、n/5、n/10，其中n通常设置为500。
5.根据权利要求1所述的基于电场的水中金属探测定位方法，其特征在于，所述深度学习神经网络模型中网络的训练方式为随机梯度下降，损失函数的设置为平方损失函数和L1正则化二者进行凸组合，公式如下；
Figure FDA0002852059900000011
其中，
Figure FDA0002852059900000012
表示所述深度学习神经网络模型输出的已知位置的金属的位置信息；y表示真实测量的位置信息，C是平衡因子，根据经验值取0.1。
6.根据权利要求1所述的基于电场的水中金属探测定位方法，其特征在于，所述深度学习神经网络模型的学习率为0.005。
7.根据权利要求1-6中任一项所述的基于电场的水中金属探测定位方法，其特征在于，所述电场通过正极、负极和直流电源连接形成，并通过电压表测试所述电场的电势，其中，所述电压表的正极电笔与所述探针连接，所述电压表的负极电笔与所述负极连接。
8.一种基于电场的水中金属探测定位装置，其特征在于，包括：
电场建立模块，被配置为通过将直流电加在水域中边缘的两个电极，在所述水域中间形成一个电场，并设置多个探针测试不同位置的电势；
神经网络训练模块，被配置为根据已知位置的金属在所述电场中间不同位置的位置坐标所测试得到的电势对深度学习神经网络模型进行训练，得到训练后的深度学习神经网络模型，其中深度学习神经网络模型采用多层感知机；
数据采集模块，被配置为在所述水域中设置未知位置的金属，通过所述探针采集在所述水域中所述电场不同位置的实时电势；以及
金属定位模块，被配置为将所述实时电势输入所述训练后的深度学习神经网络模型中，输出所述未知位置的金属的位置坐标。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202011530747.XA 2020-12-22 2020-12-22 一种基于电场的水中金属探测定位方法和装置 Pending CN112578463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011530747.XA CN112578463A (zh) 2020-12-22 2020-12-22 一种基于电场的水中金属探测定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011530747.XA CN112578463A (zh) 2020-12-22 2020-12-22 一种基于电场的水中金属探测定位方法和装置

Publications (1)

Publication Number Publication Date
CN112578463A true CN112578463A (zh) 2021-03-30

Family

ID=75139022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011530747.XA Pending CN112578463A (zh) 2020-12-22 2020-12-22 一种基于电场的水中金属探测定位方法和装置

Country Status (1)

Country Link
CN (1) CN112578463A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114688955A (zh) * 2022-03-02 2022-07-01 中国人民解放军海军工程大学 一种水下电场源快速交叉定位方法
CN115717893A (zh) * 2022-11-29 2023-02-28 泉州装备制造研究所 基于像素化磁钉信息的深度学习定位方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2174244C1 (ru) * 2000-04-28 2001-09-27 Государственное учреждение Институт проблем морских технологий Дальневосточного отделения РАН Устройство для обнаружения и отслеживания металлосодержащего протяженного подводного объекта с борта подводной поисковой установки (варианты)
KR101725452B1 (ko) * 2016-10-28 2017-04-26 대한민국 수중 금속 매몰체 탐사를 위한 수저면 밀착형 예인장치
CN107102363A (zh) * 2017-05-02 2017-08-29 电子科技大学 一种金属物体探测装置及金属探测方法
CN107356975A (zh) * 2017-07-12 2017-11-17 电子科技大学 基于粒子群优化算法的水下二维空间主动电场定位方法
CN109188534A (zh) * 2018-09-11 2019-01-11 电子科技大学 一种基于主动电场原理的水下金属形状探测方法及装置
CN109298430A (zh) * 2018-08-08 2019-02-01 西安交通大学 一种水下复合仿生探测装置及探测目标融合识别方法
CN110850483A (zh) * 2019-11-12 2020-02-28 中国船舶重工集团公司第七一九研究所 一种基于电场电极阵列布置的水中目标探测和定位方法
CN111407279A (zh) * 2019-01-07 2020-07-14 四川锦江电子科技有限公司 一种基于神经网络的磁电结合定位追踪方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2174244C1 (ru) * 2000-04-28 2001-09-27 Государственное учреждение Институт проблем морских технологий Дальневосточного отделения РАН Устройство для обнаружения и отслеживания металлосодержащего протяженного подводного объекта с борта подводной поисковой установки (варианты)
KR101725452B1 (ko) * 2016-10-28 2017-04-26 대한민국 수중 금속 매몰체 탐사를 위한 수저면 밀착형 예인장치
CN107102363A (zh) * 2017-05-02 2017-08-29 电子科技大学 一种金属物体探测装置及金属探测方法
CN107356975A (zh) * 2017-07-12 2017-11-17 电子科技大学 基于粒子群优化算法的水下二维空间主动电场定位方法
CN109298430A (zh) * 2018-08-08 2019-02-01 西安交通大学 一种水下复合仿生探测装置及探测目标融合识别方法
CN109188534A (zh) * 2018-09-11 2019-01-11 电子科技大学 一种基于主动电场原理的水下金属形状探测方法及装置
CN111407279A (zh) * 2019-01-07 2020-07-14 四川锦江电子科技有限公司 一种基于神经网络的磁电结合定位追踪方法及装置
CN110850483A (zh) * 2019-11-12 2020-02-28 中国船舶重工集团公司第七一九研究所 一种基于电场电极阵列布置的水中目标探测和定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘冰: "深度核机器学习技术及应用", 31 December 2019, 北京工业大学出版社, pages: 133 - 134 *
林崇德，姜璐，王德胜: "于scikit- learn的机器学习-算法与实践", 31 August 1994, 东南大学出版社, pages: 155 - 202 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114688955A (zh) * 2022-03-02 2022-07-01 中国人民解放军海军工程大学 一种水下电场源快速交叉定位方法
CN114688955B (zh) * 2022-03-02 2023-03-14 中国人民解放军海军工程大学 一种水下电场源快速交叉定位方法
CN115717893A (zh) * 2022-11-29 2023-02-28 泉州装备制造研究所 基于像素化磁钉信息的深度学习定位方法及装置

Similar Documents

Publication Publication Date Title
CN109389072B (zh) 数据处理方法和装置
CN112578463A (zh) 一种基于电场的水中金属探测定位方法和装置
CN108510084B (zh) 用于生成信息的方法和装置
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
JP6521261B2 (ja) 導電率分布導出方法および導電率分布導出装置
CN111311480A (zh) 图像融合方法和装置
CN115662510A (zh) 因果参数的确定方法、装置、设备以及存储介质
CN108229494A (zh) 网络训练方法、处理方法、装置、存储介质和电子设备
CN113487019A (zh) 电路故障诊断方法、装置、计算机设备和存储介质
Sritharan et al. Computing the Riemannian curvature of image patch and single-cell RNA sequencing data manifolds using extrinsic differential geometry
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
CN113887137A (zh) 基于融合式神经网络的多磁性材料参数反演方法及系统
CN114692529B (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
CN113223107B (zh) 一种气液两相流的电阻层析成像方法、装置及终端设备
CN110207699B (zh) 一种定位方法和装置
CN113273988B (zh) 基于电流量的电阻抗成像方法、装置及存储介质
CN111443329A (zh) 声源定位方法及装置、计算机存储介质和电子设备
Zhang et al. Multiquadrics collocation method for transient eddy current problems
CN117723726B (zh) 一种工业废水水质变化的快速检测方法、系统及设备
CN109933912B (zh) 涂层服役寿命评估方法、装置、终端设备及存储介质
CN114399467B (zh) 机箱外壳检测方法、装置、电子设备和计算机可读介质
Mohanna et al. Nondestructive position detection of a metallic target within soil substrate using electromagnetic tomography
CN117274117B (zh) 频域伪彩色增强的心磁信号特征图像生成方法及存储介质
CN117805732A (zh) 基于稀疏优化的声源定位方法、装置、设备及介质
CN117191745A (zh) 一种薄膜测量中正向建模快速退偏的方法及装置

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