CN114323162B - 壳菜生长数据在线监测的方法、装置和电子设备 - Google Patents
壳菜生长数据在线监测的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114323162B CN114323162B CN202210244157.3A CN202210244157A CN114323162B CN 114323162 B CN114323162 B CN 114323162B CN 202210244157 A CN202210244157 A CN 202210244157A CN 114323162 B CN114323162 B CN 114323162B
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- delivery system
- water delivery
- data
- shell
- 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
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种壳菜生长数据在线监测的方法、装置和电子设备,涉及植物生长监测的技术领域,包括:获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。通过上述描述可知,本发明的壳菜生长数据在线监测的方法能够实时在线对壳菜生长数据进行监测,既节省人力物力,又提高了检测效率,还能得到准确的壳菜生长数据。
Description
技术领域
本发明涉及植物生长监测的技术领域,尤其是涉及一种壳菜生长数据在线监测的方法、装置和电子设备。
背景技术
淡水壳菜广泛分布在南亚的淡水河流和湖泊中,对于盐度也有较好的耐受性。在许多国家均有广泛分布,淡水壳菜对输水系统有非常大的危害,其主要影响包括以下几个方面:减小管道的过流面积;影响超声波流量计测量精度;增大管道粗糙度;堵塞管道;污染恶化水质;腐蚀管壁;严重时,输水系统瘫痪。因此,世界各国对壳菜生长都投入了很大的人力和物力进行监测,但是,所有的监测手段都是人工定期在输水管道的特定位置进行取样,或者放置采样设备,然后定期进行人工采集样品,带回实验室利用生物显微镜、体视显微镜等仪器设备进行检测研究,记录检测数据。要想避免测量数据的误差,需要长时间对不同检测点进行多次重复采样,然后对采样数据记录分析,根据壳菜的生长周期,一般需要一年以上的时间,12次以上的采样次数,才能最终完成该检测位置水域内的壳菜生长情况的统计。
上述采用人工的检测方法进行壳菜的生长监测,整个过程非常繁琐,耗费大量的人力物力和时间,而且对于有些箱涵或有压管道输水系统,人员无法到达水源现场,根本无法进行采集监测。
综上,现有的人工检测壳菜生长数据的方法存在过程繁琐、耗费人力物力、检测效率低的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种壳菜生长数据在线监测的方法、装置和电子设备,以缓解现有的人工检测壳菜生长数据的方法过程繁琐、耗费人力物力、检测效率低的技术问题。
第一方面,本发明实施例提供了一种壳菜生长数据在线监测的方法,包括:
获取设置于待测输水系统的超声波流量计实时检测得到的所述待测输水系统的超声波相关数据和设置于所述待测输水系统的激光原位粒子尺寸分析仪实时检测得到的所述待测输水系统的藻类生长情况数据;
采用壳菜生长分析模型对所述超声波相关数据和所述藻类生长情况数据进行壳菜生长分析,得到所述待测输水系统的壳菜生长数据。
进一步的,所述超声波流量计安装于所述待测输水系统的测量点的位置,所述激光原位粒子尺寸分析仪安装于所述待测输水系统的测量点的位置;
所述超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,所述藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
进一步的,所述壳菜生长分析模型为预先训练的用于进行壳菜生长分析的模型,所述壳菜生长数据至少包括:壳菜当前的生长厚度。
进一步的,所述方法还包括:
根据所述壳菜生长数据进行报警。
进一步的,所述方法还包括:
部署原始壳菜生长分析模型;
获取训练样本集,其中,所述训练样本集中包括:超声波相关数据样本、藻类生长情况数据样本和壳菜生长数据样本;
采用所述训练样本集对所述原始壳菜生长分析模型进行训练,得到所述壳菜生长分析模型。
进一步的,对所述原始壳菜生长分析模型进行训练的训练次数为第一预设值,训练目标为第二预设值,学习率为第三预设值。
第二方面,本发明实施例还提供了一种壳菜生长数据在线监测的装置,包括:
获取单元,用于获取设置于待测输水系统的超声波流量计实时检测得到的所述待测输水系统的超声波相关数据和设置于所述待测输水系统的激光原位粒子尺寸分析仪实时检测得到的所述待测输水系统的藻类生长情况数据;
壳菜生长分析单元,用于采用壳菜生长分析模型对所述超声波相关数据和所述藻类生长情况数据进行壳菜生长分析,得到所述待测输水系统的壳菜生长数据。
进一步的,所述超声波流量计安装于所述待测输水系统的测量点的位置,所述激光原位粒子尺寸分析仪安装于所述待测输水系统的测量点的位置;
所述超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,所述藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
第四方面,本发明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存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中,提供了一种壳菜生长数据在线监测的方法,包括:获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。通过上述描述可知,本发明的壳菜生长数据在线监测的方法能够实时在线对壳菜生长数据进行监测,既节省人力物力,又提高了检测效率,还能得到准确的壳菜生长数据,缓解了现有的人工检测壳菜生长数据的方法过程繁琐、耗费人力物力、检测效率低的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,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为本发明实施例提供的一种壳菜生长数据在线监测的方法的流程图;
图2为本发明实施例提供的超声波在水和污泥界面传播的示意图;
图3为本发明实施例提供的超声波相关数据的示意图;
图4为本发明实施例提供的一种壳菜生长数据在线监测的装置的示意图;
图5为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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他实施例,都属于本发明保护的范围。
目前,一般通过人工的方式对壳菜的生长进行监测,但是,人工的方式存在诸多的弊端,包括:采集数据不方便、采集时间间隔大和做各种化验分析的人工设备成本高等。
基于此,本发明的壳菜生长数据在线监测的方法能够实时在线对壳菜生长数据进行监测,既节省人力物力,又提高了检测效率,还能得到准确的壳菜生长数据。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种壳菜生长数据在线监测的方法进行详细介绍。
实施例一:
根据本发明实施例,提供了一种壳菜生长数据在线监测的方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种壳菜生长数据在线监测的方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;
下面对通过超声波流量计能够实现对壳菜生长数据进行监测的原理进行说明:
在通过超声波流量计对待测输水系统的壳菜生长数据进行监测时,一般常常将超声波流量计的超声波换能器探头设置于待测输水系统的水下不同高度部位(每个高度部位的待测输水系统的两侧分别对应设置一个超声波换能器探头,其中一个用于发射超声波,进而超声波穿过待测输水系统中的水和/或壳菜到达另一侧的超声波换能器探头,实现超声波的接收,进而根据接收到的超声波信号分析待测输水系统中的壳菜生长情况)。水下不同高度部位的超声波换能器探头常常会被各种杂物遮挡。例如,壳菜的腐败物混合着水中的其他污物混合的污泥,完全将超声波换能器探头遮挡,这将导致超声波在传输过程中,其声路会经过不同的传输介质,从而对声波速度和超声波信号反射和衰减有影响。再例如,壳菜成体正好生长在超声波换能器探头上,这将导致超声波在传输过程中,对超声波信号有遮挡作用,从而产生反射,散射的影响。
超声波在这种有部分甚至完全遮挡的情况下传输时,在两种物质的分界处就会产生反射、散射现象,到达接收端的超声波换能器探头的信号就会产生对应的衰减。具体衰减的比例跟分界面两种物质的声阻抗有关。常见的物质的声阻抗如下表:
材料/介质 | 密度(kgm<sup>-3</sup>) | 声速(ms<sup>-1</sup>) | 声阻抗(kgm<sup>-2</sup>s<sup>-1</sup>*10<sup>6</sup>) |
空气 | 1.3 | 330 | 0.00429 |
水 | 1000 | 1450 | 1.45 |
肌肉 | 1075 | 1590 | 1.7 |
铝 | 2700 | 6320 | 17.1 |
钢铁 | 7800 | 5900 | 46.02 |
黄金 | 19320 | 3240 | 62.6 |
皮肤 | 1109 | 1540 | 1.6 |
污泥 | 1055 | 1506 | 1.59 |
两种物体之间的声阻抗差定义为阻抗失配。阻抗失配越大,在两种媒介之间的边界反射越严重。
反射系数:R=[(Z2-Z1)/(Z2+Z1)]2,其中,R表示反射系数,Z1表示分界处的一种物质的声阻抗,Z2表示分界处的另一种物质的声阻抗。
壳菜生长的不同阶段所对应的声阻抗是不一样的,当壳菜在幼虫到成虫期,声阻抗与水有较大差异,根据上述反射系数计算算式计算得到的反射系数会比较大,但由于壳菜在不同时期的声阻抗无法确定,所以,无法通过上述算式计算得到反射系数。当生长到后期发生腐败并跟其他污物混合后形成类似污泥的物质,其声阻抗大概为1.59左右,该值也是不准确的。根据上述算式计算得到的反射系数如下:
水和污泥界面的反射系数:R=[(1.45-1.59)/(1.45+1.59)]2=0.002,如图2所示。
反射系数的不同,反应到接收端的超声波换能器探头的信号强度就会有对应的变化,波形的形状也会有对应的变化,但是,由于无法准确通过上述算式计算得到反射系数,所以,无法通过上述理论原理进行壳菜生长数据的分析,但是,考虑到超声波流量计检测到的相关数据能够反映出壳菜的生长情况,所以,可以基于超声波流量计检测到的相关数据采用机器学习的方式对壳菜生长数据进行分析。
发明人考虑到在超声波传输的声路上,除了壳菜生长的影响,在一些待测输水系统中,还会有一些藻类对超声波传输信号造成影响,这些藻类的密度也会影响超声波信号,所以需要对藻类、水质进行监测。本发明采用第三方提供测量数据(即藻类生长情况数据),同时,输入到机器学习模型中,从而有效剔除掉藻类对超声波信号的影响,进而可以在复杂水质环境中大大提高壳菜生长数据的监测准确度。
综合,在进行壳菜生长数据的在线监测时,需要获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据。
需要说明的是,待测输水系统中可以设置多个测量点,在每个测量点都设置超声波流量计和激光原位粒子尺寸分析仪,从而得到各测量点位置的超声波相关数据和藻类生长情况数据,进而实现对各测量点的壳菜生长数据的监测。
步骤S104,采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。
上述壳菜生长分析模型为预先训练的用于进行壳菜生长分析的模型,下文中再对其训练过程进行详细描述。
在本发明实施例中,提供了一种壳菜生长数据在线监测的方法,包括:获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。通过上述描述可知,本发明的壳菜生长数据在线监测的方法能够实时在线对壳菜生长数据进行监测,既节省人力物力,又提高了检测效率,还能得到准确的壳菜生长数据,缓解了现有的人工检测壳菜生长数据的方法过程繁琐、耗费人力物力、检测效率低的技术问题。
上述内容对本发明的壳菜生长数据在线监测的方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中,超声波流量计安装于待测输水系统的测量点的位置,激光原位粒子尺寸分析仪安装于待测输水系统的测量点的位置;
超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
图3中示出了超声波相关数据的示意图(横坐标表示点的个数)。
在本发明的一个可选实施例中,壳菜生长分析模型为预先训练的用于进行壳菜生长分析的模型,壳菜生长数据至少包括:壳菜当前的生长厚度。
需要说明的是:壳菜生长数据除了可以包括壳菜当前的生长厚度之外,还可以包括壳菜当前的生长密度、水的浑浊度等,如果在进行壳菜生长分析模型的训练时,训练样本中的真值只有壳菜的生长厚度真值,那么该模型输出的壳菜生长数据就只有壳菜当前的生长厚度;如果在进行壳菜生长分析模型的训练时,训练样本中的真值还包括其它参量,那么该模型输出的壳菜生长数据就对应有多种参量是数值。
在本发明的一个可选实施例中,在得到待测输水系统的壳菜生长数据后,该方法还包括:
根据壳菜生长数据进行报警。
具体的,将得到的壳菜生长数据与预设壳菜生长数据阈值进行对比,如果壳菜生长数据大于预设壳菜生长数据阈值,则确定壳菜对待测输水系统有危害,并进行报警;否则,不进行报警。
下面对壳菜生长分析模型的训练过程进行详细介绍:
在本发明的一个可选实施例中,该方法还包括:
部署原始壳菜生长分析模型;获取训练样本集,其中,训练样本集中包括:超声波相关数据样本、藻类生长情况数据样本和壳菜生长数据样本;采用训练样本集对原始壳菜生长分析模型进行训练,得到壳菜生长分析模型。
上述超声波相关数据样本包括:超声波正逆向信号强度样本、超声波正逆向波形样本、超声波速度样本、超声波正逆向传送时间样本和测量点水温样本,藻类生长情况数据样本包括:测量点的粒子大小分布样本、测量点的粒子浓度样本、测量点的光透度样本和测量点的温度压力样本,壳菜生长数据样本包括:壳菜当前的生长厚度样本,还可以包括:包括壳菜当前的生长密度样本、水的浑浊度样本等,具体可根据需求进行设置。
具体的训练过程为:
加载数据,输入数据为“超声波正逆向信号强度样本”、“超声波正逆向波形样本”、“超声波速度样本”、“超声波正逆向传送时间样本”、“测量点水温样本”、“藻类生长情况数据样本”(藻类生长情况数据样本用于得到更加准确的机器学习模型和传递函数),输出结果为“壳菜当前的生长厚度”(还可以包括其它参量);
打开分类器,将上述数据依次分为训练集,验证集和测试集;
导入数据,将加载的数据做归一化处理;
选择训练模型,初选BP网络进行训练,训练次数1000次(即第一预设值,本发明实施例对该第一预设值不进行具体限制),训练目标0.001(即第二预设值,本发明实施例对该第二预设值也不进行具体限制),学习速率0.1(即第三预设值,本发明实施例对该第三预设值也不进行具体限制);
优化调优,在训练完成后,得到网络参数,然后将验证集数据导入,测试网络的预测误差能否满足要求,不满足要求调整参数,切换其他网络模型,重复导入数据,将加载的数据做归一化处理;选择训练模型的步骤;满足要求继续下一步;
确定传递函数,完成上述步骤后,网络模型,传递函数已经确定,然后对测试集数据进行进一步验证,验证预期误差是否满足要求,不满足要求,重复导入数据,将加载的数据做归一化处理;选择训练模型;优化调优的步骤,满足要求结束机器学习。
本发明的壳菜生长数据在线监测的方法通过安装在输水系统的超声波流量计,实现壳菜生长实时在线监测,既节省了人力物力,又提供准确的壳菜生长数据。对输水系统壳菜生长情况提供了准确实时的数据,给管理方进行下一步的决策提供了有力的数据支撑。
实施例二:
本发明实施例还提供了一种壳菜生长数据在线监测的装置,该壳菜生长数据在线监测的装置主要用于执行本发明实施例一中所提供的壳菜生长数据在线监测的方法,以下对本发明实施例提供的壳菜生长数据在线监测的装置做具体介绍。
图4是根据本发明实施例的一种壳菜生长数据在线监测的装置的示意图,如图4所示,该装置主要包括:获取单元10和壳菜生长分析单元20,其中:
获取单元,用于获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;
壳菜生长分析单元,用于采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。
在本发明实施例中,提供了一种壳菜生长数据在线监测的装置,包括:获取设置于待测输水系统的超声波流量计实时检测得到的待测输水系统的超声波相关数据和设置于待测输水系统的激光原位粒子尺寸分析仪实时检测得到的待测输水系统的藻类生长情况数据;采用壳菜生长分析模型对超声波相关数据和藻类生长情况数据进行壳菜生长分析,得到待测输水系统的壳菜生长数据。通过上述描述可知,本发明的壳菜生长数据在线监测的装置能够实时在线对壳菜生长数据进行监测,既节省人力物力,又提高了检测效率,还能得到准确的壳菜生长数据,缓解了现有的人工检测壳菜生长数据的方法过程繁琐、耗费人力物力、检测效率低的技术问题。
可选地,超声波流量计安装于待测输水系统的测量点的位置,激光原位粒子尺寸分析仪安装于待测输水系统的测量点的位置;超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
可选地,壳菜生长分析模型为预先训练的用于进行壳菜生长分析的模型,壳菜生长数据至少包括:壳菜当前的生长厚度。
可选地,该装置还用于:根据壳菜生长数据进行报警。
可选地,该装置还用于:部署原始壳菜生长分析模型;获取训练样本集,其中,训练样本集中包括:超声波相关数据样本、藻类生长情况数据样本和壳菜生长数据样本;采用训练样本集对原始壳菜生长分析模型进行训练,得到壳菜生长分析模型。
可选地,对原始壳菜生长分析模型进行训练的训练次数为第一预设值,训练目标为第二预设值,学习率为第三预设值。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
如图5所示,本申请实施例提供的一种电子设备600,包括:处理器601、存储器602和总线,所述存储器602存储有所述处理器601可执行的机器可读指令,当电子设备运行时,所述处理器601与所述存储器602之间通过总线通信,所述处理器601执行所述机器可读指令,以执行如上述壳菜生长数据在线监测的确定方法的步骤。
具体地,上述存储器602和处理器601能够为通用的存储器和处理器,这里不做具体限定,当处理器601运行存储器602存储的计算机程序时,能够执行上述壳菜生长数据在线监测的确定方法。
处理器601可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602,处理器601读取存储器602中的信息,结合其硬件完成上述方法的步骤。
对应于上述壳菜生长数据在线监测的确定方法,本申请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存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述壳菜生长数据在线监测的确定方法的步骤。
本申请实施例所提供的壳菜生长数据在线监测的确定装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元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通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
再例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、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,所述模块、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方式中,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,两个连续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动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种壳菜生长数据在线监测的方法,其特征在于,包括:
获取设置于待测输水系统的超声波流量计实时检测得到的所述待测输水系统的超声波相关数据和设置于所述待测输水系统的激光原位粒子尺寸分析仪实时检测得到的所述待测输水系统的藻类生长情况数据,其中,所述超声波流量计设置于所述待测输水系统的不同高度部位,所述超声波流量计包括:发射端的超声波换能器探头和接收端的超声波换能器探头,且每个高度部位的所述待测输水系统的两侧分别对应设置一个所述发射端的超声波换能器探头和一个所述接收端的超声波换能器探头,所述发射端的超声波换能器探头用于发射超声波信号,所述超声波相关数据为所述接收端的超声波换能器探头检测到的,所述藻类生长情况数据用于表征藻类对所述超声波信号的影响;
采用壳菜生长分析模型对所述超声波相关数据和所述藻类生长情况数据进行壳菜生长分析,得到所述待测输水系统的壳菜生长数据。
2.根据权利要求1所述的方法,其特征在于,所述超声波流量计安装于所述待测输水系统的测量点的位置,所述激光原位粒子尺寸分析仪安装于所述待测输水系统的测量点的位置;
所述超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,所述藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
3.根据权利要求1所述的方法,其特征在于,所述壳菜生长分析模型为预先训练的用于进行壳菜生长分析的模型,所述壳菜生长数据至少包括:壳菜当前的生长厚度。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述壳菜生长数据进行报警。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
部署原始壳菜生长分析模型;
获取训练样本集,其中,所述训练样本集中包括:超声波相关数据样本、藻类生长情况数据样本和壳菜生长数据样本;
采用所述训练样本集对所述原始壳菜生长分析模型进行训练,得到所述壳菜生长分析模型。
6.根据权利要求5所述的方法,其特征在于,对所述原始壳菜生长分析模型进行训练的训练次数为第一预设值,训练目标为第二预设值,学习率为第三预设值。
7.一种壳菜生长数据在线监测的装置,其特征在于,包括:
获取单元,用于获取设置于待测输水系统的超声波流量计实时检测得到的所述待测输水系统的超声波相关数据和设置于所述待测输水系统的激光原位粒子尺寸分析仪实时检测得到的所述待测输水系统的藻类生长情况数据,其中,所述超声波流量计设置于所述待测输水系统的不同高度部位,所述超声波流量计包括:发射端的超声波换能器探头和接收端的超声波换能器探头,且每个高度部位的所述待测输水系统的两侧分别对应设置一个所述发射端的超声波换能器探头和一个所述接收端的超声波换能器探头,所述发射端的超声波换能器探头用于发射超声波信号,所述超声波相关数据为所述接收端的超声波换能器探头检测到的,所述藻类生长情况数据用于表征藻类对所述超声波信号的影响;
壳菜生长分析单元,用于采用壳菜生长分析模型对所述超声波相关数据和所述藻类生长情况数据进行壳菜生长分析,得到所述待测输水系统的壳菜生长数据。
8.根据权利要求7所述的装置,其特征在于,所述超声波流量计安装于所述待测输水系统的测量点的位置,所述激光原位粒子尺寸分析仪安装于所述待测输水系统的测量点的位置;
所述超声波相关数据包括:超声波正逆向信号强度、超声波正逆向波形、超声波速度、超声波正逆向传送时间和测量点水温,所述藻类生成情况数据包括:测量点的粒子大小分布、测量点的粒子浓度、测量点的光透度和测量点的温度压力。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
10.一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存储有机器可运行指令,所述机器可运行指令在被处理器调用和运行时,所述机器可运行指令促使所述处理器运行上述权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244157.3A CN114323162B (zh) | 2022-03-14 | 2022-03-14 | 壳菜生长数据在线监测的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210244157.3A CN114323162B (zh) | 2022-03-14 | 2022-03-14 | 壳菜生长数据在线监测的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114323162A CN114323162A (zh) | 2022-04-12 |
CN114323162B true CN114323162B (zh) | 2022-06-28 |
Family
ID=81033820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210244157.3A Active CN114323162B (zh) | 2022-03-14 | 2022-03-14 | 壳菜生长数据在线监测的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114323162B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818755A (zh) * | 2012-07-23 | 2012-12-12 | 河海大学 | 使用激光粒度仪实测微囊藻密度及群体大小的方法 |
CN105122035A (zh) * | 2013-04-18 | 2015-12-02 | 索理思科技开曼公司 | 用于检测并分析沉积物的装置和方法 |
CN105865988A (zh) * | 2015-01-23 | 2016-08-17 | 中国科学院重庆绿色智能技术研究院 | 一种浮游植物细胞粒径分布的检测分析方法 |
CN107314966A (zh) * | 2017-06-29 | 2017-11-03 | 太湖流域水文水资源监测中心(太湖流域水环境监测中心) | 一种流式细胞仪藻类在线检测系统及方法 |
CN107430587A (zh) * | 2014-12-10 | 2017-12-01 | 尼欧基因组学实验室股份有限公司 | 自动化流式细胞术分析方法及系统 |
CN109828091A (zh) * | 2019-02-22 | 2019-05-31 | 广东粤港供水有限公司 | 藻类监控系统及方法 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN211206259U (zh) * | 2019-11-20 | 2020-08-07 | 山东豌豆检测服务有限公司 | 一种藻类浓度检测装置 |
CN113971774A (zh) * | 2021-10-11 | 2022-01-25 | 天津大学 | 一种输水结构表面淡水壳菜空间分布特征识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08271629A (ja) * | 1995-03-30 | 1996-10-18 | Kaiyo Seibutsu Kankyo Kenkyusho | 超音波藻計測装置 |
JP3602109B2 (ja) * | 2002-03-29 | 2004-12-15 | 独立行政法人科学技術振興機構 | 活貝の成長度認識方法及び活貝の成長度認識装置 |
-
2022
- 2022-03-14 CN CN202210244157.3A patent/CN114323162B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818755A (zh) * | 2012-07-23 | 2012-12-12 | 河海大学 | 使用激光粒度仪实测微囊藻密度及群体大小的方法 |
CN105122035A (zh) * | 2013-04-18 | 2015-12-02 | 索理思科技开曼公司 | 用于检测并分析沉积物的装置和方法 |
CN107430587A (zh) * | 2014-12-10 | 2017-12-01 | 尼欧基因组学实验室股份有限公司 | 自动化流式细胞术分析方法及系统 |
CN105865988A (zh) * | 2015-01-23 | 2016-08-17 | 中国科学院重庆绿色智能技术研究院 | 一种浮游植物细胞粒径分布的检测分析方法 |
CN107314966A (zh) * | 2017-06-29 | 2017-11-03 | 太湖流域水文水资源监测中心(太湖流域水环境监测中心) | 一种流式细胞仪藻类在线检测系统及方法 |
CN109828091A (zh) * | 2019-02-22 | 2019-05-31 | 广东粤港供水有限公司 | 藻类监控系统及方法 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN211206259U (zh) * | 2019-11-20 | 2020-08-07 | 山东豌豆检测服务有限公司 | 一种藻类浓度检测装置 |
CN113971774A (zh) * | 2021-10-11 | 2022-01-25 | 天津大学 | 一种输水结构表面淡水壳菜空间分布特征识别方法 |
Non-Patent Citations (2)
Title |
---|
基于神经网络的藻类水华建模与预测研究;李洪斌;《中国博士学位论文全文数据库 (工程科技Ⅰ辑)》;20090515(第05期);第B027-13页 * |
藻细胞计数及死/活分析的流式细胞仪方法;陈慧婷;《深圳职业技术学院学报》;20130228(第01期);第23-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114323162A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pyle et al. | Deep learning for ultrasonic crack characterization in NDE | |
CN111898691A (zh) | 一种河流突发水污染预警溯源方法、系统、终端及介质 | |
JP5458258B2 (ja) | 浮遊物質解析方法及び浮遊物質解析システム | |
CN102608212B (zh) | 基于声压反射系数功率谱测量薄层声阻抗的方法 | |
CN109340586B (zh) | 一种供水管道泄露的检测方法及系统 | |
CN110672875B (zh) | 基于Chirp-Z变换的表面水流速度检测方法 | |
CN101907551A (zh) | 中药提取浓缩液密度超声检测装置及应用 | |
Haris et al. | Sounding out life in the deep using acoustic data from ships of opportunity | |
CN117007681B (zh) | 超声波探伤方法及系统 | |
CN114323162B (zh) | 壳菜生长数据在线监测的方法、装置和电子设备 | |
CN117233257A (zh) | 检测方法、装置、设备及存储介质 | |
Soto-Cajiga et al. | FPGA-based architecture for real-time data reduction of ultrasound signals | |
CN113588794B (zh) | 一种多晶体材料缺陷尺寸的超声测量方法 | |
Li et al. | Nonlinear Bayesian inversion for estimating water pipeline dimensional and material parameters using acoustic wave dispersion | |
Budyn | On the use of the geometric median in delay-and-sum ultrasonic array imaging | |
Rymarczyk et al. | Image reconstruction by solving the inverse problem in ultrasonic transmission tomography system | |
CN114460280B (zh) | 一种大体积混凝土结构隐患病害的定量识别方法及系统 | |
CN110532635A (zh) | 一种基于时域的管道泄漏检测算法 | |
Liao et al. | A fast quality control of 0.5 Hz temperature data in China | |
CN116305665B (zh) | 一种工件横截面残余应力分布的分析方法及相关装置 | |
KR101987450B1 (ko) | 환경측정기기 국산화율 평가방법 | |
CN115791972B (zh) | 钢结构立柱的健康状态评价方法、评价终端及存储介质 | |
Siegler et al. | Surrogate modeling of ultrasonic nondestructive evaluation simulations | |
Canales et al. | Signal processing for corrosion assessment in pipelines with ultrasound PIG using matched filter | |
Daofu et al. | The pattern recognition of non-destructive testing based on HMM |
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 |