CN115345021A - 一种海洋生物流拖拽系数的测量系统 - Google Patents
一种海洋生物流拖拽系数的测量系统 Download PDFInfo
- Publication number
- CN115345021A CN115345021A CN202211032029.9A CN202211032029A CN115345021A CN 115345021 A CN115345021 A CN 115345021A CN 202211032029 A CN202211032029 A CN 202211032029A CN 115345021 A CN115345021 A CN 115345021A
- Authority
- CN
- China
- Prior art keywords
- marine
- module
- model
- group
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种海洋生物流拖拽系数的测量系统,包括区域采集模块、模型仿真模块、测试计算模块、运行分析模块、管理平台、移动终端以及云端服务器,所述移动终端用于用户登陆管理平台,并对各组信息进行选择,同时下发相关操作命令;本发明能够确保跟踪框能够与新增的确定海洋生物进行充分的跨相机匹配,避免出现漏匹配,提高后续海洋生物流拖曳系数计算准确性,能够实时向工作人员反馈仿真模型准确率、检出率以及误报率,方便工作人员进行维护,同时能够自行对云端服务器存储数据进行回收清理,提高数据传输效率。
Description
技术领域
本发明涉及生态环境模拟技术领域,尤其涉及一种海洋生物流拖拽系数的测量系统。
背景技术
海洋是地球上最广阔的水体,海洋本身就是地球表面最大的储热体,海流是地球表面最大的热能传送带。海洋与空气之间的气体交换对气候的变化和发展有特别大的影响,随着人们环保意识的不断增强,对海洋生物的研究也成为保护海洋的重要途径之一,海洋生物的多样性不只是海洋状况的重要指针,同时也是保护海洋环境的关键。
现有的海洋生物流拖拽系数测量系统跟踪框与新增的确定海洋生物无法进行跨相机匹配,容易出现漏匹配;此外,现有的海洋生物流拖拽系数的测量系统不方便工作人员进行维护,且数据传输效率差。为此,我们提出一种海洋生物流拖拽系数的测量系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种海洋生物流拖拽系数的测量系统。
为了实现上述目的,本发明采用了如下技术方案:
一种海洋生物流拖拽系数的测量系统,包括区域采集模块、模型仿真模块、测试计算模块、运行分析模块、管理平台、移动终端以及云端服务器;
其中,所述移动终端用于用户登陆管理平台,并对各组信息进行选择,同时下发相关操作命令;
所述管理平台用于接收各子模块发送的数据,并以图形化的形式进行显示,同时接收移动终端发送的操作命令,并下发相关控制指令;
所述区域采集模块用于采集用户选择的海洋区域影像信息以及水流信息;
所述模型仿真模块用于对采集到的区域影像信息进行图像处理,之后对处理后的影像进行级联分析以构建仿真模型;
所述测试计算模块用于依据仿真模型生成的各组数据对相对应区域海洋生物流拖拽系数进行计算记录;
所述运行分析模块用于实时采集仿真模型运行情况,并对其进行修复反馈;
所述云端服务器用于存储计算出的各区域海洋生物流拖拽系数,同时定期对存储数据进行清理回收。
作为本发明的进一步方案,所述移动终端具体包括智能手机、平板电脑以及笔记本电脑。
作为本发明的进一步方案,所述模型仿真模块图像处理具体步骤如下:
步骤一:逐帧提取采集到的影像数据以获取不同时间帧的环境图片,依据各组环境图片的显示比例来确定分块数量,并对该环境图片进行分块处理,同时对分块完成的环境图片通过低通滤波进行模糊处理;
步骤二:对处理完成的环境图片中的每一个像素逐点进行阈值计算,并通过灰度阀值寻找特征区域,得到特征区域后,通过傅里叶正反变换进行图像空间转换至频率空间的相互变换,并对转换至频率空间的环境图片中的高频成分进行滤波处理以减少噪声干扰。
作为本发明的进一步方案,所述傅里叶正反变换具体变换公式如下:
式中,u,v均为频率变量,x,y为该环境图片各像素点坐标,公式(1)为傅里叶正变换,公式(2)为傅里叶反变换。
作为本发明的进一步方案,所述模型仿真模块级联分析具体步骤如下:
步骤(1):模型仿真模块依据各组处理后的环境图片,并对各组环境图片实际视频帧的间隔时间进行计算并记录,同时构建一级骨干卷积神经网络提取出各组环境图片的特征数据并送入双向特征金字塔进行特征融合,并对融合结果进行分类回归以输出检测框、类别和分数;
步骤(2):之后构建二级目标检测网络,并将输入的环境图片的分辨率r,目标检测网络的宽度w和深度d作为待优化的参数,再对目标检测网络架构进行大量的搜索,在目标检测网络参数量小于某一数值的情况下,寻找让其精确率最高的参数(r,w,d),对环境图片中生物检测框信息进行收集,并生成对应检测框坐标,并对相关环境图片进行扩大化剪裁以获取生物图片;
步骤(3):过滤掉各组生物图片中属于背景的简单负样本,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取各跟踪目标的运动状态,运动模型依据对跟踪目标的线性运动假设,对其在视频帧中的运动状态进行定义,收集跟踪目标在当前视频帧中的运动状态,并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计;
步骤(4):依据多目标实时检测算法计算出的第i个区域采集模块当前视频帧中所有海洋生物的检测结果,之后计算第i个区域采集模块当前视频帧种的检测结果与跟踪目标之间的余弦距离,之后采用匈牙利算法对各组余弦距离进行二分匹配;
步骤(5):对于最终匹配失败的跟踪目标的运动模型中的卡尔曼增益和协方差矩阵进行更新,更新完成后,重新对最终匹配失败的各组跟踪目标进行匹配,匹配完成后,依次并行处理每一路视频流的视频帧数据,并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨模块多目标实时跟踪。
作为本发明的进一步方案,所述测试计算模块计算记录具体步骤如下:
第一步:测试计算模块对仿真模型中海洋生物所在深度、运动速度进行提取,并计算各海洋生物在水中加速度,同时接收区域采集模块采集的水流信息;
第二步:依据搜集到的各组数据对各海洋生物外部平均流速的对数分布,并依据其对数分布对各海洋生物表面摩擦力进行计算,之后通过计算出的各组数据对各海洋生物拖曳系数机进行计算,并生成系数记录表记录各海洋生物名称、所在深度以及拖曳系数,其具体计算公式如下:
D=ρCD(z)U2(z) (4)
由公式(3)以及公式(4)可得
CD(z)=[u*/U(z)]2 (5)
式中,z代表水深,U(z)代表距离海洋生物底部z处的流速,u*代表摩擦速度,K代表冯卡门常数,通常值为0.4,z0代表摩擦深度,D代表海洋生物摩擦阻力,ρ代表流体密度,CD(z)代表海洋生物在z处的拖曳系数,其中,u*以及z0可通过最小二乘拟合获取。
作为本发明的进一步方案,所述运行分析模块修复反馈具体步骤如下:
S1:运行分析模块实时收集仿真模型运行数据时,并通过焦点损失函数对该仿真模型仿真过程中的损失值进行计算,其焦点损失函数具体计算公式如下:
FL(pi)=-α(1-pi)γlog(pi) (6)
式中,pi代表预测值,α代表权重因子,γ代表聚焦参数;
S2:运行分析模块判断该损失值是否满足系统默认或人工设定的期望值,若不满足,则对该筛选网络模型进行准确率、检出率以及误报率分析,并将分析结果反馈给工作人员进行查看调整。
作为本发明的进一步方案,所述云端服务器清理回收具体步骤如下:
P1:云端服务器接收到管理平台下发的运算指令后,依据系统默认或人工设定的循环时间值,定期对各组存储数据的回收率进行计算更新,同时将每次更新后的回收率数值反馈至管理平台供工作人员进行查看;
P2:之后云端服务器对各组存储数据依据计算出的回收率的比例进行回收,同时云端服务器将回收信息进行图像化处理,并将其反馈至管理平台以供工作人员查看。
相比于现有技术,本发明的有益效果在于:
1、本系统相较于以往拖拽系数的测量系统,本发明通过模型仿真模块对收集到的海洋区域影像信息进行逐帧处理后,依据各组处理后的环境图片,并对各组环境图片实际视频帧的间隔时间进行计算并记录,之后通过骨干卷积神经网络以及目标检测网络对各组环境图片进行检测以获取各海洋生物图片,之后通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取各海洋生物的运动状态,并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计,之后依据多目标实时检测算法计算出的第i个区域采集模块当前视频帧中所有海洋生物的检测结果,之后采用匈牙利算法进行二分匹配,匹配完成后,依次并行处理每一路视频流的视频帧数据,并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨模块多目标实时跟踪,能够确保跟踪框能够与新增的确定海洋生物进行充分的跨相机匹配,避免出现漏匹配,提高后续海洋生物流拖曳系数计算准确性;
2、本发明通过运行分析模块实时收集仿真模型运行数据时,并通过焦点损失函数对该仿真模型仿真过程中的损失值进行计算,之后运行分析模块判断该损失值是否满足系统默认或人工设定的期望值,若不满足,则对该筛选网络模型进行准确率、检出率以及误报率分析,并将分析结果反馈给工作人员进行查看调整,同时云端服务器自行依据系统默认或人工设定的循环时间值,定期对各组存储数据的回收率进行计算更新,之后云端服务器依据计算出的回收率的比例对各组存储数据进行回收,能够实时向工作人员反馈仿真模型准确率、检出率以及误报率,方便工作人员进行维护,同时能够自行对云端服务器存储数据进行回收清理,提高数据传输效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种海洋生物流拖拽系数的测量系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。
实施例1
参照图1,一种海洋生物流拖拽系数的测量系统,包括区域采集模块、模型仿真模块、测试计算模块、运行分析模块、管理平台、移动终端以及云端服务器。
移动终端用于用户登陆管理平台,并对各组信息进行选择,同时下发相关操作命令。
管理平台用于接收各子模块发送的数据,并以图形化的形式进行显示,同时接收移动终端发送的操作命令,并下发相关控制指令。
区域采集模块用于采集用户选择的海洋区域影像信息以及水流信息。
模型仿真模块用于对采集到的区域影像信息进行图像处理,之后对处理后的影像进行级联分析以构建仿真模型。
具体的,逐帧提取采集到的影像数据以获取不同时间帧的环境图片,依据各组环境图片的显示比例来确定分块数量,并对该环境图片进行分块处理,同时对分块完成的环境图片通过低通滤波进行模糊处理,再对处理完成的环境图片中的每一个像素逐点进行阈值计算,并通过灰度阀值寻找特征区域,得到特征区域后,通过傅里叶正反变换进行图像空间转换至频率空间的相互变换,并对转换至频率空间的环境图片中的高频成分进行滤波处理以减少噪声干扰。
需要进一步说明的是,傅里叶正反变换具体变换公式如下:
式中,u,v均为频率变量,x,y为该环境图片各像素点坐标,公式(1)为傅里叶正变换,公式(2)为傅里叶反变换。
具体的,模型仿真模块依据各组处理后的环境图片,并对各组环境图片实际视频帧的间隔时间进行计算并记录,同时构建一级骨干卷积神经网络提取出各组环境图片的特征数据并送入双向特征金字塔进行特征融合,并对融合结果进行分类回归以输出检测框、类别和分数,之后构建二级目标检测网络,并将输入的环境图片的分辨率r,目标检测网络的宽度w和深度d作为待优化的参数,再对目标检测网络架构进行大量的搜索,在目标检测网络参数量小于某一数值的情况下,寻找让其精确率最高的参数(r,w,d),对环境图片中生物检测框信息进行收集,并生成对应检测框坐标,并对相关环境图片进行扩大化剪裁以获取生物图片,再过滤掉各组生物图片中属于背景的简单负样本,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取各跟踪目标的运动状态,运动模型依据对跟踪目标的线性运动假设,对其在视频帧中的运动状态进行定义,收集跟踪目标在当前视频帧中的运动状态,并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计,之后依据多目标实时检测算法计算出的第i个区域采集模块当前视频帧中所有海洋生物的检测结果,之后计算第i个区域采集模块当前视频帧种的检测结果与跟踪目标之间的余弦距离,之后采用匈牙利算法对各组余弦距离进行二分匹配,对于最终匹配失败的跟踪目标的运动模型中的卡尔曼增益和协方差矩阵进行更新,更新完成后,重新对最终匹配失败的各组跟踪目标进行匹配,匹配完成后,依次并行处理每一路视频流的视频帧数据,并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨模块多目标实时跟踪。
实施例2
参照图1,一种海洋生物流拖拽系数的测量系统,包括区域采集模块、模型仿真模块、测试计算模块、运行分析模块、管理平台、移动终端以及云端服务器。
测试计算模块用于依据仿真模型生成的各组数据对相对应区域海洋生物流拖拽系数进行计算记录。
具体的,测试计算模块对仿真模型中海洋生物所在深度、运动速度进行提取,并计算各海洋生物在水中加速度,同时接收区域采集模块采集的水流信息,之后依据搜集到的各组数据对各海洋生物外部平均流速的对数分布,并依据其对数分布对各海洋生物表面摩擦力进行计算,再通过计算出的各组数据对各海洋生物拖曳系数机进行计算,并生成系数记录表记录各海洋生物名称、所在深度以及拖曳系数。
需要进一步说明的是,具体计算公式如下:
D=ρCD(z)U2(z) (4)
由公式(3)以及公式(4)可得
CD(z)=[u*/U(z)]2 (5)
式中,z代表水深,U(z)代表距离海洋生物底部z处的流速,u*代表摩擦速度,K代表冯卡门常数,通常值为0.4,z0代表摩擦深度,D代表海洋生物摩擦阻力,ρ代表流体密度,CD(z)代表海洋生物在z处的拖曳系数,其中,u*以及z0可通过最小二乘拟合获取。
运行分析模块用于实时采集仿真模型运行情况,并对其进行修复反馈。
具体的,运行分析模块实时收集仿真模型运行数据时,并通过焦点损失函数对该仿真模型仿真过程中的损失值进行计算,之后运行分析模块判断该损失值是否满足系统默认或人工设定的期望值,若不满足,则对该筛选网络模型进行准确率、检出率以及误报率分析,并将分析结果反馈给工作人员进行查看调整。
需要进一步说明的是,其焦点损失函数具体计算公式如下:
FL(pi)=-α(1-pi)γlog(pi) (6)
式中,pi代表预测值,α代表权重因子,γ代表聚焦参数。
云端服务器用于存储计算出的各区域海洋生物流拖拽系数,同时定期对存储数据进行清理回收。
具体的,云端服务器接收到管理平台下发的运算指令后,依据系统默认或人工设定的循环时间值,定期对各组存储数据的回收率进行计算更新,同时将每次更新后的回收率数值反馈至管理平台供工作人员进行查看,之后云端服务器对各组存储数据依据计算出的回收率的比例进行回收,同时云端服务器将回收信息进行图像化处理,并将其反馈至管理平台以供工作人员查看。
Claims (8)
1.一种海洋生物流拖拽系数的测量系统,其特征在于:包括区域采集模块、模型仿真模块、测试计算模块、运行分析模块、管理平台、移动终端以及云端服务器;
其中,所述移动终端用于用户登陆管理平台,并对各组信息进行选择,同时下发相关操作命令;
所述管理平台用于接收各子模块发送的数据,并以图形化的形式进行显示,同时接收移动终端发送的操作命令,并下发相关控制指令;
所述区域采集模块用于采集用户选择的海洋区域影像信息以及水流信息;
所述模型仿真模块用于对采集到的区域影像信息进行图像处理,之后对处理后的影像进行级联分析以构建仿真模型;
所述测试计算模块用于依据仿真模型生成的各组数据对相对应区域海洋生物流拖拽系数进行计算记录;
所述运行分析模块用于实时采集仿真模型运行情况,并对其进行修复反馈;
所述云端服务器用于存储计算出的各区域海洋生物流拖拽系数,同时定期对存储数据进行清理回收。
2.根据权利要求1所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述移动终端具体包括智能手机、平板电脑以及笔记本电脑。
3.根据权利要求1所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述模型仿真模块图像处理具体步骤如下:
步骤一:逐帧提取采集到的影像数据以获取不同时间帧的环境图片,依据各组环境图片的显示比例来确定分块数量,并对该环境图片进行分块处理,同时对分块完成的环境图片通过低通滤波进行模糊处理;
步骤二:对处理完成的环境图片中的每一个像素逐点进行阈值计算,并通过灰度阀值寻找特征区域,得到特征区域后,通过傅里叶正反变换进行图像空间转换至频率空间的相互变换,并对转换至频率空间的环境图片中的高频成分进行滤波处理以减少噪声干扰。
5.根据权利要求3所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述模型仿真模块级联分析具体步骤如下:
步骤(1):模型仿真模块依据各组处理后的环境图片,并对各组环境图片实际视频帧的间隔时间进行计算并记录,同时构建一级骨干卷积神经网络提取出各组环境图片的特征数据并送入双向特征金字塔进行特征融合,并对融合结果进行分类回归以输出检测框、类别和分数;
步骤(2):之后构建二级目标检测网络,并将输入的环境图片的分辨率r,目标检测网络的宽度w和深度d作为待优化的参数,再对目标检测网络架构进行大量的搜索,在目标检测网络参数量小于某一数值的情况下,寻找让其精确率最高的参数(r,w,d),对环境图片中生物检测框信息进行收集,并生成对应检测框坐标,并对相关环境图片进行扩大化剪裁以获取生物图片;
步骤(3):过滤掉各组生物图片中属于背景的简单负样本,并通过卡尔曼滤波理论建立运动模型,同时通过构建的运动模型实时获取各跟踪目标的运动状态,运动模型依据对跟踪目标的线性运动假设,对其在视频帧中的运动状态进行定义,收集跟踪目标在当前视频帧中的运动状态,并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计;
步骤(4):依据多目标实时检测算法计算出的第i个区域采集模块当前视频帧中所有海洋生物的检测结果,之后计算第i个区域采集模块当前视频帧种的检测结果与跟踪目标之间的余弦距离,之后采用匈牙利算法对各组余弦距离进行二分匹配;
步骤(5):对于最终匹配失败的跟踪目标的运动模型中的卡尔曼增益和协方差矩阵进行更新,更新完成后,重新对最终匹配失败的各组跟踪目标进行匹配,匹配完成后,依次并行处理每一路视频流的视频帧数据,并对每一路视频流中下采样后得到的视频帧依次执行目标标记、估计跟踪目标的运动状态、匹配关联以及跨模块多目标实时跟踪。
6.根据权利要求5所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述测试计算模块计算记录具体步骤如下:
第一步:测试计算模块对仿真模型中海洋生物所在深度、运动速度进行提取,并计算各海洋生物在水中加速度,同时接收区域采集模块采集的水流信息;
第二步:依据搜集到的各组数据对各海洋生物外部平均流速的对数分布,并依据其对数分布对各海洋生物表面摩擦力进行计算,之后通过计算出的各组数据对各海洋生物拖曳系数机进行计算,并生成系数记录表记录各海洋生物名称、所在深度以及拖曳系数,其具体计算公式如下:
D=ρCD(z)U2(z) (4)
由公式(3)以及公式(4)可得
CD(z)=[u*/U(z)]2 (5)
式中,z代表水深,U(z)代表距离海洋生物底部z处的流速,u*代表摩擦速度,K代表冯卡门常数,通常值为0.4,z0代表摩擦深度,D代表海洋生物摩擦阻力,ρ代表流体密度,CD(z)代表海洋生物在z处的拖曳系数,其中,u*以及z0可通过最小二乘拟合获取。
7.根据权利要求1所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述运行分析模块修复反馈具体步骤如下:
S1:运行分析模块实时收集仿真模型运行数据时,并通过焦点损失函数对该仿真模型仿真过程中的损失值进行计算,其焦点损失函数具体计算公式如下:
FL(pi)=-α(1-pi)γlog(pi) (6)
式中,pi代表预测值,α代表权重因子,γ代表聚焦参数;
S2:运行分析模块判断该损失值是否满足系统默认或人工设定的期望值,若不满足,则对该筛选网络模型进行准确率、检出率以及误报率分析,并将分析结果反馈给工作人员进行查看调整。
8.根据权利要求1所述的一种海洋生物流拖拽系数的测量系统,其特征在于:所述云端服务器清理回收具体步骤如下:
P1:云端服务器接收到管理平台下发的运算指令后,依据系统默认或人工设定的循环时间值,定期对各组存储数据的回收率进行计算更新,同时将每次更新后的回收率数值反馈至管理平台供工作人员进行查看;
P2:之后云端服务器对各组存储数据依据计算出的回收率的比例进行回收,同时云端服务器将回收信息进行图像化处理,并将其反馈至管理平台以供工作人员查看。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032029.9A CN115345021A (zh) | 2022-08-26 | 2022-08-26 | 一种海洋生物流拖拽系数的测量系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211032029.9A CN115345021A (zh) | 2022-08-26 | 2022-08-26 | 一种海洋生物流拖拽系数的测量系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115345021A true CN115345021A (zh) | 2022-11-15 |
Family
ID=83954874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211032029.9A Pending CN115345021A (zh) | 2022-08-26 | 2022-08-26 | 一种海洋生物流拖拽系数的测量系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115345021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理系统 |
-
2022
- 2022-08-26 CN CN202211032029.9A patent/CN115345021A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189439A (zh) * | 2023-05-05 | 2023-05-30 | 成都市青羊大数据有限责任公司 | 城市智能管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034548B (zh) | 一种适用于嵌入式终端的多目标跟踪方法及其系统 | |
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
CN112884742B (zh) | 一种基于多算法融合的多目标实时检测、识别及跟踪方法 | |
CN111553950B (zh) | 一种钢卷对中判断方法、系统、介质及电子终端 | |
CN111862145B (zh) | 一种基于多尺度行人检测的目标跟踪方法 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN104778699B (zh) | 一种自适应对象特征的跟踪方法 | |
CN112257799A (zh) | 一种生活垃圾目标检测的方法、系统及装置 | |
CN114266977A (zh) | 基于超分辨可选择网络的多auv的水下目标识别方法 | |
CN111091101A (zh) | 基于一步法的高精度行人检测方法、系统、装置 | |
CN117237902B (zh) | 基于深度学习的机器人物体识别系统 | |
CN116977937A (zh) | 一种行人重识别的方法及系统 | |
CN115019103A (zh) | 基于坐标注意力群组优化的小样本目标检测方法 | |
CN115497015A (zh) | 一种基于卷积神经网络的河流漂浮污染物识别方法 | |
CN115345021A (zh) | 一种海洋生物流拖拽系数的测量系统 | |
CN114707604A (zh) | 一种基于时空注意力机制的孪生网络跟踪系统及方法 | |
CN108153519A (zh) | 一种目标智能跟踪方法通用设计框架 | |
CN116664545A (zh) | 一种基于深度学习的近海底栖生物定量检测方法及系统 | |
CN110503663B (zh) | 一种基于抽帧检测的随机多目标自动检测跟踪方法 | |
CN114580482A (zh) | 基于边缘计算节点与数据中心的无线电信号特征采集方法 | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
CN117557789B (zh) | 一种海上目标的智能化检测方法及系统 | |
CN115620379B (zh) | 一种基于计算机视觉的商场寻人方法 | |
Cui et al. | Mobile Big Data Analytics for Human Behavior Recognition in Wireless Sensor Network Based on Transfer Learning | |
CN116597311A (zh) | 一种竹林形态的动态图像采集方法 |
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 |