CN115546613A - 一种基于次声波的泥石流识别方法及装置 - Google Patents
一种基于次声波的泥石流识别方法及装置 Download PDFInfo
- Publication number
- CN115546613A CN115546613A CN202211525488.0A CN202211525488A CN115546613A CN 115546613 A CN115546613 A CN 115546613A CN 202211525488 A CN202211525488 A CN 202211525488A CN 115546613 A CN115546613 A CN 115546613A
- Authority
- CN
- China
- Prior art keywords
- infrasonic
- data
- infrasound
- debris flow
- flow identification
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010586 diagram Methods 0.000 claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 239000011435 rock Substances 0.000 claims 2
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C23/00—Non-electrical signal transmission systems, e.g. optical systems
- G08C23/02—Non-electrical signal transmission systems, e.g. optical systems using infrasonic, sonic or ultrasonic waves
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Acoustics & Sound (AREA)
- Geophysics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于次声波的泥石流识别方法及装置，该方法包括：先获取待识别区域的次声波数据；然后基于所述次声波数据构建次声时频图；最后将所述次声时频图输入至预设卷积神经网络中得到识别结果，其中，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图，本方案识别率高，且降低了使用成本，提升了用户体验。
Description
技术领域
本发明属于泥石流识别技术领域，具体涉及一种基于次声波的泥石流识别方法及装置。
背景技术
我国山区面积占国土面积的2/3以上，各类地质活动活跃，山区地势陡峻，在一定的降雨条件下易发生泥石流，据统计，我国主要有8万余条泥石流沟，较为严重的有8500处，泥石流的频繁活动对人民生产生活和生命安全造成了极大地影响。准确、有效的泥石流监测和预警对防灾减灾至关重要。
目前，国内外识别泥石流主要有以下几种途径：基于地面调查方法、基于遥感和GIS技术方法和基于一维特征值方法。在基于地面调查的方法中，通过早期泥石流形成的堆积扇、漫滩堆积等痕迹进行识别，该方法识别准确率较高，但需要投入较大成本的时间和人力，且受地形限制性强。在基于遥感和GIS技术方法中，通过构建相关目视解译标志进行泥石流的有效识别，该方法运用范围广，但准确率相对较低。在基于一维特征值方法中，从早期泥石流的地貌、流域面积、高差比值等出发，用过统计学理论构建判别模型进行识别，该方法有利于在大范围内开展泥石流识别，但该方法存在一定误判率。
因此，如何在保证泥石流识别准确率的同时，降低识别成本，是本领域技术人员有待解决的技术问题。
发明内容
本本发明的目的是为了解决现有技术在保证识别泥石流准确度的同时成本较高的技术问题。
为实现上述技术目的，一方面，本发明提供了一种基于次声波的泥石流识别方法，该方法包括：
获取待识别区域的次声波数据；
基于所述次声波数据构建次声时频图；
将所述次声时频图输入至预设卷积神经网络中得到识别结果。
进一步地，所述预设卷积神经网络具体包括1个输入层、2个卷积层、3个池化层、1个瓶颈层、1个全连接层和1个输出层。
进一步地，所述预设卷积神经网络中的激活函数为线性整流函数。
进一步地，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图。
进一步地，所述预处理具体包括低通滤波和小波软阈值去噪。
进一步地，所述基于所述次声波数据构建次声时频图具体为通过连续小波变换法构建所述次声时频图。
另一方面，本发明还提供了一种基于次声波的泥石流识别装置，所述装置包括：
获取模块，用于获取待识别区域的次声波数据；
构建模块，用于基于所述次声波数据构建次声时频图；
识别模块，用于将所述次声时频图输入至预设卷积神经网络中得到识别结果。
进一步地，所述识别模块中的预设卷积神经网络具体包括1个输入层、2个卷积层、3个池化层、1个瓶颈层、1个全连接层和1个输出层。
进一步地，所述获取模块还用于对所述次声波数据进行预处理。
进一步地，所述获取模块执行的预处理具体包括低通滤波和小波软阈值去噪。
本发明提供的一种基于次声波的泥石流识别方法及装置，与现有技术相比，本方法先获取待识别区域的次声波数据；然后基于所述次声波数据构建次声时频图；最后将所述次声时频图输入至预设卷积神经网络中得到识别结果吗，其中，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图，本方案识别率高，且降低了使用成本，提升了用户体验。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书记载的一些实施例，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所示为本说明书实施例提供的基于次声波的泥石流识别方法的流程示意图；
图2所示为本说明书中数据集1中泥石流次声波预处理前的示意时频图；
图3所示为本说明书中数据集2中泥石流次声波预处理后的示意时频图；
图4所示为本说明书实施例提供的基于次声波的泥石流识别装置的结构示意图；
图5所示为本说明书实施例提供的基于次声波的泥石流识别服务器的硬件结构框图；
图6所示为本说明书实施例中预设卷积神经网络的具体结构示意图；
图7所示为本说明书实施例中预设卷积神经网络中瓶颈层的结构示意图。
具体实施方式
为了使本领域普通技术人员更好地理解本说明书中的技术方案，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作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。
如图1所示为本说明实施例提供的基于次声波的泥石流识别方法的流程示意图，虽然本说明提供了如下实施例或附图中所示的方法操作步骤或装置结构，但基于常规或无需创造性劳动在所述方法或装置中可以包括更多或者部分合并后更少的操作步骤或模块单元，在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本说明书实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构在实际中的装置、服务器或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行（例如并行处理器或者多线程处理的环境、甚至包括分布式处理、服务器集群的实施环境）。
本说明实施例中提供的基于次声波的泥石流识别方法可以应用在客户端和服务器等终端设备中，如图1所示，所述方法具体包括如下步骤：
步骤S101、获取待识别区域的次声波数据。
具体的，泥石流启动和运动过程的监测内容主要有流体内固体物质之间，流体与沟道及两岸间发生碰撞产生的次声波、声响、泥位、流速、冲击力等。其中次声波因频率低，具有穿透力强，受大气和水粘滞作用衰减小等特点，能在空气中远距离传输。因此，可以对次声波源进行远距离监测，分析次声与灾害事件的关联性，提高灾害防御能力。
可通过采样频率为100Hz的次声采集仪采集待识别区域的次声波数据。
在本申请实施例中，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图，所述预处理具体包括低通滤波和小波软阈值去噪。
具体的，采集到的次声波数据回包含不同自然现象的次声波，例如风、雨、雷、电等，为了减小环境噪声对次声信号的影响，需要对采集到的数据进行预处理，预处理具体包括低通滤波和小波软阈值去噪，低通滤波具体为采用滤波器中的窗函数法设计低通滤波器，阻隔或减弱频率高于20Hz的高频信号，保留20Hz及以下的次声波数据；小波软阈值去噪具体为对数据进行多尺度分析，分离出次声波数据的不同频段，采用和次声信号波形相似的sym3小波进行软阈值去噪再重构，实现信号和噪声的分离，Sym3小波即为消失矩为3的近似对称紧支撑正交小波。能保证信号的局部特性并减少失真。
步骤S102、基于所述次声波数据构建次声时频图。
在本申请实施例中，所述基于所述次声波数据构建次声时频图具体为通过连续小波变换法构建所述次声时频图。
具体的，使用连续小波变换法（CWT）将预处理后的次声信号从一维状态拓展到二维，构建次声时频图，为后续的特征提取做好准备。
步骤S103、将所述次声时频图输入至预设卷积神经网络中得到识别结果。
在本申请实施例中，所述预设卷积神经网络具体包括1个输入层、2个卷积层、3个池化层、1个瓶颈层、1个全连接层和1个输出层，其中，预设卷积神经网络的结果示意图如图6所示，其第一层输入层的输出大小为32×32×1，第二层卷积层卷积核大小为5×5，输出为28×28×6，第三层池化层卷积核大小为3×3，输出为14×14×6，第四层卷积层卷积核大小为5×5，输出为10×10×16，第五层池化层卷积核大小为3×3，输出为5×5×16，第六层为瓶颈层，第七层池化层卷积核大小为3×3，输出为2×2×64，第八层为包含256个结点的全连接层，第九层为输出层，包含结果1或结果2，瓶颈层的具体结构示意图如图7所示，其内部包含4个1×1的卷积核、1个3×3的卷积核、1个5×5的卷积核和一个3×3的最大采样，本申请中的预设卷积神经网络是在现有LeNet5的卷积神经网络中改进得到，预设卷积神经网络中的激活函数为线性整流函数，其计算复杂度低、收敛速度快，可以有效的缓解现有LeNet5网络中梯度消失的问题，在预设卷积神经网络中加入瓶颈层结构。能够在增加卷积神经网络的深度和宽度同时提取目标更多的特征。在全连接层采用Dropout策略也即随机失活策略。在深度学习网络的训练过程中，按照一定的概率将神经网络单元暂时从网络中丢弃，防止过拟合。以一定的概率将某些神经元的链接丢弃，减少网络训练参数数量，提升网络训练效果。在预设卷积神经网络最后一层采用Softmax回归也即归一化指数函数作为输出层，它将多个神经元的输出映射到（0,1）区间内，将输出结果转化为概率问题，预设卷积神经网络以时频图集为输入，是否为泥石流次声波标签为输出。
另外，还需要预先对预设卷积神经网络进行训练，由次声采集仪器，在实际环境或室内实验中采集的次声信号，经预处理后转换而成的时频图。共构建2个数据集，数据集1是405张像素为875×656的图片，其中泥石流、风、闪电、雨声、雷电次声波预处理前的时频图各81张；数据集2是相同规模的泥石流、风、闪电、雨声、雷电次声波预处理后的时频图。实验中通过随机划分数据集的方式，以0.8：0.2的比例将数据集划分为训练集与测试集，图2所示为数据集1中泥石流次声波预处理前示意时频图，图3为数据集2中泥石流次声波预处理后示意时频图，通过数据集1和数据集2分别对预设卷积神经网络和传统LeNet网络进行训练，可得到如下表1的实验对比：
表1
| 方法 | 方法a | 方法b | 方法c |
| 识别准确率 | 84.1% | 75.2% | 70.4% |
表1中，方法a为通过数据集2对预设卷积神经网络训练后的识别准确率，方法b为通过数据集1对预设卷积神经网络训练后的识别准确率，方法c为通过数据集1对传统LeNet网络训练后的识别准确率。
基于上述的基于次声波的泥石流识别方法，本说明一个或多个实施例还提供一种基于次声波的泥石流识别的平台、终端，该平台或终端可以包括使用本说明书实施例所述方法的装置、软件、模块、插件、服务器、客户端等并结合必要的实施硬件的装置，基于同一创新构思，本说明书实施例提供的一个或多个实施例中的系统如下面的实施例所述，由于系统解决问题的实施方案与方法类似，因此本说明书实施例具体的系统的实施可以参考前述方法的实施，重复之处不再赘述，以下所使用的术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，软硬件结合的实现也是可能并被构想的。
具体地，图4是本说明书提供的基于次声波的泥石流识别装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的基于次声波的泥石流识别装置包括：
获取模块401，用于获取待识别区域的次声波数据；
构建模块402，用于基于所述次声波数据构建次声时频图；
识别模块403，用于将所述次声时频图输入至预设卷积神经网络中得到识别结果。
需要说明的是，上述的系统根据对应方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照上述对应的方法实施例的描述，在此不作一一赘述。
本申请实施例还提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器被配置为用于执行如上述实施例提供的方法。
本申请实施例提供的电子设备，通过存储器存储处理器的可执行指令，先获取待识别区域的次声波数据；然后基于所述次声波数据构建次声时频图；最后将所述次声时频图输入至预设卷积神经网络中得到识别结果吗，其中，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图，本方案识别率高，且降低了使用成本，提升了用户体验。
本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图5是本说明书一个实施例中基于次声波的泥石流识别服务器的硬件结构框图，该计算机终端可以是上述实施例中的基于次声波的泥石流识别服务器或基于次声波的泥石流识别装置。可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的非易失性存储器200、以及用于通信功能的传输模块300。
非易失性存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的基于次声波的泥石流识别方法对应的程序指令/模块，处理器100通过运行存储在非易失性存储器200内的软件程序以及模块，从而执行各种功能应用以及资源数据更新。非易失性存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，非易失性存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(network interface controller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(radio frequency，rf)模块，其用于通过无线方式与互联网进行通讯。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果，如：
获取待识别区域的次声波数据；
基于所述次声波数据构建次声时频图；
将所述次声时频图输入至预设卷积神经网络中得到识别结果。
所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、u盘；利用光学方式存储信息的装置。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。
本说明书实施例并不局限于必须是符合行业通信标准、标准计算机资源数据更新和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器的形式，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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，例如多个单元或插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，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。
这些计算机程序指令也可装载到计算机或其他可编程资源数据更新设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参考方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种基于次声波的泥石流识别方法，其特征在于，所述方法包括：
获取待识别区域的次声波数据；
基于所述次声波数据构建次声时频图；
将所述次声时频图输入至预设卷积神经网络中得到识别结果。
2.如权利要求1所述的基于次声波的泥石流识别方法，其特征在于，所述预设卷积神经网络具体包括1个输入层、2个卷积层、3个池化层、1个瓶颈层、1个全连接层和1个输出层。
3.如权利要求2所述的基于次声波的泥石流识别方法，其特征在于，所述预设卷积神经网络中的激活函数为线性整流函数。
4.如权利要求1所述的基于次声波的泥石流识别方法，其特征在于，在获取到所述次声波数据之后，还包括对所述次声波数据进行预处理，并基于预处理后的次声波数据构建次声时频图。
5.如权利要求4所述的基于次声波的泥石流识别方法，其特征在于，所述预处理具体包括低通滤波和小波软阈值去噪。
6.如权利要求1所述的基于次声波的泥石流识别方法，其特征在于，所述基于所述次声波数据构建次声时频图具体为通过连续小波变换法构建所述次声时频图。
7.一种基于次声波的泥石流识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别区域的次声波数据；
构建模块，用于基于所述次声波数据构建次声时频图；
识别模块，用于将所述次声时频图输入至预设卷积神经网络中得到识别结果。
8.如权利要求7所述的基于次声波的泥石流识别装置，其特征在于，所述识别模块中的预设卷积神经网络具体包括1个输入层、2个卷积层、3个池化层、1个瓶颈层、1个全连接层和1个输出层。
9.如权利要求7所述的基于次声波的泥石流识别装置，其特征在于，所述获取模块还用于对所述次声波数据进行预处理。
10.如权利要求9所述的基于次声波的泥石流识别装置，其特征在于，所述获取模块执行的预处理具体包括低通滤波和小波软阈值去噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211525488.0A CN115546613A (zh) | 2022-12-01 | 2022-12-01 | 一种基于次声波的泥石流识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211525488.0A CN115546613A (zh) | 2022-12-01 | 2022-12-01 | 一种基于次声波的泥石流识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115546613A true CN115546613A (zh) | 2022-12-30 |
Family
ID=84722042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211525488.0A Pending CN115546613A (zh) | 2022-12-01 | 2022-12-01 | 一种基于次声波的泥石流识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115546613A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
| CN118172647A (zh) * | 2024-05-10 | 2024-06-11 | 成都理工大学 | 基于深度学习的融合模型泥石流次声识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578231A (zh) * | 2013-11-22 | 2014-02-12 | 江兴明 | 基于物联网的山体滑坡和泥石流报警系统 |
| CN104900013A (zh) * | 2015-06-09 | 2015-09-09 | 东华大学 | 一种基于次声波的泥石流监测与报警系统 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN215179897U (zh) * | 2021-04-13 | 2021-12-14 | 四川轻化工大学 | 铁路泥石流滑坡检测装置 |
| CN114399888A (zh) * | 2022-01-04 | 2022-04-26 | 四川爱联科技股份有限公司 | 一种山体灾害预警系统 |
-
2022
- 2022-12-01 CN CN202211525488.0A patent/CN115546613A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103578231A (zh) * | 2013-11-22 | 2014-02-12 | 江兴明 | 基于物联网的山体滑坡和泥石流报警系统 |
| CN104900013A (zh) * | 2015-06-09 | 2015-09-09 | 东华大学 | 一种基于次声波的泥石流监测与报警系统 |
| CN215179897U (zh) * | 2021-04-13 | 2021-12-14 | 四川轻化工大学 | 铁路泥石流滑坡检测装置 |
| CN113670610A (zh) * | 2021-06-09 | 2021-11-19 | 广州大学 | 基于小波变换与神经网络的故障检测方法、系统及介质 |
| CN114399888A (zh) * | 2022-01-04 | 2022-04-26 | 四川爱联科技股份有限公司 | 一种山体灾害预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 胡至华: "泥石流声波信号特征与类型识别", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
| CN117540830B (zh) * | 2024-01-05 | 2024-04-12 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
| CN118172647A (zh) * | 2024-05-10 | 2024-06-11 | 成都理工大学 | 基于深度学习的融合模型泥石流次声识别方法 |
| CN118172647B (zh) * | 2024-05-10 | 2024-08-27 | 成都理工大学 | 基于深度学习的融合模型泥石流次声识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115546613A (zh) | 一种基于次声波的泥石流识别方法及装置 | |
| CN112649198B (zh) | 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用 | |
| CN110874550A (zh) | 数据处理方法、装置、设备和系统 | |
| CN110718235B (zh) | 异常声音检测的方法、电子设备及存储介质 | |
| CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN101739557B (zh) | 基于运动周期分析的人体异常行为识别方法及装置 | |
| CN106680775A (zh) | 一种自动识别雷达信号调制方式的方法和系统 | |
| CN112444858B (zh) | 基于边云协同的地震实时监测ai计算方法、装置及介质 | |
| CN103810717A (zh) | 一种人体行为检测方法及装置 | |
| CN114492831B (zh) | 联邦学习模型的生成方法及其装置 | |
| CN115514627B (zh) | 一种故障根因定位方法、装置、电子设备及可读存储介质 | |
| CN112766421B (zh) | 基于结构感知的人脸聚类方法和装置 | |
| CN105046882A (zh) | 摔倒检测方法以及装置 | |
| CN104766099A (zh) | 基于图像的分布式光纤周界振动信号处理与识别方法 | |
| CN109948639A (zh) | 一种基于深度学习的图片垃圾识别方法 | |
| CN112785578A (zh) | 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统 | |
| CN105913090A (zh) | 基于sdae-svm的sar图像目标分类方法 | |
| CN113642714B (zh) | 基于小样本学习的绝缘子污秽放电状态识别方法及系统 | |
| CN113268370A (zh) | 一种根因告警分析方法、系统、设备及存储介质 | |
| CN115620081A (zh) | 一种目标检测模型的训练方法及目标检测方法、装置 | |
| CN118094487A (zh) | 基于时空感知机制的多源气象要素预测降水的方法及系统 | |
| CN114445663A (zh) | 检测对抗样本的方法、装置及计算机程序产品 | |
| Alshareef et al. | A case-based reasoning approach for pattern detection in Malaysia rainfall data | |
| CN116318925A (zh) | 一种多cnn融合入侵检测方法、系统、介质、设备及终端 | |
| CN115936196A (zh) | 基于时序卷积网络的月降水模型预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221230 |
|
| RJ01 | Rejection of invention patent application after publication |