CN115792923A - 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 - Google Patents
一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 Download PDFInfo
- Publication number
- CN115792923A CN115792923A CN202211513087.3A CN202211513087A CN115792923A CN 115792923 A CN115792923 A CN 115792923A CN 202211513087 A CN202211513087 A CN 202211513087A CN 115792923 A CN115792923 A CN 115792923A
- Authority
- CN
- China
- Prior art keywords
- disaster
- underwater disaster
- organisms
- underwater
- sonar
- 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
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种光‑声结合的滨海核电水下致灾生物监测方法。方法包括:获取不同种类的水下致灾生物的图像数据及声呐数据;对图像数据进行对应水下致灾生物的统计,并输出水下致灾生物的优势种分类矩阵;基于声呐数据及水下致灾生物的优势种分类矩阵进行对应水下致灾生物的数量统计。本发明采用光学成像图像识别的监控方法,无需打捞辨认即可获取目标海域存在的致灾生物种类,时效性高且对人工依赖低。通过光学识别的方法获取目标的种类信息,为声学生物量计算提供了可靠依据。光‑声结合协同监测的方式,结合了光学手段能精确识别种类和声学手段能大面积监测生物量的优点,且对人工依赖较低,自动化水平高,有效提高了监测的智能化水平。
Description
技术领域
本发明涉及水下监测技术领域,尤其涉及一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备。
背景技术
近年来,海洋生物暴发导致滨海核电站冷源取水口堵塞,进而导致核电机组停堆的事件时有发生。滨海核电站循环冷却水系统以及其他重要设备等冷却供水均依赖核电站取水口。根据世界核电运营者协会(WANO)统计,2004年至20015年,共累计发生104起冷源取水口堵塞事件中,海洋生物致灾堵塞占58%以上。因此,冷源取水口安全保障问题,一直是滨海核电站稳定运行的重中之重,需要对目标海域进行监控,估算其生物量,为核电安全运营提供技术支持。
光学成像是常用的生物监测手段,常规的水下摄像头监测的主要流程:根据水深布置摄像头,通过布线为摄像头供电和传输数据,人工长期监测回传数据,当出现致灾生物的时候需人工判读生物种类、估计生物数量。缺点是严重需要人工长期监测,受海洋环境影响光学成像范围较小,难以大范围估算生物量。
声学探测能获得远距离、大范围的目标信息,是水下中、远距离探测,水下生物大范围调查的重要手段。现有的声呐探测系统主要工作流程:实地调查海域内现存的致灾生物并捕捞生物样本,对不同样本的声学目标强度进行实验室测量,然后使用声呐采集目标海域一定时间内的回波强度,根据打捞情况判断实际海域中的致灾生物种类,根据种类确定其目标强度,最后再结合回波强度估算生物量。缺点是需要捕捞确定当前海域的主要生物种类,耗时耗力。
发明内容
有鉴于此,本发明的目的在于提出一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备,能够综合声光两种技术的优点,在无需捕捞的情况下完成对大范围内的生物量估算,减少对人工的依赖,提高监控智能化水平。
根据本发明的一个方面,提供一种光-声结合的滨海核电水下致灾生物监测方法,包括:获取不同种类的水下致灾生物的图像数据及声呐数据;对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵;基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
根据本发明的另一个方面,提供一种光-声结合的滨海核电水下致灾生物监测装置,包括:获取模块、图像统计模块、声光分析模块;所述获取模块,用于获取不同种类的水下致灾生物的图像数据及声呐数据;所述图像统计模块,用于对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵;所述声光分析模块,用于基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
根据本发明的又一个方面,提供一种光-声结合的滨海核电水下致灾生物监测设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述任一项所述的光-声结合的滨海核电水下致灾生物监测方法。
根据本发明的再一个方面,提供一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上述任一项所述的光-声结合的滨海核电水下致灾生物监测方法。
可以发现,以上方案,本发明采用光学成像图像识别的监控方法,无需打捞辨认即可获取目标海域存在的致灾生物种类,时效性高且对人工依赖低。通过光学识别的方法获取目标的种类信息,为声学生物量计算提供了可靠依据。光-声结合协同监测的方式,结合了光学手段能精确识别种类和声学手段能大面积监测生物量的优点,且对人工依赖较低,自动化水平高,有效提高了监测的智能化水平。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明光-声结合的滨海核电水下致灾生物监测方法一实施例的流程示意图;
图2是本发明光-声结合的滨海核电水下致灾生物监测装置一实施例的光-声结合的滨海核电水下致灾生物监测装置结构示意图;
图3是本发明光-声结合的滨海核电水下致灾生物监测装置一实施例的光-声结合的滨海核电水下致灾生物监测装置原理示意图;
图4是本发明光-声结合的滨海核电水下致灾生物监测装置一实施例的水下坐底平台探头安装示意图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,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它实施例,都属于本发明保护的范围。
本发明提供一种光-声结合的滨海核电水下致灾生物监测方法,能够综合声光两种技术的优点,在无需捕捞的情况下完成对大范围内的生物量估算,减少对人工的依赖,提高监控智能化水平。
请参见图1,图1是本发明光-声结合的滨海核电水下致灾生物监测方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括如下步骤:
S101:获取不同种类的水下致灾生物的图像数据及声呐数据。
在本实施例中,图像和声呐平行采集所述不同种类的水下致灾生物。
在本实施例中,所谓平行采集即声呐探头安装在坐底平台正中居右侧的位置,光学镜头安装在坐底平台正中居左侧的位置,两个探头平行安装,针对同一海域进行探测,且相互之间不构成干扰。
S102:对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵。
在本实施例中,基于图像算法确定所述水下致灾生物的数量,和依据图像算法确定所述水下致灾生物的类别n,和基于算法输出1×n的分列矩阵N;和当第i类别下的所述水下致灾生物占总数的60%及以上,则输出对应所述第i类别下的所述水下致灾生物的优势种的分类矩阵N=[1、0、0、……、0],和重复上述步骤直至获得所有所述图像数据对应的所述水下致灾生物的优势种的分类矩阵。
具体的,
通过智能算法对图像中的生物进行分类确定不同生物的数量,在本实施例中智能算法可以是机器学习算法、深度学习算法等,本实施例并不加以限定。该海域所有目标生物的种类为n,算法输出的一个大小为1×n的分类矩阵N。如果生物1占总数的60%以上,则可认为生物1为目前的优势种,算法输出优势种分类矩阵N=[1、0、0、……、0];如果生物2占总数的60%以上,则可认为生物2为目前的优势种,算法输出优势种分类矩阵N=[1、0、0、……、0];后续以此类推。需要理解的是,如果平时没有生物爆发,那么就是正常的。如果有生物爆发,那么肯定是某种生物占优势的,这种占优势的生物会大量存在于海域内。
S103:基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
在本实施例中,基于声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n]以及脉冲回波的散射截面,和根据所述水下致灾生物的优势种分类矩阵和所述声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS,和通过所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs,和通过声呐数据获得的脉冲回波的散射截面和所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的数量。
具体的,
首先,该海域所有目标生物所对应的该种类生物的单个个体平均目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n],则可根据优势种分类矩阵和单个个体平均目标强度矩阵计算当前海域占优势的致灾生物单个个体平均强度TS,计算公式如下:
TS=T×NT (1)
其次,可通过公式(2)求得对应的致灾生物单个个体平均散射截面σbs。
声呐的工作模式为:声呐向目标海域发射声波,水下声波在传播的过程中遇见生物后,会产生回波。同时控制声呐接收带有信息的反射声波,将声信号转化为电信号后,回传到工业计算机中,获得脉冲回波的散射截面SV。
最后,通过换能器直接获得脉冲回波的散射截面SV,再除以前述方法获取的致灾生物单个个体平均散射截面σbs,即可得到整个目标区域当下的生物量数量n,计算公式如(3)。
可以发现,在本实施例中,本发明采用光学成像图像识别的监控方法,无需打捞辨认即可获取目标海域存在的致灾生物种类,时效性高且对人工依赖低。通过光学识别的方法获取目标的种类信息,为声学生物量计算提供了可靠依据。光-声结合协同监测的方式,结合了光学手段能精确识别种类和声学手段能大面积监测生物量的优点,且对人工依赖较低,自动化水平高,有效提高了监测的智能化水平。
本发明还提出一种光-声结合的滨海核电水下致灾生物监测装置。本实施例中,该光-声结合的滨海核电水下致灾生物监测装置,包括:
获取模块、图像统计模块、声光分析模块;
所述获取模块,用于获取不同种类的水下致灾生物的图像数据及声呐数据;
所述图像统计模块,用于对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵;
所述声光分析模块,用于基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
可选地,获取模块,可以具体用于:
图像和声呐平行采集所述不同种类的水下致灾生物。
可选地,图像统计模块,可以具体用于:
基于图像算法确定所述水下致灾生物的数量,和依据图像算法确定所述水下致灾生物的类别n,和基于算法输出1×n的分列矩阵N;和当第i类别下的所述水下致灾生物占总数的60%及以上,则输出对应所述第i类别下的所述水下致灾生物的优势种的分类矩阵N=[1、0、0、……、0],和重复上述步骤直至获得所有所述图像数据对应的所述水下致灾生物的优势种的分类矩阵。
可选地,声光分析模块,可以具体用于:
基于声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n]以及脉冲回波的散射截面,和根据所述水下致灾生物的优势种分类矩阵和所述声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS,和通过所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs,和通过声呐数据获得的脉冲回波的散射截面和所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的数量。
该光-声结合的滨海核电水下致灾生物监测装置的各个单元模块可分别执行上述方法实施例中对应步骤,故在此不对各单元模块进行赘述,详细请参见以上对应步骤的说明。
在本实施例中,装置的实际案例说明请参阅图2-4。图2是光-声结合的滨海核电水下致灾生物监测装置结构示意图;图3是光-声结合的滨海核电水下致灾生物监测装置原理示意图;图4是水下坐底平台探头安装示意图。
图中,1为岸基工作柜,2为工业电脑,3为水下坐底平台,4为光学摄像头,5为声呐。其中,光学摄像头,声呐和水下坐底平台为获取模块;工业电脑和岸基工作柜为图像统计模块、声光分析模块;
岸基工作柜由不锈钢材质组成,整体尺寸长80厘米,宽58厘米,高120厘米。工作柜可移动、也可通过螺栓固定在地面,能有效减少风雨及潮湿对系统造成的影响并为系统提供稳定供电。岸基工作柜包含供电模块可为系统提供220V市电,内含工业电脑一台,声呐控制主机一台。
光学摄像头为三合一光学摄像头由光学镜头、电动刷子、补光灯和外框架构成。光学镜头成像分辨率为1920*1080,成像位深度24位;电动刷子置于摄像头前清理镜头附着物;补光灯提供1000流明补光。此外,电动刷子固定于镜头上方,可以在电机驱动下,左右70度摆动;补光灯位于光学镜头侧面,补光方向平行于镜头聚焦方向。其功能为采集水下光学信号,当目标生物出现在镜头范围内时,摄像头能采集到目标图像并将数据回传至工业电脑进一步处理。
声呐为收发合置声呐,即可以发射声信号,也可以接受声信号。声呐的外观为圆柱形,探头直径26cm,探头高度22cm,探头重量17kg。声呐的工作频率为38Khz,波束宽度10°×10°,声源级220.4dB,脉冲宽度0.5ms。当声呐作为发射端时,可向目标海域发射声波;当声呐作为接受端时,可接受目标海域中可能存在的生物反射的回波信号,并将信号保存回传至工业电脑做进一步处理。
工业电脑包含光学图像处理程序和声学信号处理软件。所述工业电脑控制整套声-光监测系统,实现对致灾生物的智能化监控。光学图像处理程序实现电刷控制(工作时间、工作频率),灯光控制(工作时间、灯光强度),摄像头控制(是否工作),目标的智能识别(识别目标、保存目标种类、显示目标、获取物种的平均单个目标强度),和监测数据传输、保存等功能。光学软件系统由Python语言编译,可在现有功能基础上二次开发。声学信号处理软件实现声呐的控制(信号发射,信号接收,工作时间等),显示接收声信号,保存数据,根据图像处理程序反馈的结果计算生物量。
水下坐底平台为防腐蚀特种钢材打造,并增加了部分配重,以确保坐底平台能稳定的固定在海底,在面对潮汐和水流冲击时位置不发生偏移和晃动,减少对光学摄像头和声呐的影响,确保采集数据的质量。
声呐探头安装在坐底平台正中居右侧的位置,光学镜头安装在坐底平台正中居左侧的位置,两个探头平行安装,针对同一海域进行探测,且相互之间不构成干扰。
首先,按照图2、图4中的说明,连接系统硬件部分。工业计算机2开机后,启动控制程序,将摄像头4和声呐5置于岸边浅水中,使用控制程序分别控制摄像头4和声呐5,对摄像头4和声呐5的开关机、工作模式设置、工作时间设置、数据传输与保存等功能进行测试。将测试后的摄像头4和声呐5安装在水下坐底平台3上。
按照图3所示,将水下坐底平台部署到目标海域中,声呐可测量目标海域中大范围的生物信号,获取生物量信息;摄像头可测量目标海域中具体生物的信号,获取生物种类信息,通过光学观测和声学观测相结合,可获取目标海域生物的定性定量信息。
摄像头的工作模式为:控制程序控制摄像头4被动接受光学信号并成像,将成像数据通过信号线回传到工业计算机2中,并将数据保存到本地,再通过控制程序自动识别图像中的目标种类,并获取该物种的单个个体目标强度。具体计算方式如下:
首先通过智能算法对图像中的生物进行分类确定不同生物的数量,在本实施例中智能算法可以是机器学习算法、深度学习算法等,本实施例并不加以限定。该海域所有目标生物的种类为n,算法输出的一个大小为1×n的分类矩阵N。如果生物1占总数的60%以上,则可认为生物1为目前的优势种,算法输出优势种分类矩阵N=[1、0、0、……、0];如果生物2占总数的60%以上,则可认为生物2为目前的优势种,算法输出优势种分类矩阵N=[1、0、0、……、0];后续以此类推。
另有该海域所有目标生物所对应的该种类生物的单个个体平均目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n],则可根据优势种分类矩阵和单个个体平均目标强度矩阵计算当前海域占优势的致灾生物单个个体平均强度TS,计算公式如下:
TS=T×NT (1)
其次,可通过公式(2)求得对应的致灾生物单个个体平均散射截面σbs。
声呐的工作模式为:声呐向目标海域发射声波,水下声波在传播的过程中遇见生物后,会产生回波。同时控制声呐接收带有信息的反射声波,将声信号转化为电信号后,回传到工业计算机中,获得脉冲回波的散射截面SV。
最后,通过换能器直接获得脉冲回波的散射截面SV,再除以前述方法获取的致灾生物单个个体平均散射截面σbs,即可得到整个目标区域当下的生物量数量n,计算公式如(3)。
本发明又提供一种光-声结合的滨海核电水下致灾生物监测设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述的光-声结合的滨海核电水下致灾生物监测方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明再提供一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
可以发现,以上方案,本发明采用光学成像图像识别的监控方法,无需打捞辨认即可获取目标海域存在的致灾生物种类,时效性高且对人工依赖低。通过光学识别的方法获取目标的种类信息,为声学生物量计算提供了可靠依据。光-声结合协同监测的方式,结合了光学手段能精确识别种类和声学手段能大面积监测生物量的优点,且对人工依赖较低,自动化水平高,有效提高了监测的智能化水平。
在本发明所提供的几个实施方式中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,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。
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方式方案的目的。
另外,在本发明各个实施方式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。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元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,本发明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全部或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计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种光-声结合的滨海核电水下致灾生物监测方法,其特征在于,包括:
获取不同种类的水下致灾生物的图像数据及声呐数据;
对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵;
基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
2.如权利要求1所述的光-声结合的滨海核电水下致灾生物监测方法,其特征在于,
所述获取不同种类的水下致灾生物的图像数据及声呐数据,包括:
图像和声呐平行采集所述不同种类的水下致灾生物。
3.如权利要求1所述的光-声结合的滨海核电水下致灾生物监测方法,其特征在于,
所述对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵,包括:
基于图像算法确定所述水下致灾生物的数量,和依据图像算法确定所述水下致灾生物的类别n,和基于算法输出1×n的分列矩阵N;和当第i类别下的所述水下致灾生物占总数的60%及以上,则输出对应所述第i类别下的所述水下致灾生物的优势种的分类矩阵N=[1、0、0、……、0],和重复上述步骤直至获得所有所述图像数据对应的所述水下致灾生物的优势种的分类矩阵。
4.如权利要求1所述的光-声结合的滨海核电水下致灾生物监测方法,其特征在于,
所述基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计,包括:
基于声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n]以及脉冲回波的散射截面,和根据所述水下致灾生物的优势种分类矩阵和所述声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS,和通过所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs,和通过声呐数据获得的脉冲回波的散射截面和所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的数量。
5.一种光-声结合的滨海核电水下致灾生物监测装置,其特征在于,包括:
获取模块、图像统计模块、声光分析模块;
所述获取模块,用于获取不同种类的水下致灾生物的图像数据及声呐数据;
所述图像统计模块,用于对所述图像数据进行对应所述水下致灾生物的统计,并输出所述水下致灾生物的优势种分类矩阵;
所述声光分析模块,用于基于声呐数据及所述水下致灾生物的优势种分类矩阵进行对应所述水下致灾生物的数量统计。
6.如权利要求5所述的光-声结合的滨海核电水下致灾生物监测装置,其特征在于,所述获取模块,具体用于:
图像和声呐平行采集所述不同种类的水下致灾生物。
7.如权利要求5所述的光-声结合的滨海核电水下致灾生物监测装置,其特征在于,所述图像统计模块,具体用于:
基于图像算法确定所述水下致灾生物的数量,和依据图像算法确定所述水下致灾生物的类别n,和基于算法输出1×n的分列矩阵N;和当第i类别下的所述水下致灾生物占总数的60%及以上,则输出对应所述第i类别下的所述水下致灾生物的优势种的分类矩阵N=[1、0、0、……、0],和重复上述步骤直至获得所有所述图像数据对应的所述水下致灾生物的优势种的分类矩阵。
8.如权利要求5所述的光-声结合的滨海核电水下致灾生物监测装置,其特征在于,所述声光分析模块,具体用于:
基于声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵T=[TS生物1、TS生物2、TS生物3、……、TS生物n]以及脉冲回波的散射截面,和根据所述水下致灾生物的优势种分类矩阵和所述声呐数据获得声呐扫描面内所有水下致灾生物的对应该种类水下致灾生物的单个个体目标强度矩阵计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS,和通过所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均强度TS计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs,和通过声呐数据获得的脉冲回波的散射截面和所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的优势种的单个个体平均散射截面σbs计算所述声呐扫描面内所述声呐数据对应的所述水下致灾生物的数量。
9.一种光-声结合的滨海核电水下致灾生物监测设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的光-声结合的滨海核电水下致灾生物监测方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的光-声结合的滨海核电水下致灾生物监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513087.3A CN115792923A (zh) | 2022-11-29 | 2022-11-29 | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211513087.3A CN115792923A (zh) | 2022-11-29 | 2022-11-29 | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115792923A true CN115792923A (zh) | 2023-03-14 |
Family
ID=85443200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211513087.3A Pending CN115792923A (zh) | 2022-11-29 | 2022-11-29 | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792923A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289286A (zh) * | 2023-11-24 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 一种水下机器人用的声呐避障装置 |
CN118033660A (zh) * | 2024-04-11 | 2024-05-14 | 上海阿波罗机械股份有限公司 | 一种冷源致灾物的声光识别方法及系统 |
-
2022
- 2022-11-29 CN CN202211513087.3A patent/CN115792923A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289286A (zh) * | 2023-11-24 | 2023-12-26 | 中国电建集团西北勘测设计研究院有限公司 | 一种水下机器人用的声呐避障装置 |
CN117289286B (zh) * | 2023-11-24 | 2024-02-09 | 中国电建集团西北勘测设计研究院有限公司 | 一种水下机器人用的声呐避障装置 |
CN118033660A (zh) * | 2024-04-11 | 2024-05-14 | 上海阿波罗机械股份有限公司 | 一种冷源致灾物的声光识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115792923A (zh) | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 | |
Parker-Stetter et al. | Standard operating procedures for fisheries acoustic surveys in the Great Lakes | |
Burwen et al. | Accuracy and precision of salmon length estimates taken from DIDSON sonar images | |
CN108415323A (zh) | 一种海洋牧场智能化管理系统 | |
CN112549045B (zh) | 一种海洋工程用海底电缆故障检测机器人 | |
US8638641B2 (en) | Real-time robust method for determining the trajectory of one or more cetaceans by means of passive acoustics, using a laptop computer | |
CN110231778B (zh) | 一种通用的uuv水下目标探测仿真方法及系统 | |
KR20170138238A (ko) | 드론을 이용한 적조 예찰 및 추적 시스템 및 방법 | |
CN112180379A (zh) | 一种鱼类数据统计分析系统 | |
CN111443344A (zh) | 一种侧扫声呐海底线自动提取方法及装置 | |
CN114998776A (zh) | 一种联合声学和图像的鱼类目标识别统计装置及方法 | |
CN112882037B (zh) | 侧扫声呐海底线检测方法及装置 | |
Francisco et al. | Use of multibeam imaging sonar for observation of marine mammals and fish on a marine renewable energy site | |
Cotter et al. | Observing fish interactions with marine energy turbines using acoustic cameras | |
Fumagalli et al. | Combined acoustic and video characterization of coastal environment by means of unmanned surface vehicles | |
CN116609786A (zh) | 鱼类统计方法及装置 | |
Baumgartner et al. | Tracking large marine predators in three dimensions: the real-time acoustic tracking system | |
CN114847210B (zh) | 一种大型深远海养殖渔场智能化立体监控体系 | |
CN116523822A (zh) | 一种基于侧扫声呐的海缆检测识别方法 | |
Wada et al. | The development of a remote fish finder system for set-net fishery | |
CN111955425B (zh) | 一种金枪鱼围网精准捕捞辅助决策系统及其方法 | |
CN114113314A (zh) | 一种用于滨海核电站的海洋致灾生物水声监测系统及方法 | |
WO2019017132A1 (ja) | 生育状況測定装置及び生育状況測定方法 | |
Abildtrup Nielsen et al. | Hector's dolphins (Cephalorhynchus hectori) produce both narrowband high-frequency and broadband acoustic signals | |
KR20210099817A (ko) | 사이드 스캔소나를 이용한 이식 키조개 자원량 산정방법 |
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 |