CN116524405A - 海洋风暴的浪高识别方法与系统 - Google Patents
海洋风暴的浪高识别方法与系统 Download PDFInfo
- Publication number
- CN116524405A CN116524405A CN202310489818.3A CN202310489818A CN116524405A CN 116524405 A CN116524405 A CN 116524405A CN 202310489818 A CN202310489818 A CN 202310489818A CN 116524405 A CN116524405 A CN 116524405A
- Authority
- CN
- China
- Prior art keywords
- wave height
- video
- end server
- web front
- target video
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims description 82
- 238000012544 monitoring process Methods 0.000 claims description 70
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 230000003139 buffering effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
- G01C13/004—Measuring the movement of open water vertical movement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Hydrology & Water Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种海洋风暴的浪高识别方法与系统,属于数据识别与预测技术领域。方法包括步骤S100:将第一目标视频帧序列发送至Web前端服务器;S200:预测出未来第一时段的第一浪高预测序列值;S300:基于第二目标视频帧序列得到第二浪高检测序列值;S400:判断第二浪高检测序列值与第一浪高预测序列值的吻合度是否满足预设条件;S500:通过基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果。系统用于实现所述方法。本发明可在实现浪高序列数据的采集、识别的同时迭代训练浪高识别模型,使得输出的浪高识别结果符合期望值。
Description
技术领域
本发明属于数据识别与预测技术领域,尤其涉及一种海洋风暴的浪高识别方法与系统。
背景技术
海洋风暴是航海的“拦路虎”,由海洋风暴衍生的海浪对人类的海上活动和近岸活动有着巨大的影响,甚至会造成人员与经济的损失。海浪成因复杂,波浪的出现和产生具有很高的随机性。传统的近海海浪观测采用波浪浮标与人工观测相结合的方式,预测频率和精度难以保障。
为此,申请号为202010536291.1的中国发明专利申请提出一种基于视频的近岸浪高实时检测系统,通过视频采集卡实时接入近海岸监控站点的视频信号并保存至本地的视频接入与保存模块;对接入的视频信息进行推送的视频流推送模块;接收推送的视频信息并进行预处理以获得海浪特征的视频预处理模块;根据接收的视频信息及海浪特征进行浪高检测以获得浪高信息的浪高检测模块;接收推送的视频信息及浪高信息以进行展示的Web前端,检测简便智能化。
实际应用中,海洋风暴的浪高数据仅靠已有的视频监测是远远不够的,因为视频监测到海浪浪高时海浪已经发生到一定高度,缺乏前瞻性。因此,海浪浪高还需要进行提前预测。经检索,中国发明专利公开CN113283588A公开基于深度学习的近岸单点海浪浪高预报方法,通过采集数据训练模型,将训练好的模型直接用于未来近海单点浪高预测应用中。
然而,发明人发现,虽然上述现有技术涉及视频采集浪高数据并利用浪高数据训练预测模型,但是数据采集后如何有针对性的发送数据以减少数据传输量、模型在何种情况下应当重新训练、具体选择哪些数据执行重训练等,现有技术均没有给出进一步的改进方案。
发明内容
为解决上述技术问题,本发明提出一种海洋风暴的浪高识别方法与系统。
在本发明的第一个方面,提出一种海洋风暴的浪高识别方法,所述方法应用于Web前端服务器,所述方法包括如下步骤:
S000:设定第一数量和第二数量;所述第一数量大于所述第二数量;
S100:当所述海洋视频监测远端检测到海浪时,激活与所述Web前端服务器的数据通信,并将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器;
具体的,当所述海洋视频监测远端检测到海浪时,开始缓存监测视频;
当缓存的监测视频达到第一预设时长时,对所述缓存的监测视频进行采样,获得所述第一数量的第一目标视频帧。
S200:所述Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;
所述基础浪高识别模型为基于深度学习的海浪高度预测模型;
S300:所述Web前端服务器接收所述海洋视频监测远端发送的第二数量的第二目标视频帧序列,基于所述第二数量的第二目标视频帧序列,得到第二浪高检测序列值;
具体的,所述海洋视频监测远端将对应于所述未来第一时段的缓存监测视频进行采样,获得所述第二数量的第二目标视频帧序列。
S400:判断所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度是否满足预设条件;
如果是,当所述第一数量大于所述第二数量时降低所述第一数量,返回步骤S100;当所述第一数量不大于所述第二数量时,进入步骤S500;
如果否,则基于所述第二数量的第二目标视频帧序列和所述第二浪高检测序列值重新训练所述基础浪高识别模型,增大所述第一数量,返回步骤S100;
S500:通过所述基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果。
所述步骤S400中,当所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度满足预设条件并且所述第一数量大于所述第二数量返回所述步骤S100后,
降低所述步骤S100执行的对所述缓存的监测视频进行采样的采样率。
在本发明的第二个方面,提出一种海洋风暴的浪高识别系统,所述识别系统包括Web前端服务器和海洋视频监测远端,所述海洋视频监测远端包括视频监测组件、视频采样组件以及无线传输组件;所述视频采样组件连接至所述视频监测组件,所述Web前端服务器通过所述无线传输组件与所述视频采样组件无线通信。
在功能实现上,各个组件具体实现:
所述视频采样组件对所述视频监测组件采集的视频进行缓存后执行采样,获得多组目标视频帧,并将至少一组目标视频帧通过所述无线传输组件发送至所述Web前端服务器;
所述Web前端服务器包括基础浪高识别模型;
所述Web前端服务器将所述至少一组目标视频帧作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出浪高预测序列值;
所述Web前端服务器基于另一组目标视频帧序列,得到浪高检测序列值;
所述Web前端服务器比较所述浪高预测序列值和所述浪高检测序列值;
基于比较结果,所述视频采样组件调节采样操作的采样率,和/或,重新训练所述基础浪高识别模型。
所述视频监测组件获得第一预设时段的第一视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第一视频进行第一采样操作,获得第一组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器将所述第一组目标视频帧序列作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出在所述第一预设时段之后的未来第二预设时段的浪高预测序列值。
所述视频监测组件获得所述未来第二预设时段的第二视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第二视频进行第二采样操作,获得第二组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器基于所述第二组目标视频帧序列,得到所述浪高检测序列值。
基于比较结果,所述视频采样组件调节所述第一采样操作的采样率。
本发明的技术方案,首先将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器,Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;然后Web前端服务器接收所述海洋视频监测远端发送的第二数量的第二目标视频帧序列,基于所述第二数量的第二目标视频帧序列,得到第二浪高检测序列值;最后判断所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度是否满足预设条件,从而调整数据采样传输方式继续进行数据采集或者通过模型输出,可在实现浪高序列数据的采集、识别的同时迭代训练浪高识别模型,使得输出的浪高识别结果符合期望值。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
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是本发明一个实施例的应用于Web前端服务器的一种海洋风暴的浪高识别方法的主体流程图
图2是图1所述一种海洋风暴的浪高识别方法的部分步骤的具体实现子步骤流程图
图3是实现本发明一个实施例的一种海洋风暴的浪高识别系统的功能模块组成示意图
图4是图3所述一种海洋风暴的浪高识别系统的部分工作原理示意图
具体实施方式
下面,结合附图以及具体实施方式,对发明做出进一步的描述。
图1示出一种海洋风暴的浪高识别方法包括多个步骤S100-S150,各个步骤具体实现如下:
S100:当所述海洋视频监测远端检测到海浪时,激活与所述Web前端服务器的数据通信,并将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器;
S200:所述Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;
S300:所述Web前端服务器接收所述海洋视频监测远端发送的第二数量的第二目标视频帧序列,基于所述第二数量的第二目标视频帧序列,得到第二浪高检测序列值;
S400:判断所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度是否满足预设条件;
如果是,当所述第一数量大于所述第二数量时降低所述第一数量,返回步骤S100;当所述第一数量不大于所述第二数量时,进入步骤S500;
如果否,则基于所述第二数量的第二目标视频帧序列和所述第二浪高检测序列值重新训练所述基础浪高识别模型,增大所述第一数量,返回步骤S100;
S500:通过所述基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果。
所述方法在具体实现时,可应用于Web前端服务器,Web前端服务器通过无线网络连接至海洋视频监测远端,所述海洋视频监测远端包括视频监测组件、视频采样组件以及无线传输组件;所述视频采样组件连接至所述视频监测组件,所述Web前端服务器通过所述无线传输组件与所述视频采样组件无线通信。
在具体执行所述步骤S100-S150之前,所述方法还包括步骤S000:
S000:设定第一数量和第二数量;所述第一数量大于所述第二数量。
可以理解,Web前端服务器是处于近端的可视化控制界面端,由用户直接查看和控制,因此,用户通过可视化控制界面端执行步骤S000,从而设定第一数量和第二数量的初始值。
在具体基础上,参见图2。图2示出了图1中部分步骤的具体实现方式。
图2中,所述步骤S100具体包括:
当所述海洋视频监测远端检测到海浪时,开始缓存监测视频;
当缓存的监测视频达到第一预设时长时,对所述缓存的监测视频进行采样,获得所述第一数量的第一目标视频帧。
因此,可以理解,当所述海洋视频监测远端检测到海浪时,才激活与所述Web前端服务器的数据通信,对所述缓存的监测视频进行采样,获得所述第一数量的第一目标视频帧,并将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器。
具体的,所述视频监测组件获得第一预设时段的第一视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第一视频进行第一采样操作,获得第一组目标视频帧序列发送至所述Web前端服务器;
图2中,步骤S200具体为:所述Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;
具体执行时,所述Web前端服务器包括基础浪高识别模型;所述Web前端服务器将所述至少一组目标视频帧作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出浪高预测序列值;
作为优选,所述基础浪高识别模型为基于深度学习的海浪高度预测模型。
可以理解,海浪高度预测实质上就是时间序列预测,即基于已有的时间序列观测数据预测未来时间序列,现有技术已经存在多种时间序列预测模型,包括传统数值模型(WAM、JSONSWAP、SWAN、WIS、WAVEWATCH III)、机器学习模型(神经网络预测模型、长短期记忆(LSTM)网络、支持向量机(SVM)等)以及基于深度学习的预测模型等,本发明对此不作具体展开,优选采用基于深度学习的海浪高度预测模型效果最佳,因为本发明的预测模型可以实现迭代的针对性训练。
所述Web前端服务器将所述第一组目标视频帧序列作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出在所述第一预设时段之后的未来第二预设时段的浪高预测序列值。
图2中,所述步骤S300具体包括:
所述海洋视频监测远端将对应于所述未来第一时段的缓存监测视频进行采样,获得所述第二数量的第二目标视频帧序列。
具体的,所述视频监测组件获得所述未来第二预设时段的第二视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第二视频进行第二采样操作,获得第二组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器基于所述第二组目标视频帧序列,得到所述浪高检测序列值。
结合图1和图2的实施例,进一步的,所述方法的所述步骤S400中,当所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度满足预设条件并且所述第一数量大于所述第二数量返回所述步骤S100后,降低所述步骤S100执行的对所述缓存的监测视频进行采样的采样率。
为实现前述实施例的方法的各个步骤,参见图3-图4。
图3示出一种海洋风暴的浪高识别系统,所述识别系统包括Web前端服务器和海洋视频监测远端,所述海洋视频监测远端包括多个视频监测组件、至少一个视频采样组件以及无线传输组件;所述视频采样组件连接至所述视频监测组件,所述Web前端服务器通过所述无线传输组件与所述视频采样组件无线通信。
更具体的,参见图4,所述视频采样组件对所述视频监测组件采集的视频进行缓存后执行采样,获得多组目标视频帧,并将至少一组目标视频帧通过所述无线传输组件发送至所述Web前端服务器;
所述Web前端服务器包括基础浪高识别模型;
所述Web前端服务器将所述至少一组目标视频帧作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出浪高预测序列值;
所述Web前端服务器基于另一组目标视频帧序列,得到浪高检测序列值;
所述Web前端服务器比较所述浪高预测序列值和所述浪高检测序列值;
基于比较结果,所述视频采样组件调节采样操作的采样率,和/或,重新训练所述基础浪高识别模型。
在具体实现时,所述视频监测组件获得第一预设时段的第一视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第一视频进行第一采样操作,获得第一组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器将所述第一组目标视频帧序列作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出在所述第一预设时段之后的未来第二预设时段的浪高预测序列值。
所述视频监测组件获得所述未来第二预设时段的第二视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第二视频进行第二采样操作,获得第二组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器基于所述第二组目标视频帧序列,得到所述浪高检测序列值。
基于比较结果,所述视频采样组件调节所述第一采样操作的采样率。可以看到,所述视频采样组件对所述第二视频进行第二采样操作,获得第二组目标视频帧序列发送至所述Web前端服务器时对应的第二采样操作未作调整,使得控制变量变少,易于实现数据采集发送和模型训练的控制。
本发明的上述计算方案可通过计算机设备,通过计算机程序指令自动化执行。
因此,更多的实施例还提供一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现上述图1至图2任一实施例提供的一种海洋风暴的浪高识别方法。
计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
当以计算机程序指令实现所述方法时,一个具体的算法实现伪代码如下:
在时刻t1,海洋视频监测远端检测到海浪,此时,激活与所述Web前端服务器的数据通信,并开始缓存海浪监测视频;
持续时间段[t1,t2]后,即当缓存的监测视频V1达到第一预设时长(t2-t1)时,对所述缓存的监测视频V1进行采样;
假设第一预设时长缓存的监测视频V1共N1帧;采样率为R1;N1>0;0<R1<1;
则对所述缓存的监测视频进行采样得到NR1帧,即第一数量NR1的第一目标视频帧;NR1=N1*R1;
将所述NR1帧作为Web前端服务器的基础浪高识别模型F的输入,基础浪高识别模型F输出对应[t3,t4]时段的NP帧浪高预测值,即第一浪高预测序列值;Np大于1;
显然,[t3,t4]时段在[t1,t2]之后,即t3>t2;
与此同时,海洋视频监测缓存[t3,t4]时段的监测视频V2,对所述缓存的监测视频V2进行采样;
假设[t3,t4]时段缓存的监测视频V2共N2帧;采样率为R2;N2>0;0<R2<1;
则对所述缓存的监测视频V2进行采样得到NR2帧,即第二数量NR2的第二目标视频帧作为第二浪高检测序列值;NR2=N2*R2;
然后,计算所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度;
吻合度可以通过相似度或者差异度来计算;
以相似度为例,将多个第二浪高检测序列值依次连接,构成第二浪高检测序列曲线图;将多个第一浪高预测序列值依次连接,构成第一浪高预测序列曲线图;
计算第二浪高检测序列曲线图与第一浪高预测序列曲线图的相似度S,作为所述吻合度;
可以理解,相似度S大于0,并且不大于1。
预先设定相似度阈值St;1>St>0;
若S>St,则所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度满足预设条件;
此时,若NR1<NR2,则直接通过所述基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果;
此时,意味着每次采样的数量较少,同时又完全满足模型输出结果的精度需要,因此,可直接基于所述基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果;
若NR1>NR2,则降低NR1;
此时,意味着存在过采样现象,导致数据传输冗余,浪费数据带宽,需要进行数据采样和传输的调整。
具体的,可降低所述采样率R1。
在一个实施例中,可采用预定步长逐步降低R1,例如,每次减少5%;
在另一个实施例中,设R1降低后的采样率为R1',则
该优选的调整方式借鉴了信息熵的方式,调整起来更为快速精确;
若S<St,则所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度不满足预设条件。
此时,意味着模型精度不够,需要继续训练。
在一个实施例中,并不需要继续提升采样率,而是通过已有的精确输出样本训练,并不增加数据传输量,无需额外增加样本量,而是基于所述第二数量的第二目标视频帧序列和所述第二浪高检测序列值重新训练所述基础浪高识别模型;算法重新的开始步骤。
在另外一个实施例中,则可以增大所述第一数量,返回算法重新的开始步骤。
当然,还可以结合二者,即基于所述第二数量的第二目标视频帧序列和所述第二浪高检测序列值重新训练所述基础浪高识别模型之后,增大所述第一数量,返回算法重新的开始步骤。
上述伪代码表征的计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在图1或者图2的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。
本发明首先将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器,Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;然后Web前端服务器接收所述海洋视频监测远端发送的第二数量的第二目标视频帧序列,基于所述第二数量的第二目标视频帧序列,得到第二浪高检测序列值;最后判断所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度是否满足预设条件,从而调整数据采样传输方式继续进行数据采集或者通过模型输出,可在实现浪高序列数据的采集、识别的同时迭代训练浪高识别模型,使得输出的浪高识别结果符合期望值。
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见即可,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,相关之处参见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。
Claims (10)
1.一种海洋风暴的浪高识别方法,所述方法应用于Web前端服务器,所述Web前端服务器连接至海洋视频监测远端;
其特征在于,所述方法包括如下步骤:
S100:当所述海洋视频监测远端检测到海浪时,激活与所述Web前端服务器的数据通信,并将检测到的海浪的第一数量的第一目标视频帧序列发送至所述Web前端服务器;
S200:所述Web前端服务器基于接收到的第一数量的第一目标视频帧序列,通过基础浪高识别模型,预测出未来第一时段的第一浪高预测序列值;
S300:所述Web前端服务器接收所述海洋视频监测远端发送的第二数量的第二目标视频帧序列,基于所述第二数量的第二目标视频帧序列,得到第二浪高检测序列值;
S400:判断所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度是否满足预设条件;
如果是,当所述第一数量大于所述第二数量时降低所述第一数量,返回步骤S100;当所述第一数量不大于所述第二数量时,进入步骤S500;
如果否,则基于所述第二数量的第二目标视频帧序列和所述第二浪高检测序列值重新训练所述基础浪高识别模型,增大所述第一数量,返回步骤S100;
S500:通过所述基础浪高识别模型基于第一数量的第一目标视频帧序列输出浪高识别结果。
2.如权利要求1所述的一种海洋风暴的浪高识别方法,其特征在于,在所述步骤S100之前,所述方法还包括:
设定第一数量和第二数量;所述第一数量大于所述第二数量。
3.如权利要求1所述的一种海洋风暴的浪高识别方法,其特征在于:
所述步骤S100具体包括:
当所述海洋视频监测远端检测到海浪时,开始缓存监测视频;
当缓存的监测视频达到第一预设时长时,对所述缓存的监测视频进行采样,获得所述第一数量的第一目标视频帧。
4.如权利要求1所述的一种海洋风暴的浪高识别方法,其特征在于:
所述步骤S300具体包括:
所述海洋视频监测远端将对应于所述未来第一时段的缓存监测视频进行采样,获得所述第二数量的第二目标视频帧序列。
5.如权利要求3所述的一种海洋风暴的浪高识别方法,其特征在于:
所述步骤S400中,当所述第二浪高检测序列值与所述第一浪高预测序列值的吻合度满足预设条件并且所述第一数量大于所述第二数量返回所述步骤S100后,
降低所述步骤S100执行的对所述缓存的监测视频进行采样的采样率。
6.如权利要求3所述的一种海洋风暴的浪高识别方法,其特征在于:
所述基础浪高识别模型为基于深度学习的海浪高度预测模型。
7.一种海洋风暴的浪高识别系统,所述识别系统包括Web前端服务器和海洋视频监测远端,所述海洋视频监测远端包括视频监测组件、视频采样组件以及无线传输组件;所述视频采样组件连接至所述视频监测组件,所述Web前端服务器通过所述无线传输组件与所述视频采样组件无线通信;
其特征在于:
所述视频采样组件对所述视频监测组件采集的视频进行缓存后执行采样,获得多组目标视频帧,并将至少一组目标视频帧通过所述无线传输组件发送至所述Web前端服务器;
所述Web前端服务器包括基础浪高识别模型;
所述Web前端服务器将所述至少一组目标视频帧作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出浪高预测序列值;
所述Web前端服务器基于另一组目标视频帧序列,得到浪高检测序列值;
所述Web前端服务器比较所述浪高预测序列值和所述浪高检测序列值;
基于比较结果,所述视频采样组件调节采样操作的采样率,和/或,重新训练所述基础浪高识别模型。
8.如权利要求7所述的一种海洋风暴的浪高识别系统,其特征在于:
所述视频监测组件获得第一预设时段的第一视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第一视频进行第一采样操作,获得第一组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器将所述第一组目标视频帧序列作为所述基础浪高识别模型的输入,所述基础浪高识别模型输出在所述第一预设时段之后的未来第二预设时段的浪高预测序列值。
9.如权利要求8所述的一种海洋风暴的浪高识别系统,其特征在于:
所述视频监测组件获得所述未来第二预设时段的第二视频并发送至所述视频采样组件进行缓存;
所述视频采样组件对所述第二视频进行第二采样操作,获得第二组目标视频帧序列发送至所述Web前端服务器;
所述Web前端服务器基于所述第二组目标视频帧序列,得到所述浪高检测序列值。
10.如权利要求8所述的一种海洋风暴的浪高识别系统,其特征在于:
基于比较结果,所述视频采样组件调节所述第一采样操作的采样率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310489818.3A CN116524405B (zh) | 2023-05-04 | 2023-05-04 | 海洋风暴的浪高识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310489818.3A CN116524405B (zh) | 2023-05-04 | 2023-05-04 | 海洋风暴的浪高识别方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116524405A true CN116524405A (zh) | 2023-08-01 |
CN116524405B CN116524405B (zh) | 2024-02-23 |
Family
ID=87395556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310489818.3A Active CN116524405B (zh) | 2023-05-04 | 2023-05-04 | 海洋风暴的浪高识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524405B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486588B (zh) * | 2023-05-10 | 2024-01-30 | 广东海洋大学 | 基于自适应采样的海浪监测数据传输方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573864A (zh) * | 2015-01-08 | 2015-04-29 | 浪潮软件集团有限公司 | 一种基于自回归预测的数据分析报警方法 |
CN105491615A (zh) * | 2015-11-19 | 2016-04-13 | 杨明霞 | 基于时间序列的传感器自适应采样方法 |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN111553183A (zh) * | 2019-12-27 | 2020-08-18 | 珠海大横琴科技发展有限公司 | 一种船只检测模型训练方法、船只检测方法及装置 |
CN111709928A (zh) * | 2020-06-12 | 2020-09-25 | 上海海洋大学 | 一种基于视频的近岸浪高实时检测系统 |
CN113221777A (zh) * | 2021-05-19 | 2021-08-06 | 江苏奥易克斯汽车电子科技股份有限公司 | 一种近岸海浪等级监测方法及装置 |
US20220003894A1 (en) * | 2018-09-26 | 2022-01-06 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
CN114581817A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 从近岸海浪监控视频智能检测浪高和风速的方法及系统 |
CN115470957A (zh) * | 2021-06-10 | 2022-12-13 | 中国石油大学(华东) | 基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质 |
-
2023
- 2023-05-04 CN CN202310489818.3A patent/CN116524405B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573864A (zh) * | 2015-01-08 | 2015-04-29 | 浪潮软件集团有限公司 | 一种基于自回归预测的数据分析报警方法 |
CN105491615A (zh) * | 2015-11-19 | 2016-04-13 | 杨明霞 | 基于时间序列的传感器自适应采样方法 |
US20220003894A1 (en) * | 2018-09-26 | 2022-01-06 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN111553183A (zh) * | 2019-12-27 | 2020-08-18 | 珠海大横琴科技发展有限公司 | 一种船只检测模型训练方法、船只检测方法及装置 |
CN111709928A (zh) * | 2020-06-12 | 2020-09-25 | 上海海洋大学 | 一种基于视频的近岸浪高实时检测系统 |
CN113221777A (zh) * | 2021-05-19 | 2021-08-06 | 江苏奥易克斯汽车电子科技股份有限公司 | 一种近岸海浪等级监测方法及装置 |
CN115470957A (zh) * | 2021-06-10 | 2022-12-13 | 中国石油大学(华东) | 基于深度学习的台风期间近海海浪波高预测系统、计算机设备、存储介质 |
CN114581817A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 从近岸海浪监控视频智能检测浪高和风速的方法及系统 |
Non-Patent Citations (1)
Title |
---|
宋巍;周旭;毕凡;郭东琳;高松;贺琪;白志鹏;: "近岸海浪视频浪高自动检测", 中国图象图形学报, no. 03 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486588B (zh) * | 2023-05-10 | 2024-01-30 | 广东海洋大学 | 基于自适应采样的海浪监测数据传输方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116524405B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11555921B2 (en) | Method and apparatus for predicting severe convection weather | |
CN113688723B (zh) | 一种基于改进YOLOv5的红外图像行人目标检测方法 | |
CN116524405B (zh) | 海洋风暴的浪高识别方法与系统 | |
CN110874550A (zh) | 数据处理方法、装置、设备和系统 | |
CN113537244B (zh) | 一种基于轻量化YOLOv4的家畜图像目标检测方法及装置 | |
CN112565777A (zh) | 基于深度学习模型视频数据传输方法、系统、介质及设备 | |
US20210375492A1 (en) | Ai enabled sensor data acquisition | |
CN111047088A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
CN114741185A (zh) | 面向多目标视频监控的边缘计算系统及其工作方法 | |
CN115469303A (zh) | 一种检测人体姿态和生命体征的认知生物雷达方法与装置 | |
CN112232236A (zh) | 行人流量的监测方法、系统、计算机设备和存储介质 | |
CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
CN116228023A (zh) | 减少基建场地碳排放量的方法、设备与介质 | |
CN115953746A (zh) | 一种船只监测方法及装置 | |
CN113759362B (zh) | 雷达目标数据关联的方法、装置、设备和存储介质 | |
CN116007616A (zh) | 一种基于网络状态决策的自适应地图构建系统及方法 | |
CN116486588B (zh) | 基于自适应采样的海浪监测数据传输方法与系统 | |
CN112487911B (zh) | 智能监控环境下基于改进yolov3的实时行人检测方法及装置 | |
CN117238299B (zh) | 输电线路鸟类声音识别模型优化方法、系统、介质及设备 | |
CN111064686A (zh) | 一种符号定时同步方法及其装置 | |
CN114170560A (zh) | 一种基于深度强化学习的多设备边缘视频分析系统 | |
CN115439566B (zh) | 一种基于存算一体架构的压缩感知系统及方法 | |
CN117892224B (zh) | 一种具备唤醒机制的混合特征神经网络信号处理硬件电路 | |
CN113158760B (zh) | 一种基于多层次标签的弱监督特定行为识别系统 | |
CN107015253B (zh) | 一种导航接收机中可动态威胁预测的搜索检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |