CN116626685A - 基于机器学习的河道底泥实时监测方法及系统 - Google Patents
基于机器学习的河道底泥实时监测方法及系统 Download PDFInfo
- Publication number
- CN116626685A CN116626685A CN202310891402.4A CN202310891402A CN116626685A CN 116626685 A CN116626685 A CN 116626685A CN 202310891402 A CN202310891402 A CN 202310891402A CN 116626685 A CN116626685 A CN 116626685A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- cloud data
- scale
- ultrasonic
- 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 57
- 239000013049 sediment Substances 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 230000014759 maintenance of location Effects 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000008859 change Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000002604 ultrasonography Methods 0.000 claims description 50
- 238000012937 correction Methods 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000010802 sludge Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及数据处理领域，提供一种基于机器学习的河道底泥实时监测方法及系统，包括：利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。该方法使得点云数据的降采样过程更加准确，进而保证了河道底泥的三维模型的完整性，提高了河道底泥的监测结果的准确性。
Description
技术领域
本申请涉及数据处理领域，特别是涉及一种基于机器学习的河道底泥实时监测方法及系统。
背景技术
在现代社会，河道是水资源的重要组成部分，对于城市生态系统、灌溉和供水等方面至关重要。然而，河道底泥的淤积和污染问题给水质和生态环境带来了严重威胁。因此，开展研究并采用创新的监测方法来实时掌握底泥状态和变化趋势具有重要意义。传统的河道底泥监测方法主要依赖于人工采样和实验室分析，这种方法存在着时间消耗大、费用高、无法实时获取数据等问题。近年来基于机器学习的底泥监测方法得到了广泛关注和研究。
在河道底泥监测中，超声波探测被引入作为获取底泥信息的手段。超声波可以穿透水体并与底泥相互作用，在探测过程中产生回波信号。通过分析和处理这些回波信号，可以获取底泥的淤积情况和底部三维模型。为了获取准确的河道底泥的三维模型，所需要的数据量较为庞大，因此对应的在对此数据进行模型构建等处理过程中所耗费的计算量较大，所以需要对通过超声波探测的转换后的点云数据进行降采样处理。在降采样过程中，由于河道底泥的分布不均匀性以及结构的复杂性，会使得降采样处理过程中无法判断点云数据是否需要保留。
发明内容
本发明提供一种基于机器学习的河道底泥实时监测方法及系统，该方法使得点云数据的降采样过程更加准确，进而保证了河道底泥的三维模型的完整性，提高了河道底泥的监测结果的准确性。
第一方面，本申请提供一种基于机器学习的河道底泥实时监测方法，包括：
利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；
根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；
基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；
基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
在一可选实施例中，根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度，包括：
确定第个位置的第/>个尺度数据的第二超声波数据与第/>个位置的第/>个尺度数据的第二超声波数据之间的相似程度；其中，第c个尺度数据为所述尺度数据集合中除第/>个尺度数据外的其余尺度数据；
计算第个位置的第一超声波数据的第/>个数据点的信息权重值，并确定在第/>个数据点的信息权重值下，第一比值与第二比值之间的差异；其中，所述第一比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第/>个数据的数值之间的比值；所述第二比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第/>个数据的数值之间的比值；
基于所述差异和所述相似程度确定第个尺度数据的置信度。
在一可选实施例中，计算第个位置的第一超声波数据的第/>个数据点的信息权重值，包括：
基于第一超声波数据的毛刺波动程度确定所述第一超声波数据中每一数据点的局部范围；
基于第个位置的第一超声波数据的第/>个数据点的数据值和第/>个位置的第一超声波数据的第/>个数据点的局部范围内数据点的数据均值确定第/>个位置的第一超声波数据的第/>个数据点的信息权重值。
在一可选实施例中，所述方法还包括：
计算所述第一超声波数据中相邻的极小值点和极大值点之间的最大欧式距离和相邻的极小值点和极大值点之间的平均欧式距离的差值，和相邻的极小值点和极大值点之间的最大欧式距离之间的比值；
计算所述第一超声波数据中相邻的极小值点和极大值点之间构成的直线的斜率的方差值；
基于计算的比值和方差值确定所述第一超声波数据的毛刺波动程度。
在一可选实施例中，基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度之前，还包括：
根据所述第二超声波数据对应点云数据集合的分布特征计算所述点云数据集合中每一点云数据的初始保留程度；
基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度，包括：
基于每一尺度数据的置信度计算校正系数；
利用所述校正系数对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度。
在一可选实施例中，根据所述第二超声波数据对应点云数据集合的分布特征计算所述点云数据集合中每一点云数据的初始保留程度，包括：
确定目标点云数据对应的参考点云数据；
基于所述目标点云数据和所有所述参考点云数据之间的相似度均值，以及所有所述参考点云数据之间的相似度均值确定目标点云数据的初始保留程度，从而确定所述点云数据集合中每一点云数据的初始保留程度。
在一可选实施例中，确定目标点云数据对应的参考点云数据，包括：
利用独立成分分析算法对所述目标点云数据对应的第二超声波数据进行处理，得到多个第一分量信号，以及对所述目标点云数据周围的预设数量的参考第二超声波数据进行处理，得到每一参考第二超声波数据的多个第二分量信号；
计算每一所述第一分量与每一参考第二超声波数据对应的第二分量信号之间的相似度；
基于计算的相似度从所述参考第二超声波数据对应的点云数据中确定所述目标点云数据对应的参考点云数据。
在一可选实施例中，基于每一尺度数据的置信度计算校正系数，包括：
其中，为校正系数，/>表示相邻尺度数据的置信度的差值的绝对值，/>表示相邻尺度数据对应的分形维数的差值的加权均值，/>示相邻尺度数据对应的多重标度信息的差值的加权均值；
利用所述校正系数对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度，包括：
其中，为点云数据的最终保留程度，/>为校正系数，/>为点云数据的初始保留程度。
在一可选实施例中，基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，包括：
对点云数据的最终保留程度进行线性归一化处理，将归一化处理后的保留程度大于阈值的点云数据保留，从而对所述点云数据集合进行降采样处理。
第二方面，本申请提供一种基于机器学习的河道底泥实时监测系统，包括：
数据处理模块，用于利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；
置信度计算模块，用于根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；
校正模块，用于基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；
采样处理模块，用于基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
本申请的有益效果，区别于现有技术，本申请的基于机器学习的河道底泥实时监测方法及系统，包括：利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。该方法使得点云数据的降采样过程更加准确，进而保证了河道底泥的三维模型的完整性，提高了河道底泥的监测结果的准确性。
附图说明
图1为本发明基于机器学习的河道底泥实时监测方法的一实施例的流程示意图；
图2为本发明基于机器学习的河道底泥实时监测系统的一实施例的结构示意图。
具体实施方式
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，所描述的实施例仅是本申请的一部分实施例，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，都属于本申请保护的范围。
下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明基于机器学习的河道底泥实时监测方法的一实施例的流程示意图，具体包括：
步骤S11：利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据。
通过多普勒双频超声波测量法来进行河道底泥深度的测量，以高频的超声波测量泥水界面，低频超声波测量河道底泥底层距水面的距离。在探测无人船行驶到各个位置地点，在该位置地点使用超声波探测设备对河道底部进行扫描和探测，记录回波信号。通常，超声波探测设备会发射超声波脉冲，并接收反射回来的信号。通过连续的扫描和探测，获取一系列回波信号。并将采集到的回波信号进行处理，提取有用的信息，从而得到第一超声波数据。进而根据处理后的回波信号，计算每个回波信号对应的三维坐标点，得到第一超声波数据对应的点云数据。
在河道底泥监测的过程中，由于“重力”原理将河里的大部分固态物质沉淀到底部，就会在河道里出现清水层、悬浮层以及密实层，其中不同层的密度不同，因此对应的不同层的超声波数据中的变化均不同，并且超声波数据的变化也体现着河道底泥点云数据的变化，也即结构的变化。通过对采集的第一超声波数据进行MFDFA处理，MFDFA是将采集的第一超声波数据进行不同尺度的变化，获取对应的数据的分形维数以及多重标度信息，这些信息表征的为河道底泥的点云数据分布不均匀性以及结构的复杂性。因此本案在获取到的点云数据信息的基础上，结合第一超声波数据本身的在不同尺度上的分布变化来获取点云数据的保留程度，并根据保留程度进行自适应降采样。
根据获取得到的各个位置的第一超声波数据进行分析，设置不同尺度数据，其中设置6个尺度数据（该尺度数据对应的即为MFDFA算法中的分段大小），具体的，设置尺度数据分别为1，3，5，7，9，11。利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据。
由于不同层密度的影响，则对应的采集的第一超声波数据的不同层的毛刺噪声程度不同，因此本案分析第一超声波数据进行尺度变化后的第二超声波数据。其中尺度数据的置信度表征在第一超声波数据和尺度数据变化后之间的差异性的变化，并且同时还与其他尺度数据变化差异较大，若一些第二超声波数据中的表征为原始信息点，但由于尺度数据的变化发生较大的差异，则对应的此尺度的置信度较低。
步骤S12：根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度。
在分析点云数据的保留程度时，需要分布不同尺度下的变化，由于河道底泥监测过程中受到不同层的密度影响（密度表征着颗粒的密度情况，颗粒的存在对超声波均有反射和散射的作用，进而颗粒的密度情况影响着超声波的毛刺波动情况），因此本案分析不同尺度下的超声波数据的信息地方表征能力对尺度的置信度进行量化，为后续分析点云数据对应的超声波数据的分布变化来提供准确的点云数据保留程度。
具体的，首先确定第个位置的第/>个尺度数据的第二超声波数据与第/>个位置的第/>个尺度数据的第二超声波数据之间的相似程度；其中，第c个尺度数据为所述尺度数据集合中除第/>个尺度数据外的其余尺度数据。在一实施例中，用/>表征第/>个位置的第/>个尺度数据的第二超声波数据与第/>个位置的第/>个尺度数据的第二超声波数据之间的相似程度，在经过尺度变化后，对应的第二超声波数据之间的/>距离越小，则对应的尺度变化后的第二超声波数据较为相似。
其次，计算第个位置的第一超声波数据的第/>个数据点的信息权重值。在一实施例中，/>表示第/>个位置的原始超声波数据的第/>个数据点的信息权重值。在计算信息权重值时，需要考虑数据点的局部范围的突出性，若突出性较大，则对应的该数据点的信息权重值越大。而在获取数据点的局部范围时，需要考虑第一超声波数据中的毛刺波动来量化密度信息，并根据毛刺波动来获取每个数据点的局部范围，毛刺波动越大的第一超声波数据，表示受到密度的影响越大，则对应的该第一超声波数据点的局部范围应该设置的小一些。其中获取第一超声波数据中的相邻的极小值和极大值（前一个是极大值，则后一个肯定是极小值）之间构成直线的斜率变化，来获取毛刺波动程度。具体的，计算所述第一超声波数据中相邻的极小值点和极大值点之间的最大欧式距离/>和相邻的极小值点和极大值点之间的平均欧式距离/>的差值，和相邻的极小值点和极大值点之间的最大欧式距离之间的比值，具体为/>。计算所述第一超声波数据中相邻的极小值点和极大值点之间构成的直线的斜率的方差值/>；基于计算的比值和方差值确定所述第一超声波数据的毛刺波动程度。其中毛刺的波动程度为/>。基于第一超声波数据的毛刺波动程度确定所述第一超声波数据中每一数据点的局部范围。则对应的数据点的局部范围/>，其中/>表示局部范围基准值/>，即对应的数据点在局部范围中间，左右各5个数据点，其中若/>不是奇数，则/>，/>表示取整函数。
进一步基于第个位置的第一超声波数据的第/>个数据点的数据值和第/>个位置的第一超声波数据的第/>个数据点的局部范围内数据点的数据均值确定第/>个位置的第一超声波数据的第/>个数据点的信息权重值。具体的，对应的第/>个位置的第一超声波数据的第个数据点的信息权重值/>，其中/>表示第/>个位置的第一超声波数据的第/>个数据点的数据值,/>表示第/>个位置的第一超声波数据的第/>个数据点的局部范围内的数据点的数据均值，/>表示激活函数。
确定在第个数据点的信息权重值下，第一比值与第二比值之间的差异；其中，所述第一比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第/>个数据的数值之间的比值；所述第二比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第/>个数据的数值之间的比值；基于所述差异和所述相似程度确定第/>个尺度数据的置信度。
具体的，第a个尺度数据的置信度的计算方式为：
表示除了尺度数据/>外的其他尺度数据的数量；/>表示第/>个位置的第/>个尺度数据的第二超声波数据与第/>个位置的第/>个尺度数据的第二超声波数据之间的/>距离；/>表示第/>个位置的第一超声波数据的数据点的数量；/>表示第/>个位置的第一超声波数据的第/>个数据点的数据值；/>表示第/>个位置的第/>个尺度数据的第二超声波数据的与第一超声波数据中第/>个数据点匹配的（/>匹配的）数据点的数据值；/>表示第/>个位置的第/>个尺度数据的第二超声波数据的与第一超声波数据中第/>个数据点匹配的（/>匹配的）数据点的数据值。
上述公式中，表征的为在考虑每个数据点的信息权重值的情况下，通过计算第一超声波数据与第/>个尺度数据变化后的对应位置的数据之间的比值，与第一超声波数据与第/>个尺度数据变化后的对应位置的数据之间的比值之间的差值，若该差值越小，则对应的此数据点的信息损失的差异越小，则对应的第/>个尺度与第/>个尺度相比，信息损失较小，第/>个尺度数据的置信度则较大。
步骤S13：基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度。
首先根据点云数据的分布特征来确定点云数据的初始保留程度，但是初始保留程度的计算是根据受到各种影响下的超声波数据获取得到的，因此对应的获取初始保留程度是不准确的，因此本案结合不同尺度下的变化，以及各自尺度上的超声波数据的分形维数以及多重标度信息，获取对应的初始保留程度的校正系数，得到最终的点云数据的保留程度。
具体的，在一实施例中，还需要根据所述第二超声波数据对应点云数据集合的分布特征计算所述点云数据集合中每一点云数据的初始保留程度。
根据获取的点云数据的分布特征来获取点云数据的初始保留程度。本申请根据三维点云数据进行分析，目标点云数据的初始的保留程度与其周围的点云数据之间的分布特征有关，若其周围的点云数据的分布特征较为均匀的变化，则对应的该点云数据的初始保留程度较小。
首先，在获取目标点云数据的初始的保留程度时，要先获取目标点云数据的周围云数据进行分析。将取目标点云数据的周围云数据记为目标点云数据对应的参考点云数据，确定目标点云数据对应的参考点云数据。具体的，利用独立成分分析算法对所述目标点云数据对应的第二超声波数据进行处理，得到多个第一分量信号，以及对所述目标点云数据周围的预设数量的参考第二超声波数据进行处理，得到每一参考第二超声波数据的多个第二分量信号；计算每一所述第一分量与每一参考第二超声波数据对应的第二分量信号之间的相似度；基于计算的相似度从所述参考第二超声波数据对应的点云数据中确定所述目标点云数据对应的参考点云数据。
具体的，本申请所期望的周围点云数据为与目标点云数据较为相似的，而点云数据的相似程度是与对应的超声波数据的相似性有关，但是由于毛刺程度的影响，因此在计算相似性时，需要考虑毛刺的影响下的相似性。其中相似性的计算过程为：对目标点云数据对应的超声波数据进行ICA独立成分分析得到多个第一分量信号（本案设置为4个分量信号），类似操作，根据采集位置的距离来获取目标点云数据周围的最近的25个位置的第二超声波数据作为参考第二超声波数据，每一参考第二超声波数据对应的第二分量信号。进行目标点云数据的四个第一分量信号中与每一参考第二超声波数据的四个第二分量信号进行相似度的计算，其中相似度的计算采用算法进行计算，对应的相似度为/>，其中分量之间的/>距离越小，则对应的相似度越大，设置相似度阈值0.60，若大于阈值，则表明两个分量是相似分量。在目标点云数据的四个分量中，选取出现最多的相似分量且相似度均值最大的分量为目标点云数据的分布特征，以此排除了一些毛刺的干扰，则对应的该分量的相似分量对应的25个点云数据即为本案所述的目标点云数据的周围的点云数据。具体的，出现最多的相似分量且相似度均值最大的分量记为/>，其中/>表示出现的相似分量的组合数，/>表示所有分量的组合数，/>表示相似分量的组合对应的相似度均值。
其次，获取目标点云数据的初始保留程度。在一实施例中，基于所述目标点云数据和所有所述参考点云数据之间的相似度均值，以及所有所述参考点云数据之间的相似度均值确定目标点云数据的初始保留程度，从而确定所述点云数据集合中每一点云数据的初始保留程度。本案中根据目标点云数据和周围点云数据之间分布特征之间的相似性，其中相似性越大，则对应的目标点云数据的初始保留程度越小，则对应的目标点云数据的初始保留程度，其中/>表示目标点云与其周围点云数据的相似度均值，/>表示目标点云的周围点云数据的相似度均值。
本案中根据获取的目标点云数据对应的超声波数据进行MFDFA处理，得到对应的该位置的分形维数以及多重标度信息，该算法得到的分形维数表征的该位置河道底泥复杂的几何结构以，而多重标度信息表征的为该位置河道底泥的不规则结构。本案中根据获取的不同尺度得到对应的不同尺度下的分形维数以及多重标度信息，构成各自的对应的曲线，其中横坐标为尺度序号，纵坐标为分形维数或多重标度信息。随着尺度的变大，若分形维数变大，则对应的河道底泥的点云数据具有更复杂的几何结构，则对应的该点云数据的保留程度应该越大，则对用的需要设置的校正系数越大，类似分析，若多重标度信息变大，则对应的河道底泥的点云数据的河道底泥的不规则结构程度就越大，则对应的该点云数据的保留程度应该越大，则对用的需要设置的校正系数越大。
在一具体实施例中，本申请基于每一尺度数据的置信度计算校正系数。具体的，校正系数，其中，/>为校正系数，/>表示相邻尺度数据的置信度的差值的绝对值，/>表示相邻尺度数据对应的分形维数的差值的加权均值，/>示相邻尺度数据对应的多重标度信息的差值的加权均值。
在一实施例中，利用所述校正系数对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度。具体的，根据获取的校正系数进行目标点云数据的初始保留程度的校正，其中校正后的保留程度，其中，/>为点云数据的最终保留程度，/>为校正系数，/>为点云数据的初始保留程度。
步骤S14：基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
具体的，对点云数据的最终保留程度进行线性归一化处理，将归一化处理后的保留程度大于阈值的点云数据保留，从而对所述点云数据集合进行降采样处理。
对降采样的点云数据使用三维重建算法来构建河道底泥的三维模型。常用的三维重建算法包括表面重建方法和体素填充方法等，表面重建方法如基于网格的方法或体素化方法，进而根据河道底泥的三维模型进行监测。
本申请相对于现有技术的好处在于：本案根据对超声波数据处理得到的点云数据自适应降采样来构建河道底泥的三维模型。其中本案在获取的不同位置的超声波数据得到的点云数据，根据点云数据的分布特征来获取点云数据的初始保留程度，并结合MFDFA算法在不同尺度下的超声波数据的分形维数以及多重标度信息的变化，获取对应的初始保留程度的校正系数，得到最终的点云数据的保留程度，并根据点云数据的保留程度进行降采样来构建河道底泥的三维模型。其中本案分析不同尺度下的超声波数据的信息地方表征能力对尺度的置信度进行量化，并结合MFDFA算法得到的不同尺度下变化下的分形维数以及多重标度信息的变化信息来得到校正系数。避免了传统的点云数据的降采样过程中由于河道底泥的分布不均匀性以及结构的复杂性，会使得降采样处理过程中无法判断点云数据是否需要保留的缺点，使得点云数据的降采样过程更加准确，进而保证了河道底泥的三维模型的完整性，提高了河道底泥的监测结果的准确性。
请参见图2，图2为本发明基于机器学习的河道底泥实时监测系统的一实施例的结构示意图，具体包括：数据处理模块21、置信度计算模块22、校正模块23以及采样处理模块24。
数据处理模块21用于利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据。
置信度计算模块22用于根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度。
校正模块23用于基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度。
采样处理模块24用于基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.基于机器学习的河道底泥实时监测方法，其特征在于，包括：
利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；
根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；
基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；
基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
2.根据权利要求1所述的基于机器学习的河道底泥实时监测方法，其特征在于，根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度，包括：
确定第个位置的第/>个尺度数据的第二超声波数据与第/>个位置的第/>个尺度数据的第二超声波数据之间的相似程度；其中，第c个尺度数据为所述尺度数据集合中除第/>个尺度数据外的其余尺度数据；
计算第个位置的第一超声波数据的第/>个数据点的信息权重值，并确定在第/>个数据点的信息权重值下，第一比值与第二比值之间的差异；其中，所述第一比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第个数据的数值之间的比值；所述第二比值为第/>个位置的第一超声波数据的第/>个数据的数值与第/>个位置的第/>个尺度数据的第二超声波数据的第/>个数据的数值之间的比值；
基于所述差异和所述相似程度确定第个尺度数据的置信度。
3.根据权利要求2所述的基于机器学习的河道底泥实时监测方法，其特征在于，计算第个位置的第一超声波数据的第/>个数据点的信息权重值，包括：
基于第一超声波数据的毛刺波动程度确定所述第一超声波数据中每一数据点的局部范围；
基于第个位置的第一超声波数据的第/>个数据点的数据值和第/>个位置的第一超声波数据的第/>个数据点的局部范围内数据点的数据均值确定第/>个位置的第一超声波数据的第/>个数据点的信息权重值。
4.根据权利要求3所述的基于机器学习的河道底泥实时监测方法，其特征在于，所述方法还包括：
计算所述第一超声波数据中相邻的极小值点和极大值点之间的最大欧式距离和相邻的极小值点和极大值点之间的平均欧式距离的差值，和相邻的极小值点和极大值点之间的最大欧式距离之间的比值；
计算所述第一超声波数据中相邻的极小值点和极大值点之间构成的直线的斜率的方差值；
基于计算的比值和方差值确定所述第一超声波数据的毛刺波动程度。
5.根据权利要求1所述的基于机器学习的河道底泥实时监测方法，其特征在于，基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度之前，还包括：
根据所述第二超声波数据对应点云数据集合的分布特征计算所述点云数据集合中每一点云数据的初始保留程度；
基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度，包括：
基于每一尺度数据的置信度计算校正系数；
利用所述校正系数对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度。
6.根据权利要求5所述的基于机器学习的河道底泥实时监测方法，其特征在于，根据所述第二超声波数据对应点云数据集合的分布特征计算所述点云数据集合中每一点云数据的初始保留程度，包括：
确定目标点云数据对应的参考点云数据；
基于所述目标点云数据和所有所述参考点云数据之间的相似度均值，以及所有所述参考点云数据之间的相似度均值确定目标点云数据的初始保留程度，从而确定所述点云数据集合中每一点云数据的初始保留程度。
7.根据权利要求6所述的基于机器学习的河道底泥实时监测方法，其特征在于，确定目标点云数据对应的参考点云数据，包括：
利用独立成分分析算法对所述目标点云数据对应的第二超声波数据进行处理，得到多个第一分量信号，以及对所述目标点云数据周围的预设数量的参考第二超声波数据进行处理，得到每一参考第二超声波数据的多个第二分量信号；
计算每一所述第一分量与每一参考第二超声波数据对应的第二分量信号之间的相似度；
基于计算的相似度从所述参考第二超声波数据对应的点云数据中确定所述目标点云数据对应的参考点云数据。
8.根据权利要求5所述的基于机器学习的河道底泥实时监测方法，其特征在于，基于每一尺度数据的置信度计算校正系数，包括：
其中，为校正系数，/>表示相邻尺度数据的置信度的差值的绝对值，/>表示相邻尺度数据对应的分形维数的差值的加权均值，/>示相邻尺度数据对应的多重标度信息的差值的加权均值；
利用所述校正系数对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度，包括：
其中，为点云数据的最终保留程度，/>为校正系数，/>为点云数据的初始保留程度。
9.根据权利要求1所述的基于机器学习的河道底泥实时监测方法，其特征在于，基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，包括：
对点云数据的最终保留程度进行线性归一化处理，将归一化处理后的保留程度大于阈值的点云数据保留，从而对所述点云数据集合进行降采样处理。
10.基于机器学习的河道底泥实时监测系统，其特征在于，包括：
数据处理模块，用于利用MFDFA算法基于尺度数据集合中每一尺度数据对第一超声波数据进行处理，得到第二超声波数据；
置信度计算模块，用于根据第二超声波数据的分布特征在不同尺度数据下的变化计算每一尺度数据的置信度；
校正模块，用于基于每一尺度数据的置信度对每一点云数据的初始保留程度进行校正，得到每一点云数据的最终保留程度；
采样处理模块，用于基于每一点云数据的最终保留程度对所述点云数据集合进行降采样处理，利用降采样处理后的数据进行河道底泥实时监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891402.4A CN116626685B (zh) | 2023-07-20 | 2023-07-20 | 基于机器学习的河道底泥实时监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310891402.4A CN116626685B (zh) | 2023-07-20 | 2023-07-20 | 基于机器学习的河道底泥实时监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116626685A true CN116626685A (zh) | 2023-08-22 |
| CN116626685B CN116626685B (zh) | 2023-09-29 |
Family
ID=87621581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310891402.4A Active CN116626685B (zh) | 2023-07-20 | 2023-07-20 | 基于机器学习的河道底泥实时监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626685B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160130612A (ko) * | 2015-05-04 | 2016-11-14 | 부경대학교 산학협력단 | 멀티프랙탈 탈경향 요동분석과 네트워크 이론을 이용한 기상관측지점 선정 방법 |
| WO2021114031A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳市大疆创新科技有限公司 | 一种目标检测方法和装置 |
| CN113189595A (zh) * | 2021-05-07 | 2021-07-30 | 山东大学 | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 |
| US20220335566A1 (en) * | 2021-04-15 | 2022-10-20 | Sensetime International Pte. Ltd. | Method and apparatus for processing point cloud data, device, and storage medium |
| CN115601269A (zh) * | 2022-11-01 | 2023-01-13 | 南京工业大学（Cn） | 一种考虑环境动态影响的结构点云数据多尺度滤波方法 |
| US20230141886A1 (en) * | 2021-03-02 | 2023-05-11 | Hohai University | Method for assessing hazard on flood sensitivity based on ensemble learning |
| CN116188671A (zh) * | 2022-09-05 | 2023-05-30 | 浙江水利水电学院 | 河道水陆一体三维实景建模方法 |
-
2023
- 2023-07-20 CN CN202310891402.4A patent/CN116626685B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160130612A (ko) * | 2015-05-04 | 2016-11-14 | 부경대학교 산학협력단 | 멀티프랙탈 탈경향 요동분석과 네트워크 이론을 이용한 기상관측지점 선정 방법 |
| WO2021114031A1 (zh) * | 2019-12-09 | 2021-06-17 | 深圳市大疆创新科技有限公司 | 一种目标检测方法和装置 |
| US20230141886A1 (en) * | 2021-03-02 | 2023-05-11 | Hohai University | Method for assessing hazard on flood sensitivity based on ensemble learning |
| US20220335566A1 (en) * | 2021-04-15 | 2022-10-20 | Sensetime International Pte. Ltd. | Method and apparatus for processing point cloud data, device, and storage medium |
| CN113189595A (zh) * | 2021-05-07 | 2021-07-30 | 山东大学 | 一种基于神经网络的双路回声目标定位方法、设备及存储介质 |
| CN116188671A (zh) * | 2022-09-05 | 2023-05-30 | 浙江水利水电学院 | 河道水陆一体三维实景建模方法 |
| CN115601269A (zh) * | 2022-11-01 | 2023-01-13 | 南京工业大学（Cn） | 一种考虑环境动态影响的结构点云数据多尺度滤波方法 |
Non-Patent Citations (5)
| Title |
|---|
| HONGTAO CHANG ET AL.: "Evaluation of Air Pollutants in Extra-Long Road Tunnel with the Combination of Pollutants Nonlinear Evolution and Machine Learning Method", 《SUSTAINABILITY》, vol. 14, no. 17, pages 1 - 20 * |
| MING ZENG ET AL.: "Multifractal analysis of short-term wind speed time series with different sampling frequencies", 《2016 12TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA)》, pages 3213 - 3218 * |
| 曾明;李静海;张小内;: "三维高频风速时间序列波动特性研究", 《传感器与微系统》, vol. 35, no. 11, pages 35 - 37 * |
| 王福友等: "海杂波多分形特性分析及小目标检测技术研究", 《信号处理》, vol. 29, no. 2, pages 239 - 248 * |
| 赵盼等: "引江济淮工程泵站混凝土温控防裂措施分析", 《山东水利》, no. 6, pages 44 - 45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116626685B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Merazi-Meksen et al. | Mathematical morphology for TOFD image analysis and automatic crack detection | |
| CN108872997B (zh) | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 | |
| CN111855803B (zh) | 一种金属增材制造微型缺陷的激光超声高信噪比成像方法 | |
| CN102692627B (zh) | 用于处理多普勒测量信号的仪器和方法 | |
| CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及系统 | |
| CN105929385B (zh) | 基于双水听器lofar谱图分析的目标深度分辨方法 | |
| CN102982314A (zh) | 一种血管内外膜识别、描记和测量的方法 | |
| Parnum et al. | High-frequency multibeam echo-sounder measurements of seafloor backscatter in shallow water: Part 2–Mosaic production, analysis and classification | |
| CN115100363B (zh) | 基于探地雷达的地下异常体三维建模方法及装置 | |
| CN115187666A (zh) | 深度学习和图像处理结合的侧扫声呐海底高程探测方法 | |
| CN116266215A (zh) | 一种路面隐性病害区域的几何特征提取方法 | |
| Zhao et al. | Two self-adaptive methods of improving multibeam backscatter image quality by removing angular response effect | |
| CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及系统 | |
| CN114926377B (zh) | 一种侧扫声呐增益补偿判断模型的建模方法 | |
| Yang et al. | Bottom detection for multibeam sonars with active contours | |
| CN113640806B (zh) | 一种基于多声纳设备的沉积层声特性获取方法及系统 | |
| CN113567968B (zh) | 一种基于浅水多波束水深数据的水下目标实时分割方法及应用 | |
| CN113219054B (zh) | 一种磁瓦内部缺陷检测装置及检测方法 | |
| Wang et al. | Bottom Tracking Method Based on LOG/Canny and the Threshold Method for Side-scan Sonar. | |
| CN115248436A (zh) | 一种基于成像声呐的鱼类资源评估方法 | |
| CN111738277B (zh) | 一种水下浅地层剖面图像特征提取方法及系统 | |
| Zeng et al. | An improved forward-looking sonar 3D visualization scheme of underwater objects | |
| CN116930976B (zh) | 基于小波模极大值的侧扫声呐图像的海底线检测方法 | |
| CN116697945B (zh) | 一种基于数字孪生技术的水下淤泥冲洗系统 | |
| CN112577467B (zh) | 一种海底界面一维粗糙度谱计算方法 |
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 |