CN116660389B - 一种基于人工智能的河道底泥探测及修复系统 - Google Patents
一种基于人工智能的河道底泥探测及修复系统 Download PDFInfo
- Publication number
- CN116660389B CN116660389B CN202310896174.XA CN202310896174A CN116660389B CN 116660389 B CN116660389 B CN 116660389B CN 202310896174 A CN202310896174 A CN 202310896174A CN 116660389 B CN116660389 B CN 116660389B
- Authority
- CN
- China
- Prior art keywords
- target
- class
- category
- comparison
- feature vector
- 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.)
- Active
Links
- 239000013049 sediment Substances 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 230000008439 repair process Effects 0.000 title claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 156
- 239000011159 matrix material Substances 0.000 claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 239000010802 sludge Substances 0.000 description 17
- 239000000758 substrate Substances 0.000 description 16
- 230000000694 effects Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 4
- 239000004576 sand Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- QJZYHAIUNVAGQP-UHFFFAOYSA-N 3-nitrobicyclo[2.2.1]hept-5-ene-2,3-dicarboxylic acid Chemical compound C1C2C=CC1C(C(=O)O)C2(C(O)=O)[N+]([O-])=O QJZYHAIUNVAGQP-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000004021 humic acid Substances 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 239000011345 viscous material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02B—HYDRAULIC ENGINEERING
- E02B3/00—Engineering works in connection with control or use of streams, rivers, coasts, or other marine sites; Sealings or joints for engineering works in general
- E02B3/02—Stream regulation, e.g. breaking up subaqueous rock, cleaning the beds of waterways, directing the water flow
- E02B3/023—Removing sediments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/40—Protecting water resources
- Y02A20/402—River restoration
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Immunology (AREA)
- Signal Processing (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Analytical Chemistry (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Civil Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Structural Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种基于人工智能的河道底泥探测及修复系统，包括：根据分类神经网络的混淆矩阵获得目标类别和对比类别的区分难度，对目标类别和对比类别的特征向量进行匹配获得目标类别和对比类别的KM匹配值；根据目标类别和对比类别的KM匹配值和目标类别在目标特征向量下和对比类别的KM匹配值获得目标类别的目标特征向量的区分能力；计算目标类别的每个超声波数据中每个数据点的区分系数，将数据点的区分系数作为初始权值训练分类神经网络，根据分类神经网络获得待清淤的河道包含的底泥类别，进而制定处理方案。本发明将数据点的区分系数作为初始权重进行神经网络的训练，提高对不同类别底泥的识别精度和准确度。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种基于人工智能的河道底泥探测及修复系统。
背景技术
河道淤积影响河道的防洪、排涝、灌溉、供水、通航等各项功能的正常发挥，为恢复河道正常功能，促进经济社会的快速持续发展，需要进行河道清淤疏浚工程；在进行河道底泥清理时，需要根据地域以及环境的不同制定不同的处理方案，这就需要先探明河道底泥的类型。
由于声波在不同介质中传播时会发生反射、折射和散射等现象，而不同类型的底泥具有不同的声学特性和物理结构，不同类型的底泥在不同频率声波下会呈现不同的特性和反应，因此，常使用超声波探测获得超声波探测。
现有方法将不同频率的超声波探测数据输入到神经网络中，对底泥类别进行识别；但是由于有的底泥的声波特征较为相近，导致神经网络的识别效果不好，容易将某些底泥类别识别错误。
发明内容
本发明提供一种基于人工智能的河道底泥探测及修复系统，以解决现有的问题。
本发明的一种基于人工智能的河道底泥探测及修复系统采用如下技术方案：
本发明提供了一种基于人工智能的河道底泥探测及修复系统，所述系统包括：
数据集获取模块，将不同频率的超声波数据及其底泥类别作为训练数据集；
区分能力获取模块，通过训练数据集训练分类神经网络，获得分类神经网络的混淆矩阵；将任意一个底泥类别记为目标类别，将除目标类别外的任意一个底泥类别记为对比类别，根据混淆矩阵获得目标类别和对比类别的区分难度，获得目标类别和对比类别的特征向量，对目标类别和对比类别的特征向量进行匹配获得目标类别和对比类别的KM匹配值；将目标类别的任意一个特征向量记为目标类别的目标特征向量，获得目标类别在目标特征向量下和对比类别的KM匹配值；根据目标类别和对比类别的KM匹配值和目标类别在目标特征向量下和对比类别的KM匹配值获得目标类别的目标特征向量的区分能力；
权值获取模块，根据目标类别的目标特征向量的区分能力和目标类别和对比类别的区分难度，计算目标类别的每个超声波数据中每个数据点的区分系数，将数据点的区分系数作为初始权值训练分类神经网络，根据分类神经网络获得待清淤的河道包含的底泥类别，进而制定处理方案。
进一步地，所述获得目标类别和对比类别的区分难度，包括的具体步骤如下：
式中，D表示目标类别和对比类别的区分难度，n1表示混淆矩阵中标签为目标类别的样本被错误划分为对比类别的数据量，N1表示标签为目标类别的样本的数据量；n2表示混淆矩阵中标签为对比类别的样本被错误划分为目标类别的数据量，N2表示标签为对比类别的样本的数据量。
进一步地，所述获得目标类别和对比类别的特征向量，包括的具体步骤如下：
获得目标类别的特征向量：将属于目标类别的每条超声波数据作为矩阵中的一行，获得目标类别的多频率矩阵，将每条超声波数据中的每个数据点作为多频率矩阵中的每个元素；对目标类别的多频率矩阵进行SVD分解，得到目标类别的多频率矩阵的若干个特征向量；
同理，获得对比类别的特征向量。
进一步地，所述获得目标类别和对比类别的KM匹配值，包括的具体步骤如下：
对目标类别和对比类别的特征向量进行匹配，获得目标类别和对比类别的KM匹配值：将目标类别的特征向量作为左侧节点，将对比类别的特征向量作为右侧节点，左侧每个节点与右侧所有节点都有边，边权值为两个节点对应的特征向量的余弦相似度，通过最大匹配原则对左侧节点和右侧节点进行KM匹配，得到所有匹配对；将所有匹配对的边权值的和，记为目标类别和对比类别的KM匹配值。
进一步地，所述获得目标类别在目标特征向量下和对比类别的KM匹配值，包括的具体步骤如下：
根据目标类别除目标特征向量外的其他特征向量进行重建得到目标类别在目标特征向量下的重建矩阵；对目标类别在目标特征向量下的重建矩阵进行SVD分解，得到目标类别在目标特征向量下的重建矩阵的若干个特征向量，记为目标类别在目标特征向量下的重建矩阵的重建特征向量；
同理，对目标类别在目标特征向量下的重建矩阵的重建特征向量和对比类别的特征向量进行匹配，获得目标类别在目标特征向量下和对比类别的KM匹配值。
进一步地，所述获得目标类别的目标特征向量的区分能力，包括的具体步骤如下：
如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值大于0，将差值作为目标类别和对比类别的特征向量的区分能力值；如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值小于等于0，目标类别和对比类别的特征向量的区分能力值为0；
将目标特征向量对目标类别和每个底泥类别的区分能力与目标类别和每个底泥类别的区分难度的乘积的和，记为目标类别的目标特征向量的区分能力；对所有底泥类别的特征向量的区分能力进行线性归一化，将归一化后的区分能力记为所有底泥类别的特征向量的区分能力。
进一步地，所述计算目标类别的每个超声波数据中每个数据点的区分系数，包括的具体步骤如下：
式中，表示目标类别的第j个超声波数据中第s个数据点的区分系数，m表示目标类别的特征向量的数量，/>表示目标类别的第i个特征向量的区分能力，/>表示目标类别的多频率矩阵中第j行第s列的数据点与目标类别在第i个特征向量下的重建矩阵中第j行第s列的元素的差值的绝对值，/>表示以自然常数e为底的指数函数。
进一步地，所述获得分类神经网络的混淆矩阵，包括的具体步骤如下：
通过分类神经网络获得训练数据集中每个样本的输出类别，将每种底泥类别的样本被错误划分为其他底泥类别的数据量组成的矩阵记为分类神经网络的混淆矩阵。
本发明的技术方案的有益效果是：针对现有方法将不同频率的超声波探测数据输入到神经网络中对底泥类别进行识别时，由于有的底泥的声波特征较为相近，导致神经网络的识别效果不好，容易将某些底泥类别识别错误的问题，本发明通过分类神经网络的混淆矩阵得到每两种底泥类别的区分难度，通过依次去除特征向量，进而进行KM匹配值的比较，得到了每个特征向量的区分能力，结合数据点对应的底泥类别的特征向量的区分能力，以及去除特征向量前后数据点的差异获得数据点的区分系数，将区分系数作为数据点的初始权重，进而进行神经网络的训练，使得得到的VGGNET网络大大提高了对不同类别底泥的识别精度和准确度。
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为本发明的一种基于人工智能的河道底泥探测及修复系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的河道底泥探测及修复系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的河道底泥探测及修复系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种基于人工智能的河道底泥探测及修复系统，该系统包括以下模块：
数据集获取模块101，用于获取训练数据集。
需要说明的是，由于声波在不同介质中传播时会发生反射、折射和散射等现象，而不同类型的底泥具有不同的声学特性和物理结构，不同类型的底泥在不同频率声波下会呈现不同的特性和反应，因此，常使用超声波探测仪获得超声波数据，将不同频率的超声波探测数据输入到神经网络中，对底泥类别进行识别。
具体的，在探测河道底泥时，通过不同频率的超声波对河道底泥进行探测，收集不同频率的超声波数据，每条超声波数据包括若干个数据点；将每条超声波数据作为样本，人为给定每个样本的底泥类别，将底泥类别作为样本的标签，将所有样本和标签组成训练数据集，河道底泥被划分为包括沙质底泥、粉砂质底泥、泥质底泥、粉质底泥、碎屑底泥、有机质底泥和淤泥在内的M=7种底泥类别。
进一步，河道底泥可以根据其组成、颗粒大小和性质等特征分为7种底泥类别，分别为：
（1）沙质底泥主要由沙子和细砂组成，颗粒较大，具有较好的透水性；
（2）粉砂质底泥由较小的砂子和粉状物质组成，颗粒细腻，通常比沙质底泥更容易悬浮和输运；
（3）泥质底泥主要由细粒土壤颗粒组成，含有较高的粘性物质，湿润时黏性较大；
（4）粉质底泥由非常细小的颗粒或粉末状物质组成，如粉尘、细粉末等；
（5）碎屑底泥包括碎石、岩石碎片等，较大的颗粒会沉积在河底；
（6）有机质底泥包含有机物质，如腐殖质、腐植酸等，通常会呈现暗色或黑色；
（7）淤泥指一种软弱、粘稠、含水量较高的泥浆状底层。
区分能力获取模块102，用于通过训练数据集训练分类神经网络，根据分类神经网络的混淆矩阵获得任意两种底泥类别的区分难度，获得目标类别的特征向量，对特征向量进行匹配，获得目标类别和对比类别的KM匹配值，获得目标类别在目标特征向量下和对比类别的KM匹配值，根据目标类别和对比类别的KM匹配值和目标类别在目标特征向量下和对比类别的KM匹配值获得目标类别的目标特征向量的区分能力。
需要说明的是，现有方法将不同频率的超声波探测数据输入到神经网络中，对底泥类别进行识别；但是由于有的底泥的声波特征较为相近，导致神经网络的识别效果不好，容易将某些底泥类别识别错误。本实施例的目的是提高分类神经网络对不同底泥类别的区分能力，避免错误识别。
1、通过训练数据集训练分类神经网络，根据分类神经网络的混淆矩阵获得任意两种底泥类别的区分难度。
需要说明的是，判断分类神经网络的分类准确性，需要根据训练数据集中每个样本的标签和样本的输出类别是否一致来判断，因此，首先需要通过训练数据集训练分类神经网络。
具体的，通过训练数据集训练分类神经网络，获得能够识别输入的超声波数据所属的底泥类别的分类神经网络；其中，分类神经网络采用VGGNet神经网络模型，分类神经网络的输入数据为训练数据集中的样本（超声波数据），输出数据为样本所属的底泥类别，记为样本的输出类别，共有N种底泥类别，分类神经网络的损失函数为交叉熵损失函数。
进一步需要说明的是，对于训练数据集中的样本，如果样本的输出类别和标签不同，则说明分类神经网络对该样本的分类错误；对于任意一种底泥类别A对应的所有样本，如果被错误划分到某一个底泥类别B中的样本的数量越多，且对于底泥类别B对应的所有样本，如果被错误划分到底泥类别A中的样本的数量越多，则说明用分类神经网络对底泥类别A和底泥类别B的区分难度越大，属于底泥类别A和底泥类别B的超声波数据越不容易区分。
具体的，通过分类神经网络获得训练数据集中每个样本的输出类别，将每种底泥类别的样本被错误划分为其他底泥类别的数据量组成的矩阵记为分类神经网络的混淆矩阵。
进一步，将任意一个底泥类别记为目标类别，将除目标类别外的任意一个底泥类别记为对比类别；计算目标类别和对比类别的区分难度，具体计算公式为：
式中，D表示目标类别和对比类别的区分难度，n1表示混淆矩阵中标签为目标类别的样本被错误划分为对比类别的数据量，N1表示标签为目标类别的样本的数据量；n2表示混淆矩阵中标签为对比类别的样本被错误划分为目标类别的数据量，N2表示标签为对比类别的样本的数据量。
标签为目标类别的样本被错误划分为对比类别的数据量与标签为目标类别的样本的数据量的比值越大，则标签为目标类别的样本越容易被错误划分为对比类别；标签为对比类别的样本被错误划分为目标类别的数据量与标签为对比类别的样本的数据量的比值越大，则标签为对比类别的样本越容易被错误划分为目标类别；说明分类神经网络对目标类别和对比类别的区分难度越大，属于目标类别和对比类别的超声波数据越不容易区分，目标类别和对比类别的区分难度越大。
2、获得目标类别的特征向量，对特征向量进行匹配，获得目标类别和对比类别的KM匹配值，获得目标类别在目标特征向量下和对比类别的KM匹配值。
需要说明的是，对于某个底泥类别的所有样本，所有样本组成的矩阵的特征向量反映了该底泥类别的样本的特征，当两个底泥类别之间较难区分时，比如存在较为相近的两个特征向量，通过计算两个底泥类别在去掉某个特征向量后的重建矩阵，根据两个类别的特征向量匹配度的变化来得到每个特征向量表示的信息是否对两个类别有较大的区分能力。如果去掉某个特征向量后重建的矩阵分解得到的多个特征向量与另一个数据的特征向量的匹配度减小，说明去掉的特征向量中含有较多的区分信息，说明去掉的特征向量区分能力较强。
具体的，获得目标类别的特征向量，具体过程如下：将属于目标类别的每条超声波数据作为矩阵中的一行，获得目标类别的多频率矩阵，将每条超声波数据中的每个数据点作为多频率矩阵中的每个元素；对目标类别的多频率矩阵进行SVD分解，得到目标类别的多频率矩阵的若干个特征向量。同理，获得对比类别的特征向量。
进一步，对目标类别和对比类别的特征向量进行匹配，获得目标类别和对比类别的KM匹配值，具体过程如下：将目标类别的特征向量作为左侧节点，将对比类别的特征向量作为右侧节点，左侧每个节点与右侧所有节点都有边，边权值为两个节点对应的特征向量的余弦相似度，通过最大匹配原则对左侧节点和右侧节点进行KM匹配，得到所有匹配对；将所有匹配对的边权值的和，记为目标类别和对比类别的KM匹配值。
进一步，将目标类别的任意一个特征向量记为目标类别的目标特征向量；根据目标类别除目标特征向量外的其他特征向量进行重建得到目标类别在目标特征向量下的重建矩阵；对目标类别在目标特征向量下的重建矩阵进行SVD分解，得到目标类别在目标特征向量下的重建矩阵的若干个特征向量，记为目标类别在目标特征向量下的重建矩阵的重建特征向量；同理，对目标类别在目标特征向量下的重建矩阵的重建特征向量和对比类别的特征向量进行匹配，获得目标类别在目标特征向量下和对比类别的KM匹配值。
3、根据目标类别和对比类别的KM匹配值和目标类别在目标特征向量下和对比类别的KM匹配值获得目标类别的目标特征向量的区分能力。
需要说明的是，通过特征向量来区分不同的底泥类别，如果去掉某个特征向量后重建的矩阵分解得到的多个特征向量与另一个数据的特征向量的匹配度减小，说明去掉的特征向量中含有较多的区分信息，说明去掉的特征向量区分能力较强。
具体的，如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值大于0，则说明目标类别的目标特征向量含有目标类别和对比类别的区分信息，将差值作为目标类别和对比类别的特征向量的区分能力值；如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值小于等于0，则说明目标类别的目标特征向量无法区分目标类别和对比类别，目标类别和对比类别的特征向量的区分能力值为0。
进一步，将目标特征向量对目标类别和每个底泥类别的区分能力与目标类别和每个底泥类别的区分难度的乘积的和，记为目标类别的目标特征向量的区分能力；对所有底泥类别的特征向量的区分能力进行线性归一化，将归一化后的区分能力记为所有底泥类别的特征向量的区分能力。
权值获取模块103，用于计算目标类别的每个超声波数据中每个数据点的区分系数，将数据点的区分系数作为初始权值训练分类神经网络，根据分类神经网络获得待清淤的河道包含的底泥类别，进而制定处理方案。
需要说明的是，得到每个底泥类别的特征向量的区分能力后，由于本实施例的目的是增强分类神经网络对不同底泥类别的分类能力，因此，在训练分类神经网络时，更倾向于保留能够区分不同底泥类别的数据点，在构建分类神经网络的损失函数时，给区分能力越大的数据点分配越大的权重，以此，使分类神经网络的分类结果的准确性更倾向于区分能力越大的数据点的特征。
1、计算目标类别的每个超声波数据中每个数据点的区分系数。
需要说明的是，数据点对不同底泥类别的不仅取决于数据点所属底泥类别的所有特征向量的区分能力，还取决于去掉某个特征向量后的重建矩阵中与该数据点相同位置的元素与该数据点的差异，差异越小，说明该数据点在不同特征向量下近似保持不变，则用来区分不同底泥类别的能力越差。
具体的，计算目标类别的第j个超声波数据中第s个数据点的区分系数，具体计算公式如下：
式中，表示目标类别的第j个超声波数据中第s个数据点的区分系数，m表示目标类别的特征向量的数量，/>表示目标类别的第i个特征向量的区分能力，/>表示目标类别的多频率矩阵中第j行第s列的数据点与目标类别在第i个特征向量下的重建矩阵中第j行第s列的元素的差值的绝对值，/>表示以自然常数e为底的指数函数。
由于目标类别的特征向量表征了目标类别对应的超声波数据的特征，因此，数据点对应的目标类别的特征向量的区分能力表征数据点的区分能力；目标类别的多频率矩阵中第j行第s列的数据点与目标类别在第i个特征向量下的重建矩阵中第j行第s列的元素的差值的绝对值表征数据点在不同特征下的一致性，说明该数据点含有越多的该特征向量的信息，因此，表征数据点在目标类别的第i个特征向量下的区分能力，将数据点在目标类别的所有特征向量下的区分能力的平均值作为该数据点区分不同底泥类别的能力。
2、将数据点的区分系数作为初始权值训练分类神经网络，根据分类神经网络获得待清淤的河道包含的底泥类别，进而制定处理方案。
需要说明的是，数据点的区分系数越大，说明数据点包含的区分不同底泥类别信息量越多，需要对该数据点重点关注，即赋予该数据点越大的初始权值，结合数据点的初始权重进行分类神经网络的训练，进而得到鲁棒性更强的分类神经网络。
具体的，计算所有底泥类别的多频率矩阵中所有数据点的区分系数，将每个数据点的区分系数作为每个数据点的初始权值，通过训练数据集训练分类神经网络，获得能够识别输入的超声波数据所属的底泥类别的分类神经网络；其中，分类神经网络采用VGGNet神经网络模型，分类神经网络的输入数据为训练数据集中的样本，输出数据为样本所属的底泥类别，分类神经网络的损失函数为交叉熵损失函数。
进一步，对于需要进行清淤疏浚的河道，在施工前，通过超声波探测仪设置不同频率的超声波对河道底泥进行探测，收集不同频率的超声波数据，将超声波数据作为分类神经网络的输入，获得分类神经网络的输出，即河道底泥包含的底泥类别，根据河道底泥包含的底泥类别制定处理方案。
本发明的系统包括数据集获取模块、区分能力获取模块和权值获取模块。针对现有方法将不同频率的超声波探测数据输入到神经网络中对底泥类别进行识别时，由于有的底泥的声波特征较为相近，导致神经网络的识别效果不好，容易将某些底泥类别识别错误的问题，本发明通过分类神经网络的混淆矩阵得到每两种底泥类别的区分难度，通过依次去除特征向量，进而进行KM匹配值的比较，得到了每个特征向量的区分能力，结合数据点对应的底泥类别的特征向量的区分能力，以及去除特征向量前后数据点的差异获得数据点的区分系数，将区分系数作为数据点的初始权重，进而进行神经网络的训练，使得得到的VGGNET网络大大提高了对不同类别底泥的识别精度和准确度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述系统包括：
数据集获取模块，将不同频率的超声波数据及其底泥类别作为训练数据集；
区分能力获取模块，通过训练数据集训练分类神经网络，获得分类神经网络的混淆矩阵；将任意一个底泥类别记为目标类别，将除目标类别外的任意一个底泥类别记为对比类别，根据混淆矩阵获得目标类别和对比类别的区分难度，获得目标类别和对比类别的特征向量，对目标类别和对比类别的特征向量进行匹配获得目标类别和对比类别的KM匹配值；将目标类别的任意一个特征向量记为目标类别的目标特征向量，获得目标类别在目标特征向量下和对比类别的KM匹配值；根据目标类别和对比类别的KM匹配值和目标类别在目标特征向量下和对比类别的KM匹配值获得目标类别的目标特征向量的区分能力；
权值获取模块，根据目标类别的目标特征向量的区分能力和目标类别和对比类别的区分难度，计算目标类别的每个超声波数据中每个数据点的区分系数，将数据点的区分系数作为初始权值训练分类神经网络，根据分类神经网络获得待清淤的河道包含的底泥类别，进而制定处理方案；
所述获得目标类别和对比类别的区分难度，包括的具体步骤如下：
式中，D表示目标类别和对比类别的区分难度，n1表示混淆矩阵中标签为目标类别的样本被错误划分为对比类别的数据量，N1表示标签为目标类别的样本的数据量；n2表示混淆矩阵中标签为对比类别的样本被错误划分为目标类别的数据量，N2表示标签为对比类别的样本的数据量；
所述计算目标类别的每个超声波数据中每个数据点的区分系数，包括的具体步骤如下：
式中，表示目标类别的第j个超声波数据中第s个数据点的区分系数，m表示目标类别的特征向量的数量，/>表示目标类别的第i个特征向量的区分能力，/>表示目标类别的多频率矩阵中第j行第s列的数据点与目标类别在第i个特征向量下的重建矩阵中第j行第s列的元素的差值的绝对值，/>表示以自然常数e为底的指数函数。
2.根据权利要求1所述的一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述获得目标类别和对比类别的特征向量，包括的具体步骤如下：
获得目标类别的特征向量：将属于目标类别的每条超声波数据作为矩阵中的一行，获得目标类别的多频率矩阵，将每条超声波数据中的每个数据点作为多频率矩阵中的每个元素；对目标类别的多频率矩阵进行SVD分解，得到目标类别的多频率矩阵的若干个特征向量；
同理，获得对比类别的特征向量。
3.根据权利要求1所述的一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述获得目标类别和对比类别的KM匹配值，包括的具体步骤如下：
对目标类别和对比类别的特征向量进行匹配，获得目标类别和对比类别的KM匹配值：将目标类别的特征向量作为左侧节点，将对比类别的特征向量作为右侧节点，左侧每个节点与右侧所有节点都有边，边权值为两个节点对应的特征向量的余弦相似度，通过最大匹配原则对左侧节点和右侧节点进行KM匹配，得到所有匹配对；将所有匹配对的边权值的和，记为目标类别和对比类别的KM匹配值。
4.根据权利要求1所述的一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述获得目标类别在目标特征向量下和对比类别的KM匹配值，包括的具体步骤如下：
根据目标类别除目标特征向量外的其他特征向量进行重建得到目标类别在目标特征向量下的重建矩阵；对目标类别在目标特征向量下的重建矩阵进行SVD分解，得到目标类别在目标特征向量下的重建矩阵的若干个特征向量，记为目标类别在目标特征向量下的重建矩阵的重建特征向量；
同理，对目标类别在目标特征向量下的重建矩阵的重建特征向量和对比类别的特征向量进行匹配，获得目标类别在目标特征向量下和对比类别的KM匹配值。
5.根据权利要求1所述的一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述获得目标类别的目标特征向量的区分能力，包括的具体步骤如下：
如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值大于0，将差值作为目标类别和对比类别的特征向量的区分能力值；如果目标类别在目标特征向量下和对比类别的KM匹配值与目标类别和对比类别的KM匹配值的差值小于等于0，目标类别和对比类别的特征向量的区分能力值为0；
将目标特征向量对目标类别和每个底泥类别的区分能力与目标类别和每个底泥类别的区分难度的乘积的和，记为目标类别的目标特征向量的区分能力；对所有底泥类别的特征向量的区分能力进行线性归一化，将归一化后的区分能力记为所有底泥类别的特征向量的区分能力。
6.根据权利要求1所述的一种基于人工智能的河道底泥探测及修复系统，其特征在于，所述获得分类神经网络的混淆矩阵，包括的具体步骤如下：
通过分类神经网络获得训练数据集中每个样本的输出类别，将每种底泥类别的样本被错误划分为其他底泥类别的数据量组成的矩阵记为分类神经网络的混淆矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896174.XA CN116660389B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的河道底泥探测及修复系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310896174.XA CN116660389B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的河道底泥探测及修复系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116660389A CN116660389A (zh) | 2023-08-29 |
| CN116660389B true CN116660389B (zh) | 2023-10-13 |
Family
ID=87722661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310896174.XA Active CN116660389B (zh) | 2023-07-21 | 2023-07-21 | 一种基于人工智能的河道底泥探测及修复系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116660389B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162294A (ja) * | 2004-12-02 | 2006-06-22 | Furuno Electric Co Ltd | 底質探知装置 |
| CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
| WO2018234588A1 (en) * | 2017-06-23 | 2018-12-27 | Koninklijke Philips N.V. | METHOD AND SYSTEM FOR SELECTING GENE SIGNATURE MARKER |
| CN109816092A (zh) * | 2018-12-13 | 2019-05-28 | 北京三快在线科技有限公司 | 深度神经网络训练方法、装置、电子设备及存储介质 |
| CN112686026A (zh) * | 2021-03-17 | 2021-04-20 | 平安科技（深圳）有限公司 | 基于信息熵的关键词提取方法、装置、设备及介质 |
| CN113919361A (zh) * | 2021-09-13 | 2022-01-11 | 聚好看科技股份有限公司 | 一种文本分类方法和装置 |
| CN114331001A (zh) * | 2021-11-26 | 2022-04-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种自适应匹配的电力终端异常工单分派方法及系统 |
| CN114332539A (zh) * | 2021-12-31 | 2022-04-12 | 深圳友一生物科技有限公司 | 针对类别不均衡数据集的网络训练方法 |
| CN114463596A (zh) * | 2021-12-28 | 2022-05-10 | 苏州科技大学 | 一种超图神经网络的小样本图像识别方法、装置及设备 |
| CN115965655A (zh) * | 2023-02-02 | 2023-04-14 | 西安电子科技大学 | 一种基于雷视一体的交通目标跟踪方法 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030037016A1 (en) * | 2001-07-16 | 2003-02-20 | International Business Machines Corporation | Method and apparatus for representing and generating evaluation functions in a data classification system |
| CN113299346B (zh) * | 2021-04-01 | 2022-03-29 | 腾讯科技（深圳）有限公司 | 分类模型训练和分类方法、装置、计算机设备和存储介质 |
-
2023
- 2023-07-21 CN CN202310896174.XA patent/CN116660389B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162294A (ja) * | 2004-12-02 | 2006-06-22 | Furuno Electric Co Ltd | 底質探知装置 |
| WO2018234588A1 (en) * | 2017-06-23 | 2018-12-27 | Koninklijke Philips N.V. | METHOD AND SYSTEM FOR SELECTING GENE SIGNATURE MARKER |
| CN108896996A (zh) * | 2018-05-11 | 2018-11-27 | 中南大学 | 一种基于随机森林的铅锌矿吸水井泥水界面超声波回波信号分类方法 |
| CN109816092A (zh) * | 2018-12-13 | 2019-05-28 | 北京三快在线科技有限公司 | 深度神经网络训练方法、装置、电子设备及存储介质 |
| CN112686026A (zh) * | 2021-03-17 | 2021-04-20 | 平安科技（深圳）有限公司 | 基于信息熵的关键词提取方法、装置、设备及介质 |
| CN113919361A (zh) * | 2021-09-13 | 2022-01-11 | 聚好看科技股份有限公司 | 一种文本分类方法和装置 |
| WO2023087558A1 (zh) * | 2021-11-22 | 2023-05-25 | 重庆邮电大学 | 基于嵌入平滑图神经网络的小样本遥感图像场景分类方法 |
| CN114331001A (zh) * | 2021-11-26 | 2022-04-12 | 国网山东省电力公司营销服务中心(计量中心) | 一种自适应匹配的电力终端异常工单分派方法及系统 |
| CN114463596A (zh) * | 2021-12-28 | 2022-05-10 | 苏州科技大学 | 一种超图神经网络的小样本图像识别方法、装置及设备 |
| CN114332539A (zh) * | 2021-12-31 | 2022-04-12 | 深圳友一生物科技有限公司 | 针对类别不均衡数据集的网络训练方法 |
| CN115965655A (zh) * | 2023-02-02 | 2023-04-14 | 西安电子科技大学 | 一种基于雷视一体的交通目标跟踪方法 |
Non-Patent Citations (4)
| Title |
|---|
| A deep learning automatic classifiation method for clogging pervious pavement;Zhongze Zhang等;《Construction and Building Materials》;第1-11页 * |
| Autom atic fault classifi cation in photovoltaic modules using Convolutional Neural Networks;Ricardo Henrique Fonseca Alves;《Renewable Energy》;第502-516页 * |
| 基于卷积神经网络的列控车载设备故障分类研究;周璐婕等;《铁道学报》;第43卷(第6期);第70-77页 * |
| 海底声呐图像智能底质分类技术研究综述;赵玉新等;《智能系统学报》;第15卷(第3期);第587-600页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116660389A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Integration of multi-source data for water quality classification in the Pearl River estuary and its adjacent coastal waters of Hong Kong | |
| CN102855494B (zh) | 一种卫星遥感影像的水体提取方法及装置 | |
| Calvert et al. | An evaluation of supervised and unsupervised classification techniques for marine benthic habitat mapping using multibeam echosounder data | |
| CN102109495A (zh) | 基于多波束声纳技术的海底混合底质类型分类方法 | |
| CN110555841A (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| Sun et al. | Coastline extraction using remote sensing: A review | |
| Hu et al. | Predictive habitat suitability modeling of deep-sea framework-forming scleractinian corals in the Gulf of Mexico | |
| Tharani et al. | Attention neural network for trash detection on water channels | |
| Li et al. | Integrating multiple textural features for remote sensing image change detection | |
| CN115148299A (zh) | 一种基于XGBoost的矿床类型鉴别方法及系统 | |
| Lidberg et al. | Mapping drainage ditches in forested landscapes using deep learning and aerial laser scanning | |
| Rasheed et al. | Response of tidal flow regime and sediment transport in North Malé Atoll, Maldives, to coastal modification and sea level rise | |
| CN114722926A (zh) | 拖曳式传感器阵列中尺度涡时间序列图卷积聚类方法 | |
| Wei et al. | Application of machine learning to groundwater spring potential mapping using averaging, bagging, and boosting techniques | |
| CN116660389B (zh) | 一种基于人工智能的河道底泥探测及修复系统 | |
| Saha et al. | Distinguishing depositional environments in the beach–dune system of Chandipur, India, based on sediment texture and quartz grain surface features | |
| CN117197661A (zh) | 一种利用激光雷达点云数据识别黄土落水洞的方法 | |
| Tochamnanvita et al. | Investigation of coastline changes in three provinces of Thailand using remote sensing | |
| Palanichamy et al. | Simulation and prediction of groundwater quality of a semi-arid region using fuzzy inference system and neural network techniques | |
| CN115630336A (zh) | 基于域自适应迁移学习的无样本库区滑坡易发性预测方法 | |
| Zhang et al. | Study of the spatial and temporal distributions of tidal flat surface sediment based on multitemporal remote sensing | |
| Zeng et al. | Urban water body detection from the combination of high-resolution optical and SAR images | |
| Mohd et al. | Thresholding and fuzzy rule-based classification approaches in handling mangrove forest mixed pixel problems associated with in QuickBird remote sensing image analysis | |
| Javed et al. | Analysis of hydrological and suspended sediment events from Mad River watershed using multivariate time series clustering | |
| Mansourmoghaddam et al. | Evaluation of the classification accuracy of NDVI index in the preparation of land cover map. |
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 |