CN117168331B - 基于光纤传感器的天然冰场冰层厚度实时检测方法 - Google Patents
基于光纤传感器的天然冰场冰层厚度实时检测方法 Download PDFInfo
- Publication number
- CN117168331B CN117168331B CN202311443565.2A CN202311443565A CN117168331B CN 117168331 B CN117168331 B CN 117168331B CN 202311443565 A CN202311443565 A CN 202311443565A CN 117168331 B CN117168331 B CN 117168331B
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- temperature distribution
- fiber temperature
- feature map
- layer
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011897 real-time detection Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 40
- 239000000835 fiber Substances 0.000 claims abstract description 27
- 238000010586 diagram Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 230000004927 fusion Effects 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 170
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000005553 drilling Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000000053 physical method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
Abstract
本发明涉及智能化检测技术领域，公开了一种基于光纤传感器的天然冰场冰层厚度实时检测方法，包括以下步骤：获取由光纤传感器采集的散射信号；对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像；对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图；以及，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度。本发明利用光纤传感器和深度学习算法，将光纤传感器采集到的散射信号转换为光纤温度分布图像之后，对其进行图像处理与分析，以根据温度分布反推出冰层的厚度；可以提高冰场的安全性，提高冰场的利用率。
Description
技术领域
本发明涉及智能化检测技术领域，具体地，涉及一种基于光纤传感器的天然冰场冰层厚度实时检测方法。
背景技术
天然冰场是一种重要的冰雪运动场地。天然冰场冰层厚度的实时检测对于安全管理和提高冰场利用率具有重要意义。传统的冰层厚度检测方法通常使用物理测量手段，如钻孔法、声波法和电磁法等。
钻孔法是最常用的冰层厚度检测方法之一，通过在冰面上钻取孔洞，然后测量孔洞的深度来估计冰层的厚度，这种方法的优点是直接测量冰层的实际厚度，比较准确。但是，钻孔法存在一些局限性，如测量范围有限，只能得到离钻孔位置附近的冰层厚度信息，并且需要时间和人力资源。
声波法利用声波在不同介质中传播速度的差异来测量冰层厚度，通常是通过在冰面上放置声源和接收器，发送声波信号并测量信号的传播时间来计算冰层的厚度，这种方法可以实时监测冰层厚度，并且测量范围相对较大。然而，声波法对于冰层的物理性质和表面条件较为敏感，可能受到冰面的不均匀性和其他环境因素的影响。
电磁法利用电磁波在不同介质中传播的特性来测量冰层厚度，通常是通过在冰面上放置发射器和接收器，发送电磁波信号并测量信号的传播时间或幅度变化来推断冰层的厚度，这种方法可以实时监测冰层厚度，并且对冰层的物理性质和表面条件的影响较小。然而，电磁法的测量范围也存在限制，并且需要专业设备和技术支持。
这些传统的冰层厚度检测方法在一定程度上可以提供冰层厚度的信息，但也存在一些局限性，如测量范围有限、无法实时监测、需要人工操作和复杂的测量设备、受环境因素影响等。
因此，期待一种优化的天然冰场冰层厚度实时检测方法，如光纤传感器和深度学习算法的结合，来改进冰层厚度的实时检测，以提高安全管理和冰场利用率。
发明内容
本发明的目的在于提供一种优化的天然冰场冰层厚度实时检测方法，以实现对冰层厚度的实时检测，提高安全管理和冰场利用率。
为了解决上述技术问题，本发明提供了一种基于光纤传感器的天然冰场冰层厚度实时检测方法，其包括：
获取由光纤传感器采集的散射信号；
对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像；
对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图；以及
基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度。
优选的，对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图，包括：
将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到所述光纤温度分布浅层特征图；以及
将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到所述光纤温度分布深层特征图。
优选的，将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到所述光纤温度分布浅层特征图，包括：
使用所述基于第一卷积神经网络模型的温度分布浅层特征提取器的各层在层的正向传递中对所述光纤温度分布图像分别进行卷积处理、池化处理和非线性激活处理，所述基于第一卷积神经网络模型的温度分布浅层特征提取器的浅层输出为所述光纤温度分布浅层特征图。
优选的，将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到所述光纤温度分布深层特征图，包括：
使用所述基于第二卷积神经网络模型的温度分布深层特征提取器的各层在层的正向传递中对所述光纤温度分布浅层特征图分别进行卷积处理、池化处理和非线性激活处理，所述基于第二卷积神经网络模型的温度分布深层特征提取器的深层输出为所述光纤温度分布深层特征图。
优选的，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度，包括：
使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图；
基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度。
优选的，使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图，包括：
对所述光纤温度分布深层特征图进行上采样和卷积处理以得到重构光纤温度分布深层特征图；
计算所述重构光纤温度分布深层特征图和所述光纤温度分布浅层特征图之间的按位置差值以得到差值特征图；
将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图；
将所述光纤温度分布浅层特征图与所述掩码特征图进行点乘以得到融合特征图；以及
对所述融合特征图进行基于注意力的PMA池化操作以得到所述语义掩码强化光纤温度分布浅层特征图。
优选的，基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度，包括：
对所述语义掩码强化光纤温度分布浅层特征图进行特征分布修正以得到修正后语义掩码强化光纤温度分布浅层特征图；以及
将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值。
优选的，将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值，包括：
使用所述解码器以如下公式对所述修正后语义掩码强化光纤温度分布浅层特征图进行解码回归以得到所述解码值；
其中，所述公式为：，其中Xd表示将所述修正后语义掩码强化光纤温度分布浅层特征图投影为向量，Y表示所述解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
与现有技术相比，本发明具有以下有益效果：
1）光纤传感器这种非侵入性的检测方法不会对冰场的使用造成干扰，同时能够实现对整个冰场范围的全面监测，使得冰场管理人员可以随时了解冰层的状况，及时采取措施确保冰场的安全。与传统的物理测量方法相比，光纤传感器的应用不会破坏冰层，对冰场的影响更小。
2）利用深度学习算法对光纤传感器采集到的散射信号进行图像处理与分析，可以提取出冰层的温度分布图像。通过分析这些图像，可以准确推断冰层的厚度，提高测量精度，帮助冰场管理人员做出准确的决策。
3）本发明利用光纤传感器和深度学习算法，将光纤传感器采集到的散射信号转换为光纤温度分布图像之后，对其进行图像处理与分析，以根据温度分布反推出冰层的厚度；可以提高冰场的安全性，提高冰场的利用率。
附图说明
为了更清楚地说明本发明实施例的技术方案，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为本发明一实施例的基于光纤传感器的天然冰场冰层厚度实时检测方法的流程图。
图2为本发明一实施例的基于光纤传感器的天然冰场冰层厚度实时检测方法的架构示意图。
图3为本发明一实施例的基于光纤传感器的天然冰场冰层厚度实时检测系统的框图。
图4为本发明一实施例的基于光纤传感器的天然冰场冰层厚度实时检测方法的场景示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如图1和图2所示，所述基于光纤传感器的天然冰场冰层厚度实时检测方法，包括：110，获取由光纤传感器采集的散射信号；120，对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像；130，对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图；以及，140，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度。
在所述步骤110中，获取由光纤传感器采集的散射信号。需确保光纤传感器的正确安装和连接，以保证信号的准确采集。同时，要注意采集信号的频率和采样率，以满足后续处理和分析的需求。光纤传感器可以实时采集冰层的温度分布信息，为后续的图像处理和分析提供数据基础。
在所述步骤120中，对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像。处理散射信号时，进行适当的滤波、去噪和放大等处理，以提高信号的质量和稳定性，频移和强度的分析可以用来推断温度分布。通过处理散射信号，可以获得光纤温度分布图像，提供了冰层温度随空间位置变化的信息，为后续的特征提取和厚度确定提供依据。
在所述步骤130中，对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图。也就是，捕捉所述光纤温度分布图像中的浅层特征信息，例如冰层表面的温度变化和趋势，和深层特征信息，例如冰层的整体形状等。根据冰层的特性和实际需求，选择适当的特征提取方法，如卷积神经网络 (CNN)或其他图像处理技术，特征提取考虑不同深度的信息，以获取浅层和深层的特征图。通过特征提取，可以从光纤温度分布图像中提取出冰层的关键特征，如温度梯度、边界和纹理等，为后续的厚度确定提供更准确的信息。
在所述步骤140中，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度。利用光纤温度分布浅层特征图和深层特征图，可以使用机器学习或其他算法进行厚度的确定，算法的选择考虑数据的特点、模型的准确性和计算效率等因素。通过基于特征图的分析，可以准确地推断冰层的厚度。
本发明利用光纤传感器和深度学习算法，将光纤传感器采集到的散射信号转换为光纤温度分布图像之后，对其进行图像处理与分析，以根据温度分布反推出冰层的厚度。
光纤传感器可以实时采集冰层温度分布的数据，与传统的物理测量方法相比，光纤传感器可以在整个冰场范围内进行连续监测，实现对冰层厚度的实时监测。这样，冰场管理人员可以随时了解冰层的状况，及时采取措施确保冰场的安全。利用深度学习算法对光纤传感器采集到的散射信号进行图像处理与分析，可以提取出冰层的温度分布图像。通过分析这些图像，可以准确推断冰层的厚度，深度学习算法具有强大的模式识别和学习能力，可以从大量的数据中学习并建立准确的冰层厚度预测模型，这种方法可以提供更高精度的冰层厚度测量结果，帮助冰场管理人员做出准确的决策。光纤传感器的安装相对简单，可以通过埋设在冰层下或固定在冰场表面的方式进行。这种非侵入性的检测方法不会对冰场的使用造成干扰，同时能够实现对整个冰场范围的全面监测，与传统的物理测量方法相比，光纤传感器的应用不会破坏冰层，对冰场的影响更小。
利用光纤传感器和深度学习算法进行冰层厚度检测可以实现实时监测、高精度测量和非侵入性检测等有益效果，这种方法可以提高冰场的安全性，提高冰场的利用率，并为冰场管理人员提供准确的决策依据。
在本发明的一个具体示例中，对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图的编码过程，包括：先将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到光纤温度分布浅层特征图；再将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到光纤温度分布深层特征图。
其中，基于第一卷积神经网络模型的温度分布浅层特征提取器可以捕捉到光纤温度分布图像的局部细节信息，如冰层表面的温度变化、冰层内部的温度梯度等。基于第二卷积神经网络模型的温度分布深层特征提取器可以捕捉到光纤温度分布图像的全局语义信息，如冰层的整体形状、边界位置等。这两种不同深度的温度分布特征可以互补地描述冰层的厚度信息。
在本发明的一个具体实施例中，将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到所述光纤温度分布浅层特征图，包括：使用所述基于第一卷积神经网络模型的温度分布浅层特征提取器的各层在层的正向传递中对所述光纤温度分布图像分别进行卷积处理、池化处理和非线性激活处理，所述基于第一卷积神经网络模型的温度分布浅层特征提取器的浅层输出为所述光纤温度分布浅层特征图。
在本发明的一个具体实施例中，将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到所述光纤温度分布深层特征图，包括：使用所述基于第二卷积神经网络模型的温度分布深层特征提取器的各层在层的正向传递中对所述光纤温度分布浅层特征图分别进行卷积处理、池化处理和非线性激活处理，所述基于第二卷积神经网络模型的温度分布深层特征提取器的深层输出为所述光纤温度分布深层特征图。
应可以理解，卷积神经网络模型可以学习图像中的特征，通过提取浅层特征，可以捕捉到光纤温度分布图像中的局部模式、纹理和边缘等信息，这些特征对于冰层厚度的推断具有重要意义。浅层特征提取器将原始的光纤温度分布图像转化为更高级的抽象表示，这些抽象特征能够更好地表达图像中的冰层温度分布信息，为后续的深层特征提取和厚度确定提供更有代表性的输入。
深层特征提取器可以进一步学习和提取光纤温度分布浅层特征图中的更高级抽象特征，这些特征能够更好地描述冰层的复杂结构、温度梯度和其他重要特征，对于冰层厚度的确定具有更高的准确性。深层特征提取器能够从不同的层次上理解光纤温度分布浅层特征图中的信息，通过多层次的特征提取，可以捕捉到不同尺度和语义层次上的特征，提供更全面和丰富的信息，从而提高冰层厚度的确定性。
通过基于卷积神经网络模型的温度分布浅层特征提取器和温度分布深层特征提取器，可以有效地从光纤温度分布图像中提取有代表性的特征，为后续的厚度确定提供更准确和全面的信息，有助于提高冰层厚度检测的精度和可靠性。
在本发明的一个具体实施例中，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度，包括：使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图；基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度。
残差信息增强融合模块可以将光纤温度分布浅层特征图和深层特征图进行融合；也就是，融合这两种不同深度的温度分布特征以弥补浅层特征和深层特征之间的信息损失。具体来说，由于卷积神经网络模型在进行特征提取时会进行下采样操作，导致浅层特征和深层特征之间存在尺寸不匹配和信息缺失的问题。残差信息增强融合模块可以通过使用上采样操作和残差连接来实现浅层特征和深层特征之间的对齐和融合，从而增强光纤温度分布图像的语义掩码信息。通过学习残差连接，将两者的特征信息相互补充和增强，这样可以充分利用两个层次的特征表示，提高特征的丰富性和表达能力。
通过使用语义掩码，可以将特征融合的过程引入语义信息，语义掩码可以根据特定的语义信息，对浅层特征图进行加权，使得对冰层厚度判定有重要贡献的区域得到更高的关注和强化，有助于提高冰层厚度确定的准确性和鲁棒性。通过语义掩码强化的光纤温度分布浅层特征图，可以更好地突出冰层厚度相关的特征，使得后续的厚度确定更加可靠，这样的特征表示可以为冰场管理人员提供更准确的决策依据，帮助他们做出合理的冰场使用和安全管理决策。
使用残差信息增强融合模块来融合光纤温度分布浅层特征图和深层特征图，并通过语义掩码强化光纤温度分布浅层特征图，可以提高特征的表达能力和决策的可靠性，进一步提升冰层厚度的确定精度。
更具体地，在本发明的实施例中，使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图的编码过程，包括：先对所述光纤温度分布深层特征图进行上采样和卷积处理以得到重构光纤温度分布深层特征图；随后，计算所述重构光纤温度分布深层特征图和所述光纤温度分布浅层特征图之间的按位置差值以得到差值特征图；接着，将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图；然后，将所述光纤温度分布浅层特征图与所述掩码特征图进行点乘以得到融合特征图；接下来，对所述融合特征图进行基于注意力的PMA池化操作以得到所述语义掩码强化光纤温度分布浅层特征图。
在本发明的一个实施例中，基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度，包括：对所述语义掩码强化光纤温度分布浅层特征图进行特征分布修正以得到修正后语义掩码强化光纤温度分布浅层特征图；以及，将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值。
应可以理解，特征分布修正可以通过调整特征图的分布和权重，突出与冰层厚度相关的特征，并抑制与冰层厚度无关的特征，这样可以增强特征图中与冰层厚度有关的信息，提高冰层厚度的可辨识性和可靠性。特征分布修正可以帮助去除特征图中的噪声和冗余信息，通过对特征图进行修正和调整，可以减少不相关的特征对冰层厚度预测的干扰，提高预测的准确性和稳定性。修正后的语义掩码强化光纤温度分布浅层特征图能够更好地反映冰层厚度的分布情况。这样，冰场管理人员可以根据修正后的特征图来做出更准确的冰层厚度判定和决策，为冰场使用和安全管理提供更可靠的依据。
通过对语义掩码强化光纤温度分布浅层特征图进行特征分布修正，可以增强特征、去除噪声，并提供更可靠的决策依据。这将有助于提高冰层厚度的预测准确性和决策支持的可靠性。
这里，所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图分别表达所述光纤温度分布图像的浅层图像语义特征和深层图像语义特征，由此，在使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图后，得到的所述语义掩码强化光纤温度分布浅层特征图不仅包括浅层图像语义特征和深层图像语义特征本身，来包括基于两者的浅层-深层残差的层间残差图像语义特征，也就是，所述语义掩码强化光纤温度分布浅层特征图会具有基于卷积神经网络的跨深度图像语义特征分布性质，这就使得在将所述语义掩码强化光纤温度分布浅层特征图通过解码器进行解码回归时，会由于跨深度的特征离散化分布而需要提升解码回归的效率。
因此，本发明的申请人对所述语义掩码强化光纤温度分布浅层特征图在通过解码器进行解码回归时，对所述语义掩码强化光纤温度分布浅层特征图进行逐点优化，具体表示为：以如下优化公式对所述语义掩码强化光纤温度分布浅层特征图进行逐点优化；其中，所述优化公式为：
其中，fi是所述语义掩码强化光纤温度分布浅层特征图的每个特征值，是所述语义掩码强化光纤温度分布浅层特征图的所有特征值的全局均值，且fmax是所述语义掩码强化光纤温度分布浅层特征图的最大特征值，fi'是所述修正后语义掩码强化光纤温度分布浅层特征图的每个特征值，/>表示计算以数值为幂的自然指数函数值。
也就是，通过所述语义掩码强化光纤温度分布浅层特征图的全局分布特征参数的正则化仿函数的概念，上述优化基于所述语义掩码强化光纤温度分布浅层特征图的全局分布的参数向量式表征，来以回归概率的正则式表达模拟代价函数，从而对所述语义掩码强化光纤温度分布浅层特征图在高维特征空间内的特征流形表征对于解码回归概率下的基于解码器的权重矩阵的逐点回归特性进行建模，以捕获待解码的语义掩码强化光纤温度分布浅层特征图经由解码器模型的参数空间在高维特征流形的场景几何形状下的参数平滑式优化轨迹，提高所述语义掩码强化光纤温度分布浅层特征图在所述解码器的解码概率回归下的训练效率。
继而，将所述语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值。
在本发明的一个具体实施例中，将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值，包括：使用所述解码器以如下公式对所述修正后语义掩码强化光纤温度分布浅层特征图进行解码回归以得到所述解码值；
其中，所述公式为：，其中Xd表示将所述修正后语义掩码强化光纤温度分布浅层特征图投影为向量，Y表示所述解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
解码器将修正后的特征图转化为解码值，这些解码值可以用来表示冰层的厚度值，通过解码器的处理，可以从特征图中提取出与冰层厚度相关的信息，并将其转化为数值表示。这样，冰场管理人员可以通过解码值来了解冰层的厚度情况，从而做出相应的冰场使用和管理决策。解码值可以作为决策支持的依据，帮助冰场管理人员做出合理的决策。例如，根据解码值的大小，可以评估冰层的安全性，决定是否进行冰层加固或限制使用。解码值还可以与预设的冰层厚度标准进行比较，以判断冰层是否达到要求的厚度，从而决定是否开放冰场或进行其他相关操作。通过实时采集光纤温度分布数据，并经过修正和解码处理，可以实现对冰层厚度的实时监测。解码值的变化可以反映冰层厚度的变化趋势，提供及时的冰场状态信息，这对于冰场管理人员来说是非常有益的，可以及时采取措施来保障冰场的安全和使用质量。
通过解码器将修正后的语义掩码强化光纤温度分布浅层特征图转化为解码值，可以实现冰层厚度的预测和决策支持，这将为冰场管理提供有益的信息，帮助做出准确、及时的冰场使用和管理决策。
综上，基于本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测方法被阐明，利用光纤传感器和深度学习算法，将光纤传感器采集到的散射信号转换为光纤温度分布图像之后，对其进行图像处理与分析，以根据温度分布反推出冰层的厚度。
在本发明的一个实施例中，图3为根据本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测系统的框图。如图3所示，根据本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测系统200，包括：散射信号获取模块210，用于获取由光纤传感器采集的散射信号；信号处理模块220，用于对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像；特征提取模块230，用于对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图；以及，冰层的厚度确定模块240，用于基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度。
这里，本领域技术人员可以理解，上述基于光纤传感器的天然冰场冰层厚度实时检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的基于光纤传感器的天然冰场冰层厚度实时检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测系统200可以实现在各种终端设备中，例如用于基于光纤传感器的天然冰场冰层厚度实时检测的服务器等。在一个示例中，根据本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于光纤传感器的天然冰场冰层厚度实时检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于光纤传感器的天然冰场冰层厚度实时检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该基于光纤传感器的天然冰场冰层厚度实时检测系统200与该终端设备也可以是分立的设备，并且基于光纤传感器的天然冰场冰层厚度实时检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为根据本发明实施例的基于光纤传感器的天然冰场冰层厚度实时检测方法的场景示意图。如图4所示，在该应用场景中，首先，获取由光纤传感器采集的散射信号（例如，如图4中所示意的C）；然后，将获取的散射信号输入至部署有基于光纤传感器的天然冰场冰层厚度实时检测算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于光纤传感器的天然冰场冰层厚度实时检测算法对所述散射信号进行处理，以确定冰层的厚度。
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (4)
1.一种基于光纤传感器的天然冰场冰层厚度实时检测方法，其特征在于，包括：
获取由光纤传感器采集的散射信号；
对所述散射信号进行处理以基于所述散射信号的频移和强度来得到光纤温度分布图像；
对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图；以及
基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度；
其中，对所述光纤温度分布图像进行基于不同深度的特征提取以得到光纤温度分布浅层特征图和光纤温度分布深层特征图，包括：
将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到所述光纤温度分布浅层特征图；以及
将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到所述光纤温度分布深层特征图；
具体的，将所述光纤温度分布图像通过基于第一卷积神经网络模型的温度分布浅层特征提取器以得到所述光纤温度分布浅层特征图，包括：
使用所述基于第一卷积神经网络模型的温度分布浅层特征提取器的各层在层的正向传递中对所述光纤温度分布图像分别进行卷积处理、池化处理和非线性激活处理，所述基于第一卷积神经网络模型的温度分布浅层特征提取器的浅层输出为所述光纤温度分布浅层特征图；
具体的，将所述光纤温度分布浅层特征图通过基于第二卷积神经网络模型的温度分布深层特征提取器以得到所述光纤温度分布深层特征图，包括：
使用所述基于第二卷积神经网络模型的温度分布深层特征提取器的各层在层的正向传递中对所述光纤温度分布浅层特征图分别进行卷积处理、池化处理和非线性激活处理，所述基于第二卷积神经网络模型的温度分布深层特征提取器的深层输出为所述光纤温度分布深层特征图；
其中，基于所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图，确定冰层的厚度，包括：
使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图；
基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度。
2.根据权利要求1所述的基于光纤传感器的天然冰场冰层厚度实时检测方法，其特征在于，使用残差信息增强融合模块来融合所述光纤温度分布浅层特征图和所述光纤温度分布深层特征图以得到语义掩码强化光纤温度分布浅层特征图，包括：
对所述光纤温度分布深层特征图进行上采样和卷积处理以得到重构光纤温度分布深层特征图；
计算所述重构光纤温度分布深层特征图和所述光纤温度分布浅层特征图之间的按位置差值以得到差值特征图；
将所述差值特征图进行基于Sigmoid函数的非线性激活处理以得到掩码特征图；
将所述光纤温度分布浅层特征图与所述掩码特征图进行点乘以得到融合特征图；以及
对所述融合特征图进行基于注意力的PMA池化操作以得到所述语义掩码强化光纤温度分布浅层特征图。
3. 根据权利要求2所述的基于光纤传感器的天然冰场冰层厚度实时检测方法，其特征在于，基于所述语义掩码强化光纤温度分布浅层特征图，确定冰层的厚度，包括：
对所述语义掩码强化光纤温度分布浅层特征图进行特征分布修正以得到修正后语义掩码强化光纤温度分布浅层特征图；以及
将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值。
4.根据权利要求3所述的基于光纤传感器的天然冰场冰层厚度实时检测方法，其特征在于，将所述修正后语义掩码强化光纤温度分布浅层特征图通过解码器以得到解码值，所述解码值用于表示冰层的厚度值，包括：
使用所述解码器以如下公式对所述修正后语义掩码强化光纤温度分布浅层特征图进行解码回归以得到所述解码值；
其中，所述公式为：，其中Xd表示将所述修正后语义掩码强化光纤温度分布浅层特征图投影为向量，Y表示所述解码值，W表示权重矩阵，B表示偏置向量，表示矩阵乘。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443565.2A CN117168331B (zh) | 2023-11-02 | 2023-11-02 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311443565.2A CN117168331B (zh) | 2023-11-02 | 2023-11-02 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117168331A CN117168331A (zh) | 2023-12-05 |
| CN117168331B true CN117168331B (zh) | 2024-01-02 |
Family
ID=88937855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311443565.2A Active CN117168331B (zh) | 2023-11-02 | 2023-11-02 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117168331B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117409005A (zh) * | 2023-12-14 | 2024-01-16 | 深圳市鹏诚通电子有限公司 | 基于图像的收板机用不良品检测系统及方法 |
| CN117419828B (zh) * | 2023-12-18 | 2024-05-03 | 南京品傲光电科技有限公司 | 基于光纤传感器的新能源电池温度监测方法 |
| CN117670857A (zh) * | 2023-12-19 | 2024-03-08 | 杭州萧山科教服饰有限公司 | 校服智能生产线及方法 |
| CN117522861B (zh) * | 2023-12-26 | 2024-04-19 | 吉林大学 | 用于动物肩袖损伤的智能监测系统及方法 |
| CN117475241A (zh) * | 2023-12-27 | 2024-01-30 | 山西省水利建筑工程局集团有限公司 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2208089A1 (de) * | 1971-02-22 | 1972-09-07 | Schlumberger Compteurs | Faseroptik Vergleichsvorrichtung |
| CN101069074A (zh) * | 2004-09-10 | 2007-11-07 | 利奥斯科技有限责任公司 | 校准光学fmcw反向散射测量系统 |
| CN102682145A (zh) * | 2011-11-30 | 2012-09-19 | 天津空中代码工程应用软件开发有限公司 | 飞行结冰的数值模拟方法 |
| CN103940352A (zh) * | 2014-04-25 | 2014-07-23 | 广州飞拓优视光电科技有限公司 | 一种超高精度结冰探测装置及其实时探测结冰厚度方法 |
| EP3258413A1 (en) * | 2016-06-13 | 2017-12-20 | VanderSat B.V. | Method and system for improving the resolution of sensor data |
| CN209371998U (zh) * | 2018-09-04 | 2019-09-10 | 天津大学 | 用于油膜厚度测量的电容传感器标定装置 |
| IT201900003391A1 (it) * | 2019-03-08 | 2020-09-08 | Stazione Zoologica Anton Dohrn | Dispositivo per la rilevazione di profili di temperatura, e relativo sistema di monitoraggio |
| CN112067155A (zh) * | 2020-11-11 | 2020-12-11 | 武汉昊衡科技有限公司 | 基于ofdr锂电池温度动态监测方法 |
| CN113848252A (zh) * | 2021-09-28 | 2021-12-28 | 天津大学 | 一种基于超声导波和卷积神经网络的腐蚀成像方法 |
| CN114372960A (zh) * | 2021-12-17 | 2022-04-19 | 中国民航大学 | 基于图像理解的飞机地面积冰检测方法、系统、终端及介质 |
| CN114636378A (zh) * | 2022-03-21 | 2022-06-17 | 华北电力大学（保定） | 一种基于分布式光纤温度传感覆冰厚度监测中临界风速的估算方法 |
| CN114812424A (zh) * | 2022-05-13 | 2022-07-29 | 天津大学 | 一种天然冰场冰层可视化安全监测系统及方法 |
| CN114965509A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 基于光纤光栅的天然冰场冰层实时监测系统及方法 |
| CN115416854A (zh) * | 2022-11-07 | 2022-12-02 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于温度测量的结冰探测装置及结冰探测方法 |
| CN116022340A (zh) * | 2023-02-28 | 2023-04-28 | 华中科技大学 | 一种阵列式结冰探测器 |
| CN116453277A (zh) * | 2023-05-06 | 2023-07-18 | 天津大学 | 周界安防入侵事件全覆盖式精准检测方法及系统 |
| CN116697907A (zh) * | 2023-07-31 | 2023-09-05 | 山西锦烁生物医药科技有限公司 | 分布式光纤传感冰场覆冰厚度测量系统及方法 |
| DE102023104651A1 (de) * | 2022-03-03 | 2023-09-07 | Ford Global Technologies, Llc | Eisdickenschätzung für betrieb eines mobilen objekts |
| CN116734750A (zh) * | 2023-08-15 | 2023-09-12 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的冰场冰层厚度智能检测方法及系统 |
| CN116773025A (zh) * | 2023-06-19 | 2023-09-19 | 南京市计量监督检测院 | 一种金属表面辐射光谱重建数据处理方法 |
-
2023
- 2023-11-02 CN CN202311443565.2A patent/CN117168331B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE2208089A1 (de) * | 1971-02-22 | 1972-09-07 | Schlumberger Compteurs | Faseroptik Vergleichsvorrichtung |
| CN101069074A (zh) * | 2004-09-10 | 2007-11-07 | 利奥斯科技有限责任公司 | 校准光学fmcw反向散射测量系统 |
| CN102682145A (zh) * | 2011-11-30 | 2012-09-19 | 天津空中代码工程应用软件开发有限公司 | 飞行结冰的数值模拟方法 |
| CN103940352A (zh) * | 2014-04-25 | 2014-07-23 | 广州飞拓优视光电科技有限公司 | 一种超高精度结冰探测装置及其实时探测结冰厚度方法 |
| EP3258413A1 (en) * | 2016-06-13 | 2017-12-20 | VanderSat B.V. | Method and system for improving the resolution of sensor data |
| CN209371998U (zh) * | 2018-09-04 | 2019-09-10 | 天津大学 | 用于油膜厚度测量的电容传感器标定装置 |
| IT201900003391A1 (it) * | 2019-03-08 | 2020-09-08 | Stazione Zoologica Anton Dohrn | Dispositivo per la rilevazione di profili di temperatura, e relativo sistema di monitoraggio |
| CN112067155A (zh) * | 2020-11-11 | 2020-12-11 | 武汉昊衡科技有限公司 | 基于ofdr锂电池温度动态监测方法 |
| CN113848252A (zh) * | 2021-09-28 | 2021-12-28 | 天津大学 | 一种基于超声导波和卷积神经网络的腐蚀成像方法 |
| CN114372960A (zh) * | 2021-12-17 | 2022-04-19 | 中国民航大学 | 基于图像理解的飞机地面积冰检测方法、系统、终端及介质 |
| DE102023104651A1 (de) * | 2022-03-03 | 2023-09-07 | Ford Global Technologies, Llc | Eisdickenschätzung für betrieb eines mobilen objekts |
| CN114636378A (zh) * | 2022-03-21 | 2022-06-17 | 华北电力大学（保定） | 一种基于分布式光纤温度传感覆冰厚度监测中临界风速的估算方法 |
| CN114965509A (zh) * | 2022-05-13 | 2022-08-30 | 天津大学 | 基于光纤光栅的天然冰场冰层实时监测系统及方法 |
| CN114812424A (zh) * | 2022-05-13 | 2022-07-29 | 天津大学 | 一种天然冰场冰层可视化安全监测系统及方法 |
| CN115416854A (zh) * | 2022-11-07 | 2022-12-02 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种基于温度测量的结冰探测装置及结冰探测方法 |
| CN116022340A (zh) * | 2023-02-28 | 2023-04-28 | 华中科技大学 | 一种阵列式结冰探测器 |
| CN116453277A (zh) * | 2023-05-06 | 2023-07-18 | 天津大学 | 周界安防入侵事件全覆盖式精准检测方法及系统 |
| CN116773025A (zh) * | 2023-06-19 | 2023-09-19 | 南京市计量监督检测院 | 一种金属表面辐射光谱重建数据处理方法 |
| CN116697907A (zh) * | 2023-07-31 | 2023-09-05 | 山西锦烁生物医药科技有限公司 | 分布式光纤传感冰场覆冰厚度测量系统及方法 |
| CN116734750A (zh) * | 2023-08-15 | 2023-09-12 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的冰场冰层厚度智能检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117168331A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117168331B (zh) | 基于光纤传感器的天然冰场冰层厚度实时检测方法 | |
| CN110490239B (zh) | 图像质控网络的训练方法、质量分类方法、装置及设备 | |
| WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
| CN105574820A (zh) | 一种基于深度学习的自适应超声图像增强方法 | |
| CN109919921B (zh) | 基于生成对抗网络的环境影响程度建模方法 | |
| CN109145940B (zh) | 图像识别方法和装置 | |
| CN116524674A (zh) | 基于多源数据融合的智能配电房火灾早期监测方法与系统 | |
| CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
| CN115457980A (zh) | 一种无参考语音的自动化语音质量评估方法及系统 | |
| CN114399066B (zh) | 基于弱监督学习的机械设备预知性维护系统和维护方法 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
| CN115994713B (zh) | 一种基于多源数据的操作训练效果评估方法及系统 | |
| CN117037847B (zh) | 一种端到端社区噪音监测方法、装置及相关组件 | |
| Jiao et al. | A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection | |
| CN116596326B (zh) | 一种基于遥感数据的城市环境检测及综合评估方法 | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN116386302A (zh) | 一种边坡智能监测预警系统 | |
| CN116012687A (zh) | 一种用于轮对踏面缺陷识别的图像交互融合方法 | |
| CN114202726A (zh) | 一种基于自监督学习的输电线路场景目标检测方法 | |
| CN114528869A (zh) | 一种风机叶片损伤识别方法 | |
| CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 | |
| CN117074291B (zh) | 一种非接触式纹理摩擦预测方法 | |
| Wang et al. | A novel multiscale deep health indicator with bidirectional LSTM network for bearing performance degradation trend prognosis |
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 |