CN117726308B - 基于物联网和5g的智慧水利管理系统及方法 - Google Patents
基于物联网和5g的智慧水利管理系统及方法 Download PDFInfo
- Publication number
- CN117726308B CN117726308B CN202410179828.1A CN202410179828A CN117726308B CN 117726308 B CN117726308 B CN 117726308B CN 202410179828 A CN202410179828 A CN 202410179828A CN 117726308 B CN117726308 B CN 117726308B
- Authority
- CN
- China
- Prior art keywords
- hydraulic engineering
- matrix
- water flow
- feature
- characteristic
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 188
- 238000012546 transfer Methods 0.000 claims description 84
- 230000004927 fusion Effects 0.000 claims description 79
- 239000013598 vector Substances 0.000 claims description 65
- 238000007726 management method Methods 0.000 claims description 56
- 238000000605 extraction Methods 0.000 claims description 53
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 17
- 238000007689 inspection Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001575 pathological effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及水利管理领域，其具体公开了一种基于物联网和5G的智慧水利管理系统及方法，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
Description
技术领域
本申请涉及水利管理领域，尤其涉及一种基于物联网和5G的智慧水利管理系统及方法。
背景技术
水利工程是指通过建设和管理水利设施，合理利用和调控水资源，满足人类对水的需求，促进社会经济发展的工程领域。水利工程主要包括水资源调查、水文学、水资源规划、水资源开发利用、水利工程设计建设、水利工程管理和水利工程维护等内容。其中，一项重要的水利工程是河防工程，具体主要涉及河流和河道的防洪、治理和保护工作。河防工程的稳定性是指工程结构在面对洪水、河流冲刷、地质灾害等自然灾害时的安全性和稳定性。河防工程需要进行稳定性评估以确定工程结构的抗洪能力和安全性，以保障人民生命财产安全和维护河道的正常运行。传统检测河防工程稳定性的方法是通过非汛期的根石探测和汛期的人工巡视检查来实现。然而，这种人工巡视和根石探测的结果受到人员主观判断和经验的影响，存在一定的主观性和不一致性。不同人员可能对同一工程得出不同的评估结果，影响对工程稳定性的准确评估。同时，人工巡视需要投入大量的人力资源，尤其是在汛期，需要组织人员进行巡查，工作量大且费时费力。
因此，期待一种智慧水利管理系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于物联网和5G的智慧水利管理系统及方法，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
根据本申请的一个方面，提供了一种基于物联网和5G的智慧水利管理系统，其包括：
水利工程数据获取模块，用于获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；
水利工程现场监控视频特征提取模块，用于处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；
水流流量向量化模块，用于将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；
流速向量化模块，用于将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；
水流特征融合模块，用于将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
水流特征过滤模块，用于将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；
水利工程险情分析模块，用于分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果。
在上述基于物联网和5G的智慧水利管理系统中，所述水利工程现场监控视频特征提取模块，用于：
水利工程现场监控关键帧提取单元，用于从所述预定时间段内水利工程现场监控视频中提取出多个水利工程现场监控关键帧；
水利工程现场深浅特征提取单元，用于将所述多个水利工程现场监控关键帧分别通过深浅特征提取模块以得到多个深浅融合水利工程现场特征矩阵；
水利工程现场特征提取单元，用于将所述多个深浅融合水利工程现场特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的水利工程现场特征提取模块以得到水利工程现场特征矩阵。
在上述基于物联网和5G的智慧水利管理系统中，所述水利工程现场深浅特征提取单元，包括：
水利现场浅层特征提取子单元，用于从所述深浅特征提取模块的第M层提取水利浅层特征图，其中，M大于等于1且小于等于6；
水利现场深层特征提取子单元，用于从所述深浅特征提取模块的第N层提取水利深层特征图，其中，N/M大于等于5且小于等于10；
水利现场深浅特征融合子单元，用于使用所述深浅特征提取模块的深浅特征融合模块融合所述水利浅层特征图和所述水利深层特征图以得到水利融合特征图；
降维子单元，用于对所述水利融合特征图进行沿通道维度的全局池化以得到深浅融合水利工程现场特征矩阵。
在上述基于物联网和5G的智慧水利管理系统中，所述水流特征融合模块，用于：
将所述流量输入向量和所述流速输入向量进行水流特征融合以得到水流转移矩阵；
其中，水流特征融合公式为：
其中，表示所述流量输入向量，表示所述流速输入向量，表示所述流速输入
向量的转置，表示所述水流转移矩阵，表示矩阵相乘。
在上述基于物联网和5G的智慧水利管理系统中，所述水流特征过滤模块，用于：
使用所述基于卷积神经网络模型的水流特征过滤器的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于卷积神经网络模型的水流特征过滤器的最后一层的输出为所述水流特征转移矩阵，所述基于卷积神经网络模型的水流特征过滤器的第一层的输入为所述水流转移矩阵。
在上述基于物联网和5G的智慧水利管理系统中，所述水利工程险情分析模块，包括：
水利工程特征融合单元，用于对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
水利工程险情分析单元，用于将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情。
在上述基于物联网和5G的智慧水利管理系统中，所述水利工程特征融合单元，用于：
以如下水利工程特征融合公式对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
其中，所述水利工程特征融合公式为：
其中，表示所述水利工程现场特征矩阵，表示所述水流特征转移矩阵，表示
所述水利工程现场特征矩阵和所述水流特征转移矩阵的均值特征矩阵，表示向量的按位
置相减，表示以2为底的对数函数值，和表示权重超参数，表示所述水利工程融合
特征矩阵。
在上述基于物联网和5G的智慧水利管理系统中，所述水利工程险情分析单元，用于：
使用所述分类器以如下分类公式对所述水利工程融合特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：
其中，表示将所述水利工程融合特征矩阵投影为向量，为权重矩阵，表示偏置向量，表示归一化指数函数，表示所述分类结果。
根据本申请的另一方面，还提供了一种基于物联网和5G的智慧水利管理方法，其包括：
获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；
处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；
将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；
将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；
将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；
分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果。
在上述基于物联网和5G的智慧水利管理系统中，分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果，包括：
对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情。
综上所述，本申请提供的基于物联网和5G的智慧水利管理系统及方法，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制，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。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网和5G的智慧水利管理系统的框图。
图2为根据本申请实施例的基于物联网和5G的智慧水利管理系统中水利工程现场监控视频特征提取模块的框图。
图3为根据本申请实施例的基于物联网和5G的智慧水利管理系统中水利工程现场深浅特征提取单元的框图。
图4为根据本申请实施例的基于物联网和5G的智慧水利管理方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，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，都属于本发明保护的范围。
图1为根据本申请实施例的基于物联网和5G的智慧水利管理系统的框图。如图1所示，根据本申请实施例的基于物联网和5G的智慧水利管理系统100，包括：水利工程数据获取模块110，用于获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；水利工程现场监控视频特征提取模块120，用于处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；水流流量向量化模块130，用于将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；流速向量化模块140，用于将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；水流特征融合模块150，用于将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；水流特征过滤模块160，用于将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；以及，水利工程险情分析模块170，用于分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水利工程数据获取模块110，用于获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值。如上述背景技术所言，传统检测河防工程稳定性的方法是通过非汛期的根石探测和汛期的人工巡视检查来实现。然而，这种人工巡视和根石探测的结果受到人员主观判断和经验的影响，存在一定的主观性和不一致性。不同人员可能对同一工程得出不同的评估结果，影响对工程稳定性的准确评估。同时，人工巡视需要投入大量的人力资源，尤其是在汛期，需要组织人员进行巡查，工作量大且费时费力。因此，期待一种智慧水利管理系统。
针对上述技术问题，提出了一种基于物联网和5G的智慧水利管理系统，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。
近年来，深度学习以及神经网络的发展为基于物联网和5G的智慧水利管理系统提供了新的解决思路和方案。
具体地，首先，获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值。通过安装监控摄像头和传感器，利用物联网和5G网络传输数据，实时获取水利工程的视频和水流数据。水利工程现场监控视频可以提供对水利工程实际情况的直观了解。通过视频监控，可以观察水利工程的运行状态、水位变化、水流情况等，从而及时发现潜在的问题或异常情况。水流流量值和流速值是评估水利工程运行状态和稳定性的重要指标。通过在预定时间段内多个预定时间点进行测量，可以获取水流的变化趋势和波动情况。这些数据可以用于分析水流的稳定性、流量的变化情况以及是否存在异常情况，如水流过大或过小等。
具体地，要获取上述数据，可以采用以下方法：1、视频监控系统：在水利工程现场安装监控摄像头，通过物联网技术和5G网络传输视频数据。可以使用高清摄像头和网络视频传输设备，实时获取水利工程现场的监控视频。2、传感器和仪器：在水利工程中安装流量计、流速计等传感器和仪器，用于测量水流的流量和流速。这些传感器可以定期或实时地获取水流数据，并通过物联网技术将数据传输到中心服务器或云平台。3、数据采集和处理系统：建立数据采集和处理系统，将水利工程现场监控视频和水流数据进行采集、存储和处理。可以利用物联网技术和5G网络实现数据的实时传输和远程访问。通过获取水利工程现场监控视频，可以实时监测工程的运行情况和现场环境。视频可以提供直观的视觉信息，帮助工作人员及时发现问题和异常情况，例如设备故障、泄漏、破损等。同时，获取水流流量值和流速值可以提供对水流状态的实时了解，帮助发现水流异常、波动或变化，以及水位的变化情况。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水利工程现场监控视频特征提取模块120，用于处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵。
图2为根据本申请实施例的基于物联网和5G的智慧水利管理系统中水利工程现场监控视频特征提取模块的框图。如图2所示，所述水利工程现场监控视频特征提取模块120，用于：水利工程现场监控关键帧提取单元121，用于从所述预定时间段内水利工程现场监控视频中提取出多个水利工程现场监控关键帧；水利工程现场深浅特征提取单元122，用于将所述多个水利工程现场监控关键帧分别通过深浅特征提取模块以得到多个深浅融合水利工程现场特征矩阵；以及，水利工程现场特征提取单元123，用于将所述多个深浅融合水利工程现场特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的水利工程现场特征提取模块以得到水利工程现场特征矩阵。
更为具体地，将预定时间段内水利工程现场监控视频通过深浅特征提取模块和水利工程现场特征提取模块进行处理，可以得到水利工程现场特征矩阵。水利工程现场监控视频通常包含大量的图像数据，直接使用原始视频数据进行分析和决策可能会面临数据量大、计算复杂度高的问题。因此，通过深浅特征提取模块和水利工程现场特征提取模块可以对视频数据进行降维和特征提取，提取出代表水利工程现场特征的关键信息。水利工程现场特征矩阵的生成是通过将深度特征和浅层特征进行融合之后通过卷积神经网络模型得到的。深度特征可以通过深度学习模型提取，它可以捕捉到图像中的高级语义信息。而浅层特征则可以通过传统的图像处理方法提取，它可以捕捉到图像的低级特征和统计信息。通过融合深度特征和浅层特征，可以综合考虑不同层次的特征，提高对水利工程现场情况的理解能力。水利工程现场特征矩阵可以将复杂的视频数据表示为一个更简洁的矩阵形式，方便后续的数据处理和分析。相比于原始视频数据，水利工程现场特征矩阵更加紧凑，可以减少数据存储和传输的开销，同时也方便应用各种机器学习和深度学习算法进行进一步的分析和决策。
具体地，在本申请实施例中，水利工程现场监控关键帧提取单元121，用于：以预定的采样频率从所述预定时间段内水利工程现场监控视频中提取出多个水利工程现场监控关键帧。
图3为根据本申请实施例的基于物联网和5G的智慧水利管理系统中水利工程现场深浅特征提取单元的框图。所述水利工程现场深浅特征提取单元122，包括：水利现场浅层特征提取子单元1221，用于从所述深浅特征提取模块的第M层提取水利浅层特征图，其中，M大于等于1且小于等于6；水利现场深层特征提取子单元1222，用于从所述深浅特征提取模块的第N层提取水利深层特征图，其中，N/M大于等于5且小于等于10；水利现场深浅特征融合子单元1223，用于使用所述深浅特征提取模块的深浅特征融合模块融合所述水利浅层特征图和所述水利深层特征图以得到水利融合特征图；以及，降维子单元1224，用于对所述水利融合特征图进行沿通道维度的全局池化以得到深浅融合水利工程现场特征矩阵。
具体地，在本申请实施例中，所述水利工程现场特征提取单元123，用于：使用所述使用三维卷积核的水利工程现场特征提取模块在层的正向传递中对输入数据分别进行：基于所述三维卷积核对所述输入数据进行三维卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的均值池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述使用三维卷积核的水利工程现场特征提取模块的最后一层的输出为所述水利工程现场特征矩阵，所述使用三维卷积核的水利工程现场特征提取模块的第一层的输入为所述三维特征张量。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水流流量向量化模块130，用于将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量。水流流量值随时间的变化通常呈现出一定的规律性和趋势性。通过将多个时间点的流量值按照时间维度排列，可以形成一个时间序列，便于进行时间序列分析。时间序列分析可以探索水流的周期性、趋势性和季节性等特征，以及预测未来的流量变化。
在上述的基于物联网和5G的智慧水利管理系统100中，所述流速向量化模块140，用于将所述多个预定时间点的流速值按照时间维度排列为流速输入向量。流速在不同时间点可能会出现不同的变化模式，如波动、递增或递减。通过将多个时间点的流速值按照时间维度排列，可以更好地观察和分析流速的动态特性。这有助于我们了解流速的变化规律，检测异常情况，并对水流的速度和稳定性进行评估。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水流特征融合模块150，用于将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵。流量和流速是描述水流的两个重要指标，它们分别反映了单位时间内通过某个截面的水量和水流的速度。通过将流量输入向量和流速输入向量进行融合，可以综合考虑水流的数量和速度，更全面地描述水流的转移过程和特性。
具体地，在本申请实施例中，所述水流特征融合模块150，用于：将所述流量输入向量和所述流速输入向量进行水流特征融合以得到水流转移矩阵；其中，水流特征融合公式为：
其中，表示所述流量输入向量，表示所述流速输入向量，表示所述流速输入
向量的转置，表示所述水流转移矩阵，表示矩阵相乘。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水流特征过滤模块160，用于将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵。水流转移矩阵可能包含大量的数据和信息，其中一些是冗余的或不相关的。通过应用基于卷积神经网络的水流特征过滤器，可以从转移矩阵中提取出具有代表性和重要性的特征。这些特征可以用来描述水流的空间分布、水体的流动路径、水流的速度变化等关键特性。水流特征过滤器可以通过卷积操作和激活函数等方式对水流转移矩阵进行处理，从而强化其中的特征。这有助于突出水流中的重要信息，减少噪声和冗余，并提高对水流特性的敏感性。通过特征强化，可以更好地捕捉水流中的变化模式和规律。
具体地，在本申请实施例中，所述水流特征过滤模块160，用于：使用所述基于卷积神经网络模型的水流特征过滤器的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于卷积神经网络模型的水流特征过滤器的最后一层的输出为所述水流特征转移矩阵，所述基于卷积神经网络模型的水流特征过滤器的第一层的输入为所述水流转移矩阵。
在上述的基于物联网和5G的智慧水利管理系统100中，所述水利工程险情分析模块170，用于分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果。
具体地，在本申请实施例中，所述水利工程险情分析模块170，包括：水利工程特征融合单元，用于对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；以及，水利工程险情分析单元，用于将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情。
特别地，在本申请的技术方案中，考虑到水利工程现场特征矩阵是从水利工程现场监控视频中提取的特征。视频通常包含了丰富的视觉信息，如颜色、纹理、形状等。这些信息可以通过深度学习模型或特征提取算法进行提取，并转化为特征矩阵。由于视频是在连续的时间段内采集的，所以水利工程现场特征矩阵的维度可能较高，每个时间点可能对应一个较长的特征向量。而水流特征转移矩阵包含水流流量值和流速值这两个特征。水流流量值表示单位时间内通过某个断面的水流量，通常是一个实数。而流速值表示水流通过断面时的速度，也是一个实数。这两个特征的尺度和单位不同，流量值可能是一个较大的数值，而流速值则是一个较小的数值。因此，它们在尺度上存在差异。当试图将水利工程现场特征矩阵和水流特征转移矩阵融合时，由于维度和尺度上的差异，可能会出现一些技术问题。例如，特征矩阵的维度差异可能导致特征融合过程中的信息丢失或信息冗余。如果没有适当的处理方法，这可能导致融合得到的水利工程融合特征矩阵出现局部结构性崩塌，即某些特征之间的关系无法准确地表示或捕捉到。此外，尺度差异可能导致特征之间的病态对齐问题，即某些特征的值范围过大或过小，可能会对融合结果产生不利影响。因此，在融合水利工程现场特征矩阵和水流特征转移矩阵的过程中，需要考虑如何处理维度和尺度上的差异，以避免出现局部结构性崩塌或病态对齐等技术问题。基于此，本申请对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵。
具体地，在本申请实施例中，所述水利工程特征融合单元，用于：以如下水利工程特征融合公式对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；其中，所述水利工程特征融合公式为：
其中，表示所述水利工程现场特征矩阵，表示所述水流特征转移矩阵，表示
所述水利工程现场特征矩阵和所述水流特征转移矩阵的均值特征矩阵，表示向量的按位
置相减，表示以2为底的对数函数值，和表示权重超参数，表示所述水利工程融合
特征矩阵。
考虑到所述水利工程现场特征矩阵和所述水流特征转移矩阵在高维特征空间单元中的特征流形存在维度和尺度上的差异，导致在融合所述水利工程现场特征矩阵和所述水流特征转移矩阵的过程中，会出现因维度和尺度差异而导致融合得到的所述分类特征矩阵容易出现局部结构性崩塌或者病态对齐等技术问题。
针对上述技术问题，在本申请的技术方案中，对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量，其以所述水利工程现场特征矩阵和所述水流特征转移矩阵的均值特征矩阵作为特征流形伪聚类中心，并通过构建一个基于特征矩阵的特征流形的超凸相关性度量函数，使得特征矩阵间的每个位置的特征值都能够在其子维度上保持与特征流形伪聚类中心的一致性，从而实现特征矩阵的特征流形的超凸相关性匹配，这样有效地衡量特征矩阵间的特征流形的相似性和差异性，增强特征矩阵的特征流形的超凸相关性，提高特征矩阵的特征流形的鲁棒性和准确性。
更为具体地，通过将水利工程融合特征矩阵输入分类器，可以对水利工程进行风险评估。分类器可以学习不同特征与险情之间的关联，并根据融合特征矩阵的输入，判断水利工程是否存在潜在的险情。这有助于及早发现潜在的问题和风险，提前采取相应的措施进行干预和防范。
具体地，在本申请实施例中，所述水利工程险情分析单元，用于：使用所述分类器以如下分类公式对所述水利工程融合特征矩阵进行处理以获得所述分类结果；其中，所述分类公式为：
其中，表示将所述水利工程融合特征矩阵投影为向量，为权重矩阵，表示偏置向量，表示归一化指数函数，表示所述分类结果。
综上，根据本申请实施例的基于物联网和5G的智慧水利管理系统已被阐明，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
如上所述，根据本申请实施例的基于物联网和5G的智慧水利管理系统 100可以实现在各种终端设备中，例如基于物联网和5G的智慧水利管理服务器等。在一个示例中，根据本申请实施例的基于物联网和5G的智慧水利管理系统 100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，该基于物联网和5G的智慧水利管理系统100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，该基于物联网和5G的智慧水利管理系统 100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，该基于物联网和5G的智慧水利管理系统 100与该终端设备也可以是分立的设备，并且该基于物联网和5G的智慧水利管理系统 100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。
基于同一发明构思，本申请实施例还提供了一种基于物联网和5G的智慧水利管理方法，可以用于实现上述实施例所描述的系统，如下面的实施例所述。
图4为根据本申请实施例的基于物联网和5G的智慧水利管理方法的流程图。如图4所示，根据本申请实施例的所述基于物联网和5G的智慧水利管理方法，包括步骤：S110，获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；S120，处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；S130，将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；S140，将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；S150，将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；S160，将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；以及S170，分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。这里，对于实施例公开的基于物联网和5G的智慧水利管理方法而言，本领域技术人员可以理解，上述基于物联网和5G的智慧水利管理方法中的各个步骤的具体操作已经在上面参考图1到图3的基于物联网和5G的智慧水利管理系统的描述中得到了详细介绍，所以描述的比较简单，相关之处参见基于物联网和5G的智慧水利管理系统部分说明即可，并因此，将省略其重复描述。
综上，根据本申请实施例的基于物联网和5G的智慧水利管理方法已被阐明，其使用基于物联网技术和5G技术来对预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值和多个预定时间点的流速值进行处理，来判断水利工程是否有险情。这样，通过智能判断水利工程是否可能出现险情，减少巡检的人力成本和时间成本，同时提高了检测的准确性。
综上所述，在阅读本详细公开内容之后，本领域技术人员可以明白，前述详细公开内容可以仅以示例的方式呈现，并且可以不是限制性的。尽管这里没有明确说明，本领域技术人员可以理解本申请意图囊括对实施例的各种合理改变，改进和修改。这些改变，改进和修改旨在由本申请提出，并且在本申请的示例性实施例的精神和范围内。
此外，本申请中的某些术语已被用于描述本申请的实施例。例如，“一个实施例”，“实施例”和/或“一些实施例”意味着结合该实施例描述的特定特征，结构或特性可以包括在本申请的至少一个实施例中。因此，可以强调并且应当理解，在本说明书的各个部分中对“实施例”或“一个实施例”或“替代实施例”的两个或更多个引用不一定都指代相同的实施例。此外，特定特征，结构或特性可以在本申请的一个或多个实施例中适当地组合。
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物品或者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物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的物品或者设备中还存在另外的相同要素。
应当理解，在本申请的实施例的前述描述中，为了帮助理解一个特征，出于简化本申请的目的，本申请将各种特征组合在单个实施例、附图或其描述中。然而，这并不是说这些特征的组合是必须的，本领域技术人员在阅读本申请的时候完全有可能将其中一部分特征提取出来作为单独的实施例来理解。也就是说，本申请中的实施例也可以理解为多个次级实施例的整合。而每个次级实施例的内容在于少于单个前述公开实施例的所有特征的时候也是成立的。
最后，应理解，本文公开的申请的实施方案是对本申请的实施方案的原理的说明。其他修改后的实施例也在本申请的范围内。因此，本申请披露的实施例仅仅作为示例而非限制。本领域技术人员可以根据本申请中的实施例采取替代配置来实现本申请中的申请。
因此，本申请的实施例不限于申请中被精确地描述过的实施例。
Claims (4)
1.一种基于物联网和5G的智慧水利管理系统，其特征在于，包括：
水利工程数据获取模块，用于获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；
水利工程现场监控视频特征提取模块，用于处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；
水流流量向量化模块，用于将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；
流速向量化模块，用于将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；
水流特征融合模块，用于将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
水流特征过滤模块，用于将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；
水利工程险情分析模块，用于分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果；
其中，所述水流特征融合模块，用于：
以如下水流特征融合公式将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
其中，所述水流特征融合公式为：
其中，/>表示所述流量输入向量，/>表示所述流速输入向量，/>表示所述流速输入向量的转置，/>表示所述水流转移矩阵，/>表示矩阵相乘；
其中，所述水流特征过滤模块，用于：
使用所述基于卷积神经网络模型的水流特征过滤器的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于卷积神经网络模型的水流特征过滤器的最后一层的输出为所述水流特征转移矩阵，所述基于卷积神经网络模型的水流特征过滤器的第一层的输入为所述水流转移矩阵；
其中，所述水利工程险情分析模块，包括：
水利工程特征融合单元，用于对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
水利工程险情分析单元，用于将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情；
其中，所述水利工程特征融合单元，用于：
以如下水利工程特征融合公式对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
其中，所述水利工程特征融合公式为：
其中，/>表示所述水利工程现场特征矩阵，/>表示所述水流特征转移矩阵，/>表示所述水利工程现场特征矩阵和所述水流特征转移矩阵的均值特征矩阵，/>表示向量的按位置相减，/>表示以2为底的对数函数值，/>和/>表示权重超参数，/>表示所述水利工程融合特征矩阵；
其中，所述水利工程险情分析单元，用于：
使用所述分类器以如下分类公式对所述水利工程融合特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：
其中，/>表示将所述水利工程融合特征矩阵投影为向量，/>为权重矩阵，/>表示偏置向量，/>表示归一化指数函数，/>表示所述分类结果。
2.根据权利要求1所述的基于物联网和5G的智慧水利管理系统，其特征在于，所述水利工程现场监控视频特征提取模块，包括：
水利工程现场监控关键帧提取单元，用于从所述预定时间段内水利工程现场监控视频中提取出多个水利工程现场监控关键帧；
水利工程现场深浅特征提取单元，用于将所述多个水利工程现场监控关键帧分别通过水利工程现场深浅特征提取模块以得到多个深浅融合水利工程现场特征矩阵；
水利工程现场特征提取单元，用于将所述多个深浅融合水利工程现场特征矩阵沿着样本维度聚合为三维特征张量后通过使用三维卷积核的水利工程现场特征提取模块以得到水利工程现场特征矩阵。
3.根据权利要求2所述的基于物联网和5G的智慧水利管理系统，其特征在于，所述水利工程现场深浅特征提取单元，包括：
水利现场浅层特征提取子单元，用于从所述水利工程现场深浅特征提取模块的第M层提取水利浅层特征图，其中，M大于等于1且小于等于6；
水利现场深层特征提取子单元，用于从所述水利工程现场深浅特征提取模块的第N层提取水利深层特征图，其中，N/M大于等于5且小于等于10；
水利现场深浅特征融合子单元，用于使用所述水利工程现场深浅特征提取模块的深浅特征融合模块融合所述水利浅层特征图和所述水利深层特征图以得到水利融合特征图；
降维子单元，用于对所述水利融合特征图进行沿通道维度的全局池化以得到深浅融合水利工程现场特征矩阵。
4.一种基于物联网和5G的智慧水利管理方法，其特征在于，包括：
获取预定时间段内水利工程现场监控视频以及所述预定时间段内多个预定时间点的水流流量值、多个预定时间点的流速值；
处理所述预定时间段内水利工程现场监控视频，得到水利工程现场特征矩阵；
将所述多个预定时间点的水流流量值按照时间维度排列为流量输入向量；
将所述多个预定时间点的流速值按照时间维度排列为流速输入向量；
将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵；
分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果；
其中，将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵，包括：
以如下水流特征融合公式将所述流量输入向量和所述流速输入向量进行融合以得到水流转移矩阵；
其中，所述水流特征融合公式为：
其中，/>表示所述流量输入向量，/>表示所述流速输入向量，/>表示所述流速输入向量的转置，/>表示所述水流转移矩阵，/>表示矩阵相乘；
其中，将所述水流转移矩阵通过基于卷积神经网络模型的水流特征过滤器以得到水流特征转移矩阵，包括：
使用所述基于卷积神经网络模型的水流特征过滤器的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行沿通道维度的各个特征矩阵池化以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述基于卷积神经网络模型的水流特征过滤器的最后一层的输出为所述水流特征转移矩阵，所述基于卷积神经网络模型的水流特征过滤器的第一层的输入为所述水流转移矩阵；
其中，分析所述水利工程现场特征矩阵和所述水流特征转移矩阵，得到水利工程是否有险情的结果，包括：
对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情；
其中，对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵，包括：
以如下水利工程特征融合公式对所述水利工程现场特征矩阵和所述水流特征转移矩阵进行高维空间单元流形子维度超凸相关性度量以得到水利工程融合特征矩阵；
其中，所述水利工程特征融合公式为：
其中，/>表示所述水利工程现场特征矩阵，/>表示所述水流特征转移矩阵，/>表示所述水利工程现场特征矩阵和所述水流特征转移矩阵的均值特征矩阵，/>表示向量的按位置相减，/>表示以2为底的对数函数值，/>和/>表示权重超参数，/>表示所述水利工程融合特征矩阵；
其中，将所述水利工程融合特征矩阵通过分类器以得到分类结果，所述分类结果用于表示水利工程是否有险情，包括：
使用所述分类器以如下分类公式对所述水利工程融合特征矩阵进行处理以获得所述分类结果；
其中，所述分类公式为：
其中，/>表示将所述水利工程融合特征矩阵投影为向量，/>为权重矩阵，/>表示偏置向量，/>表示归一化指数函数，/>表示所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179828.1A CN117726308B (zh) | 2024-02-18 | 2024-02-18 | 基于物联网和5g的智慧水利管理系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410179828.1A CN117726308B (zh) | 2024-02-18 | 2024-02-18 | 基于物联网和5g的智慧水利管理系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117726308A CN117726308A (zh) | 2024-03-19 |
| CN117726308B true CN117726308B (zh) | 2024-05-24 |
Family
ID=90203897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410179828.1A Active CN117726308B (zh) | 2024-02-18 | 2024-02-18 | 基于物联网和5g的智慧水利管理系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726308B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182807A (zh) * | 2014-08-21 | 2014-12-03 | 大连理工大学 | 一种计及径流预报不确定性的水库调度风险评估方法 |
| CN109271465A (zh) * | 2018-08-23 | 2019-01-25 | 成都信息工程大学 | 一种基于云计算的水文数据分析及展示方法 |
| CN111079595A (zh) * | 2019-12-04 | 2020-04-28 | 天津大学 | 一种动态洪水风险图新理念与风险智能识别方法 |
| CN112233098A (zh) * | 2020-10-20 | 2021-01-15 | 张兵 | 一种水利风险评估方法及系统 |
| CN113269352A (zh) * | 2021-04-29 | 2021-08-17 | 哈工智慧(武汉)科技有限公司 | 基于移动互联网的城市内涝监测预警方法、系统及介质 |
| WO2022111327A1 (zh) * | 2020-11-25 | 2022-06-02 | 京东城市(北京)数字科技有限公司 | 风险等级的数据处理方法及装置、存储介质、电子设备 |
| CN115273918A (zh) * | 2022-07-20 | 2022-11-01 | 国网河南省电力公司信息通信公司 | 一种用于变电站的智慧物联管理系统 |
| CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉系统 |
| CN116258608A (zh) * | 2023-05-15 | 2023-06-13 | 中铁水利信息科技有限公司 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
| CN117436727A (zh) * | 2023-12-18 | 2024-01-23 | 深圳中科超远科技有限公司 | 一种智能水利调度优化系统 |
| CN117474489A (zh) * | 2023-11-07 | 2024-01-30 | 长沙头觅水利工程有限公司 | 基于大数据的水利工程信息管理系统及装置、计算设备 |
-
2024
- 2024-02-18 CN CN202410179828.1A patent/CN117726308B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104182807A (zh) * | 2014-08-21 | 2014-12-03 | 大连理工大学 | 一种计及径流预报不确定性的水库调度风险评估方法 |
| CN109271465A (zh) * | 2018-08-23 | 2019-01-25 | 成都信息工程大学 | 一种基于云计算的水文数据分析及展示方法 |
| CN111079595A (zh) * | 2019-12-04 | 2020-04-28 | 天津大学 | 一种动态洪水风险图新理念与风险智能识别方法 |
| CN112233098A (zh) * | 2020-10-20 | 2021-01-15 | 张兵 | 一种水利风险评估方法及系统 |
| WO2022111327A1 (zh) * | 2020-11-25 | 2022-06-02 | 京东城市(北京)数字科技有限公司 | 风险等级的数据处理方法及装置、存储介质、电子设备 |
| CN113269352A (zh) * | 2021-04-29 | 2021-08-17 | 哈工智慧(武汉)科技有限公司 | 基于移动互联网的城市内涝监测预警方法、系统及介质 |
| CN115273918A (zh) * | 2022-07-20 | 2022-11-01 | 国网河南省电力公司信息通信公司 | 一种用于变电站的智慧物联管理系统 |
| CN115482467A (zh) * | 2022-09-29 | 2022-12-16 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉系统 |
| CN116258608A (zh) * | 2023-05-15 | 2023-06-13 | 中铁水利信息科技有限公司 | 融合gis和bim三维技术的水利实时监测信息管理系统 |
| CN117474489A (zh) * | 2023-11-07 | 2024-01-30 | 长沙头觅水利工程有限公司 | 基于大数据的水利工程信息管理系统及装置、计算设备 |
| CN117436727A (zh) * | 2023-12-18 | 2024-01-23 | 深圳中科超远科技有限公司 | 一种智能水利调度优化系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基坑监测中位移监测数据的预报方法;水电能源科学;20110131(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117726308A (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111209434B (zh) | 一种基于多源异构数据融合的变电站设备巡检系统及方法 | |
| Ul Islam et al. | A web based belief rule based expert system to predict flood | |
| 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 | |
| CN115022187B (zh) | 一种电-气综合能源系统态势感知方法与装置 | |
| CN116557787B (zh) | 管网状态智能评估系统及其方法 | |
| CN110362886A (zh) | 一种基于不确定性分析的城镇砌体住宅安全评估方法 | |
| CN112132430A (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| Rosso et al. | Review on deep learning in structural health monitoring | |
| CN115019008A (zh) | 一种智能3d模型设计分析服务管理平台 | |
| CN108050397B (zh) | 基于光纤多源信号的分层序贯比管道泄漏监控方法及系统 | |
| Liu et al. | Deep learning approach for sensor data prediction and sensor fault diagnosis in wind turbine blade | |
| CN117726308B (zh) | 基于物联网和5g的智慧水利管理系统及方法 | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
| CN116402190A (zh) | 一种铁路沿线滑坡地质灾害识别方法及系统 | |
| CN115962428A (zh) | 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 | |
| CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
| Lenart et al. | Real-time monitoring and analyses of sensory data integrated into the BIM platform | |
| CN110455370A (zh) | 防汛抗旱远程遥测显示系统 | |
| CN117765481B (zh) | 集成多源数据的电力系统火灾智慧预警方法及系统 | |
| CN116739357B (zh) | 多模态融合感知的城市既有建筑广域监测预警方法及装置 | |
| CN116166966B (zh) | 一种基于多模态数据融合的水质劣化事件检测方法 | |
| KR102672518B1 (ko) | 인공지능 기반 실시간 지층 분포 및 상태 파악 지반 조사 시스템 | |
| Chandini et al. | Securing Smart Sensing Production System using Deep Neural Network Model |
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 |