CN118033660A - 一种冷源致灾物的声光识别方法及系统 - Google Patents
一种冷源致灾物的声光识别方法及系统 Download PDFInfo
- Publication number
- CN118033660A CN118033660A CN202410432096.2A CN202410432096A CN118033660A CN 118033660 A CN118033660 A CN 118033660A CN 202410432096 A CN202410432096 A CN 202410432096A CN 118033660 A CN118033660 A CN 118033660A
- Authority
- CN
- China
- Prior art keywords
- warning value
- data
- weight
- early warning
- underwater
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 189
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 116
- 241000251468 Actinopterygii Species 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 239000003344 environmental pollutant Substances 0.000 description 9
- 231100000719 pollutant Toxicity 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000143060 Americamysis bahia Species 0.000 description 1
- 241000195493 Cryptophyta Species 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 241001113556 Elodea Species 0.000 description 1
- 241000242583 Scyphozoa Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及核电环境预警技术领域，公开一种冷源致灾物的声光识别方法及系统，方法包括基于水面摄像模块获取水上数据，计算出水上预警值；基于水下偏振光模块获取水下数据，计算出水下预警值；基于声呐模块获取声呐数据，计算出声呐预警值；基于激光雷达模块获取雷达数据，计算出雷达预警值；基于超声鱼探模块获取超声数据，计算出超声预警值；根据水上预警值和水下预警值计算出图形预警值；根据声呐预警值、雷达预警值和超声预警值计算出波形预警值；根据图形预警值与波形预警值计算出冷源致灾预警值；将冷源致灾预警值与预设的参考预警值比较，输出预警结果；能从多维度分析冷源致灾物，提升分析冷源致灾物的准确性。
Description
技术领域
本申请涉及核电环境预警的领域，尤其是涉及一种冷源致灾物的声光识别方法及系统。
背景技术
环境的变化和恶劣气候为电厂的冷源安全带来了一系列威胁，包括堵塞粗细格栅、滤网、凝汽器、重要厂用水系统贝类捕集器等。这些情况，有的导致机组降负荷，严重情况下导致过滤设备损坏，甚至停机停堆。在滨海厂址中，常见的风险源有毛虾、水母、藻类、泥沙、海洋垃圾等；在滨河和滨湖厂址中，常见的风险源有鱼群、虾、水草、泥沙、树枝等。
面对现有的一系列威胁，传统过滤水系统的格栅、滤网配置难以抵抗，目前国内核电站已经开始研发自主冷源报警装置，通过红外成像装置拍摄水体得到水体照片，分析水体照片判断冷源致灾物的发展情况。
相关技术中，CN112735619A-公开一种环境监测预警系统，IPC分类为：G01D，包括采样探杆组件、污染物分析组件、以及工控组件；采样探杆组件采集不同采样点的测试样气，输送测试样气至污染物分析组件中不同污染物分析单元，污染物分析组件反馈污染物监测分析数据至工控组件，当监测到污染物浓度异常时，工控组件通过采样探杆组件获取异常采样点的风速与风向参数，根据风速与风向参数判断污染物来源方向，控制采样探杆组件对异常采样点的污染物来源方向进行图像取证，将图像取证数据、污染物监测分析数据、以及异常采样点的风速与风向参数上报。
但是上述技术中分析冷源致灾物的维度只有图形维度，分析维度较为单一，分析的结果也不能准确地反映冷源致灾物的实际情况。
发明内容
为了从多维度分析冷源致灾物，提升分析冷源致灾物的准确性，本申请提供一种冷源致灾物的声光识别方法及系统。
第一方面，本申请提供一种冷源致灾物的声光识别方法，采用如下的技术方案：
一种冷源致灾物的声光识别方法，包括如下步骤：
基于水面摄像模块获取水上数据，根据所述水上数据与预设的水上模板计算出水上预警值；基于水下偏振光模块获取水下数据，根据所述水下数据与预设的水下模板计算出水下预警值；
基于声呐模块获取声呐数据，根据所述声呐数据与预设的声呐模板计算出声呐预警值；基于激光雷达模块获取雷达数据，根据所述雷达数据与预设的雷达模板计算出雷达预警值；基于超声鱼探模块获取超声数据，根据所述超声数据与预设的超声模板计算出超声预警值；
根据所述水上预警值和水下预警值使用第一算法计算出图形预警值；
根据所述声呐预警值、雷达预警值和所述超声预警值使用第二算法计算出波形预警值；
根据所述图形预警值与所述波形预警值使用第三算法计算出冷源致灾预警值；
将所述冷源致灾预警值与预设的参考预警值比较，输出预警结果。
通过采用上述技术方案，通过水面摄像模块和水下偏振光模块能够得到水上数据和水下数据，根据水上数据和水下数据通过与对应的模板计算得到水上预警值和水下预警值，水上预警值和水下预警值与图形数据对应并计算出图形预警值，通过声呐模块、激光雷达模块与超声鱼探模块得到声呐数据、雷达数据与超声数据，根据声呐数据、雷达数据与超声数据通过与对应的模板计算得到声呐预警值、雷达预警值与超声预警值，声呐预警值、雷达预警值与超声预警值对应于波形数据并计算出波形预警值，将图形预警值与波形预警值融合得到冷源致灾预警值，与参考预警值比较后输出结果，能从多维度分析冷源致灾物，提升分析冷源致灾物的准确性。
可选地，所述第一算法包括：
所述水上预警值对应有水上权重，所述水下预警值对应有水下权重；
使用第一加权平均算法计算出图形预警值；
其中，所述水上权重与所述水上数据的清晰度或分辨率成正相关值，所述水上数据的清晰度或分辨率越高，所述水上权重越大，所述水上数据的清晰度或分辨率越低，所述水上权重越小；或者，所述水上权重与所述水上数据的噪点量成正相关值，所述水上数据的噪点量越少，所述水上权重越小，所述水上数据的噪点量越多，所述水上权重越大；
所述水下权重与所述水下数据的清晰度或分辨率成正相关值，所述水下数据的清晰度或分辨率越高，所述水下权重越大，所述水下数据的清晰度或分辨率越低，所述水下权重越小；或者，所述水下权重与所述水下数据的噪点量成正相关值，所述水下数据的噪点量越少，所述水下权重越小，所述水下数据的噪点量越多，所述水下权重越大。
通过采用上述技术方案，实现第一算法，计算出准确且贴合实际的图形预警值。
可选地，所述第二算法包括：
所述声呐预警值对应有声呐权重，所述雷达预警值对应有雷达权重，所述超声预警值对应有超声权重；
使用第二加权平均算法计算出波形预警值；
其中，所述声呐权重与所述声呐数据的分辨率正相关设置，所述声呐数据的分辨率越大，所述声呐权重越大，所述声呐数据的分辨率越小，所述声呐权重越小；
所述雷达权重与所述雷达数据的扫描速度反相关设置，所述雷达数据的扫描速度越快，所述雷达权重越小，所述雷达数据的扫描速度越慢，所述雷达权重越大；
所述超声权重与所述超声数据的探测频率正相关设置，所述超声数据的探测频率越高，所述超声权重越大，所述超声数据的探测频率越低，所述超声权重越小。
通过采用上述技术方案，实现第二算法，计算出准确且贴合实际的波形预警值。
可选地，所述第三算法包括：
计算所述图形预警值与预设的中间值的第一差值；
计算所述波形预警值与预设的中间值的第二差值；
根据所述第一差值与所述第二差值计算出第一差权重与第二差权重；所述第一差值越大，所述第一差权重越小，所述第一差值越小，所述第一差权重越大；所述第二差值越大，所述第二差权重越大，所述第二差值越小，所述第二差权重越小；
所述第一差权重与所述图形预警值对应，所述第二差权重与所述波形预警值对应，使用第三加权平均算法计算出冷源致灾预警值。
通过采用上述技术方案，实现第三算法，计算出准确且贴合实际的冷源致灾预警值。
可选地，方法还包括如下步骤：
无人机搭载所述声呐模块与所述激光雷达模块进行测量；
根据所述第二差值反相关调节所述无人机飞行检测的飞行速度，所述第二差值越大，所述飞行速度越慢，所述第二差值越小，所述飞行速度越快。
通过采用上述技术方案，根据第二差值调节无人机的飞行速度，利于提升声呐模块与激光雷达模块测得数据的准确度。
可选地，方法还包括如下步骤：
根据所述飞行速度调节所述声呐模块、所述激光雷达模块与所述超声鱼探模块的扫描周期；
所述飞行速度越慢，所述扫描周期越长，所述飞行速度越快，所述扫描周期越短。
通过采用上述技术方案，根据无人机的飞行速度调节扫描周期，利于提升声呐模块、激光雷达模块与超声鱼探模块测得数据的准确度。
可选地，方法还包括：
所述水面摄像模块于第一检测点处，获取第一检测区的水上数据；基于水下偏振光模块于第二检测点处，获取第二检测区的水下数据；
所述第一检测点位于所述第一检测区外，所述第二检测点位于所述第二检测区外；
根据所述水上数据计算出所述第一检测区的图形坐标，根据所述水下数据计算出所述第二检测区的图形坐标；
计算所述第一检测区的图形坐标与所述第二检测区的图形坐标的图形重合度；
根据所述图形重合度调整所述水面摄像模块的拍摄倾角或所述水下偏振光模块的拍摄倾角。
通过采用上述技术方案，根据第一检测区与第二检测区计算出来的图形重合度，调节拍摄模块的拍摄倾角，从而使采集的数据在物理维度上保持一致性，降低数据的干扰。
可选地，方法还包括如下步骤：
所述水面摄像模块于第一检测点处，获取第一检测区的水上数据；基于水下偏振光模块，于第二检测点处，获取第二检测区的水下数据；
所述第一检测点位于所述第一检测区内，所述第二检测点位于所述第二检测区内；
根据所述水上数据计算出所述第一检测区的图形坐标，根据所述水下数据计算出所述第二检测区的图形坐标；
计算所述第一检测区的图形坐标与所述第二检测区的图形坐标的图形重合度；
根据所述图形重合度调整所述第一检测点的位置坐标或所述第二检测点的位置坐标。
通过采用上述技术方案，根据第一检测区与第二检测区计算出来的图形重合度，调节拍摄模块的位置坐标，从而使采集的数据在物理维度上保持一致性，降低数据的干扰。
可选地，方法还包括如下步骤：
所述声呐模块于第三检测点处，获取第三检测区的声呐数据；所述激光雷达模块于第四检测点处，获取第四检测区的雷达数据；所述超声鱼探模块于第五检测处，获取第五检测区的超声数据；
根据所述水下偏振光模块的拍摄倾角，调节所述激光雷达模块的扫描周期以及所述声呐模块与所述超声鱼探模块的探测频率；
所述拍摄倾角越大，所述扫描周期越短，所述探测频率越低，所述拍摄倾角越小，所述扫描周期越长，所述探测频率越高。
通过采用上述技术方案，根据拍摄倾角调节扫描周期与探测频率，拍摄倾角越大，拍摄角度与水面越水平，则拍摄范围越大，扫描周期越短，探测的范围越广，探测频率越低；拍摄倾角越小，拍摄角度与水面越垂直，则拍摄范围越小，扫描周期越长，探测的范围越窄，探测频率越高，探测的深度越低。
第二方面，本申请提供一种冷源致灾物的声光识别系统，采用如下的技术方案：
一种冷源致灾物的声光识别方法及系统，包括处理器，所述处理器中运行有上述中任意一项所述的冷源致灾物的声光识别方法的程序。
综上所述，本申请包括以下至少一种有益技术效果：通过水面摄像模块和水下偏振光模块计算得到水上预警值和水下预警值，并计算出图形预警值，通过声呐模块、激光雷达模块与超声鱼探模块计算得到声呐预警值、雷达预警值与超声预警值，并计算出波形预警值，将图形预警值与波形预警值融合得到冷源致灾预警值，与参考预警值比较后输出结果，能从多维度分析冷源致灾物，提升分析冷源致灾物的准确性。
附图说明
图1是一种冷源致灾物的声光识别方法的步骤图。
图2是一种冷源致灾物的声光识别方法中，水面摄像模块和水下偏振光模块其中一种位置示意图。
图3是一种冷源致灾物的声光识别方法中，第一算法的方法步骤图。
图4是一种冷源致灾物的声光识别方法中，第二算法的方法步骤图。
图5是一种冷源致灾物的声光识别方法中，第三算法的方法步骤图。
图6是一种冷源致灾物的声光识别方法中，根据第二差值反相关调节无人机飞行速度的方法步骤图。
图7是一种冷源致灾物的声光识别方法中，无人机搭载声呐模块和激光雷达模块的示意图。
图8是一种冷源致灾物的声光识别方法中，根据飞行速度调节声呐模块、激光雷达模块与超声鱼探模块的扫描周期的方法步骤图。
图9是一种冷源致灾物的声光识别方法中，调整水面摄像模块的拍摄倾角或水下偏振光模块的拍摄倾角的方法步骤图。
图10是一种冷源致灾物的声光识别方法中，第一检测点位于第一检测区外，第二检测点位于第二检测区外的示意图。
图11是一种冷源致灾物的声光识别方法中，调整第一检测点的位置坐标或第二检测点的位置坐标的方法步骤图。
图12是一种冷源致灾物的声光识别方法中，第一检测点位于第一检测区内，第二检测点位于第二检测区内的示意图。
图13是一种冷源致灾物的声光识别方法中，根据水下偏振光模块的拍摄倾角，调节激光雷达模块的扫描周期以及声呐模块与超声鱼探模块的探测频率的方法步骤图。
图14是一种冷源致灾物的声光识别方法中，声呐模块于第三检测点处，获取第三检测区的声呐数据；激光雷达模块于第四检测点处，获取第四检测区的雷达数据；超声鱼探模块于第五检测处，获取第五检测区的超声数据的示意图。
附图标记：1、水面摄像模块；2、水下偏振光模块；3、声呐模块；4、激光雷达模块；5、超声鱼探模块；6、无人机；7、第一检测区；8、第二检测区；9、第三检测区；10、第四检测区；11、第五检测区。
具体实施方式
下面详细描述本申请的实施方式，实施方式的示例在附图1-14中示出。
在本说明书的描述中，参考术语“某些实施方式”、“一个实施方式”、“一些实施方式”、“示意性实施方式”、“示例”、“具体示例”、或“一些示例”的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
本申请实施例公开一种冷源致灾物的声光识别方法，参照图1和图2，包括如下步骤：
基于水面摄像模块1获取水上数据，根据水上数据与预设的水上模板计算出水上预警值。基于水下偏振光模块2获取水下数据，根据水下数据与预设的水下模板计算出水下预警值。其中，预设的水上模板可以采用模板匹配或者卷积神经网络计算，然后查表计算。同样的，预设的水下模板也可以采用模板匹配或者卷积神经网络计算，然后查表计算。
参照图1和图3，根据水上预警值和水下预警值使用第一算法计算出图形预警值。第一算法包括：水上预警值对应有水上权重，水下预警值对应有水下权重；使用第一加权平均算法计算出图形预警值。从而实现第一算法，计算出准确且贴合实际的图形预警值。第一加权平均算法：加权平均数 = (Σ(权重 × 数据值)) / Σ权重，即为加权平均数 = Σ(权重/Σ权重 × 数据值)。例如，水上预警值为2.0，水上权重为0.3，0.3为权重/Σ权重的值，水下预警值为1.0，水下权重为0.7，0.7为权重/Σ权重的值；图形预警值=2.0×0.3+1.0×0.7=1.3。
其中，水上权重与水上数据的清晰度或分辨率成正相关值，水上数据的清晰度或分辨率越高，水上权重越大，水上数据的清晰度或分辨率越低，水上权重越小；或者，水上权重与水上数据的噪点量成正相关值，水上数据的噪点量越少，水上权重越小，水上数据的噪点量越多，水上权重越大。水下权重与水下数据的清晰度或分辨率成正相关值，水下数据的清晰度或分辨率越高，水下权重越大，水下数据的清晰度或分辨率越低，水下权重越小；或者，水下权重与水下数据的噪点量成正相关值，水下数据的噪点量越少，水下权重越小，水下数据的噪点量越多，水下权重越大。
基于声呐模块3获取声呐数据，根据声呐数据与预设的声呐模板计算出声呐预警值。基于激光雷达模块4获取雷达数据，根据雷达数据与预设的雷达模板计算出雷达预警值。基于超声鱼探模块5获取超声数据，根据超声数据与预设的超声模板计算出超声预警值。
参照图4，根据声呐预警值、雷达预警值和超声预警值使用第二算法计算出波形预警值。第二算法包括：声呐预警值对应有声呐权重，雷达预警值对应有雷达权重，超声预警值对应有超声权重；使用第二加权平均算法计算出波形预警值；从而实现第二算法，计算出准确且贴合实际的波形预警值。第二加权平均算法：加权平均数 = (Σ(权重 × 数据值))/ Σ权重，即为加权平均数 = Σ(权重/Σ权重 × 数据值)。例如，声呐预警值为10.0，声呐权重为0.5；雷达预警值为5.0，雷达权重为0.3；超声预警值为8.0，超声权重为0.2，波形预警值=10.0×0.5+5.0×0.3+8.0×0.3=8.9。
其中，声呐权重与声呐数据的分辨率正相关设置，声呐数据的分辨率越大，声呐权重越大，声呐数据的分辨率越小，声呐权重越小。雷达权重与雷达数据的扫描速度反相关设置，雷达数据的扫描速度越快，雷达权重越小，雷达数据的扫描速度越慢，雷达权重越大。超声权重与超声数据的探测频率正相关设置，超声数据的探测频率越高，超声权重越大，超声数据的探测频率越低，超声权重越小。
参照图5，根据图形预警值与波形预警值使用第三算法计算出冷源致灾预警值。第三算法包括：计算图形预警值与预设的中间值的第一差值，计算波形预警值与预设的中间值的第二差值。根据第一差值与第二差值计算出第一差权重与第二差权重。其中，第一差值越大，第一差权重越小，第一差值越小，第一差权重越大；第二差值越大，第二差权重越大，第二差值越小，第二差权重越小。第三加权平均算法：加权平均数 = (Σ(权重 × 数据值)) / Σ权重，即为加权平均数 = Σ(权重/Σ权重 × 数据值)，第三加权平均算法中的权重/Σ权重不是确定的，是根据第一差值和第二差值的大小得出的。例如，预设的中间值为5.0；第一差值为3.7，第二差值为3.9，第一差权重为0.6，第二差权重为0.4。或者，预设的中间值为6.0；第一差值为4.7，第二差值为2.9，第一差权重为0.3，第二差权重为0.7。
第一差权重与图形预警值对应，第二差权重与波形预警值对应，使用第三加权平均算法计算出冷源致灾预警值。从而实现第三算法，计算出准确且贴合实际的冷源致灾预警值。
将冷源致灾预警值与预设的参考预警值比较，输出预警结果。
其中，水面摄像模块1、水下偏振光模块2、声呐模块3、激光雷达模块4、超声鱼探模块5均固定在核电站附近，也可由无人机6搭载。其中，无人机6可以为空中飞行的无人机6，也可以是水上漂浮的无人机6，也可以是水下潜游的无人机6。
在其它一些实施方式中，参照图6和图7，还包括：无人机6搭载声呐模块3与激光雷达模块4进行测量。根据第二差值反相关调节无人机6飞行检测的飞行速度，第二差值越大，飞行速度越慢，第二差值越小，飞行速度越快。根据第二差值调节无人机6的飞行速度，利于提升声呐模块3与激光雷达模块4测得数据的准确度。例如，当第二差值为3.9时，无人机6的飞行速度为5米每秒；当第二差值为4.0时，无人机6的飞行速度为4米每秒。
在其它一些实施方式中，参照图8，还包括：根据飞行速度调节声呐模块3、激光雷达模块4与超声鱼探模块5的扫描周期。飞行速度越慢，扫描周期越长，所飞行速度越快，扫描周期越短。根据无人机6的飞行速度调节扫描周期，利于提升声呐模块3、激光雷达模块4与超声鱼探模块5测得数据的准确度。例如，当无人机6的飞行速度为5米每秒，扫描周期为0.5秒；当无人机6的飞行速度为4米每秒，扫描周期为1秒。
在其它一些实施方式中，参照图9和图10，还包括：水面摄像模块1于第一检测点处，获取第一检测区7的水上数据；基于水下偏振光模块2于第二检测点处，获取第二检测区8的水下数据。第一检测点位于第一检测区7外，第二检测点位于第二检测区8外。
根据水上数据计算出第一检测区7的图形坐标，根据水下数据计算出第二检测区8的图形坐标。计算第一检测区7的图形坐标与第二检测区8的图形坐标的图形重合度。根据图形重合度调整水面摄像模块1的拍摄倾角或水下偏振光模块2的拍摄倾角。根据第一检测区7与第二检测区8计算出来的图形重合度，调节拍摄模块的拍摄倾角，从而使采集的数据在物理维度上保持一致性，降低数据的干扰。
在其它一些实施方式中，参照图11和图12，还包括：水面摄像模块1于第一检测点处，获取第一检测区7的水上数据；基于水下偏振光模块2，于第二检测点处，获取第二检测区8的水下数据。第一检测点位于第一检测区7内，第二检测点位于第二检测区8内。
根据水上数据计算出第一检测区7的图形坐标，根据水下数据计算出第二检测区8的图形坐标。计算第一检测区7的图形坐标与第二检测区8的图形坐标的图形重合度。根据图形重合度调整第一检测点的位置坐标或第二检测点的位置坐标。根据第一检测区7与第二检测区8计算出来的图形重合度，调节拍摄模块的位置坐标，从而使采集的数据在物理维度上保持一致性，降低数据的干扰。
在其它一些实施方式中，参照图13和图14，还包括：声呐模块3于第三检测点处，获取第三检测区9的声呐数据；激光雷达模块4于第四检测点处，获取第四检测区10的雷达数据；超声鱼探模块5于第五检测处，获取第五检测区11的超声数据。
根据水下偏振光模块2的拍摄倾角，调节激光雷达模块4的扫描周期或探测角度，以及声呐模块3与超声鱼探模块5的探测频率或探测角度。拍摄倾角越大，扫描周期越短，探测频率越低，拍摄倾角越小，扫描周期越长，探测频率越高。根据拍摄倾角调节扫描周期与探测频率，拍摄倾角越大，拍摄角度与水面越水平，则拍摄范围越大，扫描周期越短，探测的范围越广，探测频率越低；拍摄倾角越小，拍摄角度与水面越垂直，则拍摄范围越小，扫描周期越长，探测的范围越窄，探测频率越高，探测的深度越低。改变探测角度，也可为改变探测区域，此时，方法的目的是将探测区域尽量与拍摄区域相重合，或者说提高激光雷达模块4、声呐模块3与超声鱼探模块5的探测区域与水面摄像模块1和水下偏振光模块2的拍摄区域的重合度。
通过水面摄像模块1和水下偏振光模块2能够得到水上数据和水下数据，根据水上数据和水下数据通过与对应的模板计算得到水上预警值和水下预警值，水上预警值和水下预警值与图形数据对应并计算出图形预警值，通过声呐模块3、激光雷达模块4与超声鱼探模块5得到声呐数据、雷达数据与超声数据，根据声呐数据、雷达数据与超声数据通过与对应的模板计算得到声呐预警值、雷达预警值与超声预警值，声呐预警值、雷达预警值与超声预警值对应于波形数据并计算出波形预警值，将图形预警值与波形预警值融合得到冷源致灾预警值，与参考预警值比较后输出结果，能从多维度分析冷源致灾物，提升分析冷源致灾物的准确性。
本申请实施例还公开一种冷源致灾物的声光识别系统，包括处理器，所述处理器中运行有上述中任意一项所述的冷源致灾物的声光识别方法的程序。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种冷源致灾物的声光识别方法，其特征在于，包括如下步骤：
基于水面摄像模块(1)获取水上数据，根据所述水上数据与预设的水上模板计算出水上预警值；基于水下偏振光模块(2)获取水下数据，根据所述水下数据与预设的水下模板计算出水下预警值；
基于声呐模块(3)获取声呐数据，根据所述声呐数据与预设的声呐模板计算出声呐预警值；基于激光雷达模块(4)获取雷达数据，根据所述雷达数据与预设的雷达模板计算出雷达预警值；基于超声鱼探模块(5)获取超声数据，根据所述超声数据与预设的超声模板计算出超声预警值；
根据所述水上预警值和水下预警值使用第一算法计算出图形预警值；
根据所述声呐预警值、雷达预警值和所述超声预警值使用第二算法计算出波形预警值；
根据所述图形预警值与所述波形预警值使用第三算法计算出冷源致灾预警值；
将所述冷源致灾预警值与预设的参考预警值比较，输出预警结果。
2.根据权利要求1所述的冷源致灾物的声光识别方法，其特征在于，所述第一算法包括：
所述水上预警值对应有水上权重，所述水下预警值对应有水下权重；
使用第一加权平均算法计算出图形预警值；
其中，所述水上权重与所述水上数据的清晰度或分辨率成正相关值，所述水上数据的清晰度或分辨率越高，所述水上权重越大，所述水上数据的清晰度或分辨率越低，所述水上权重越小；或者，所述水上权重与所述水上数据的噪点量成正相关值，所述水上数据的噪点量越少，所述水上权重越小，所述水上数据的噪点量越多，所述水上权重越大；
所述水下权重与所述水下数据的清晰度或分辨率成正相关值，所述水下数据的清晰度或分辨率越高，所述水下权重越大，所述水下数据的清晰度或分辨率越低，所述水下权重越小；或者，所述水下权重与所述水下数据的噪点量成正相关值，所述水下数据的噪点量越少，所述水下权重越小，所述水下数据的噪点量越多，所述水下权重越大。
3.根据权利要求1所述的冷源致灾物的声光识别方法，其特征在于，所述第二算法包括：
所述声呐预警值对应有声呐权重，所述雷达预警值对应有雷达权重，所述超声预警值对应有超声权重；
使用第二加权平均算法计算出波形预警值；
其中，所述声呐权重与所述声呐数据的分辨率正相关设置，所述声呐数据的分辨率越大，所述声呐权重越大，所述声呐数据的分辨率越小，所述声呐权重越小；
所述雷达权重与所述雷达数据的扫描速度反相关设置，所述雷达数据的扫描速度越快，所述雷达权重越小，所述雷达数据的扫描速度越慢，所述雷达权重越大；
所述超声权重与所述超声数据的探测频率正相关设置，所述超声数据的探测频率越高，所述超声权重越大，所述超声数据的探测频率越低，所述超声权重越小。
4.根据权利要求1所述的冷源致灾物的声光识别方法，其特征在于，所述第三算法包括：
计算所述图形预警值与预设的中间值的第一差值；
计算所述波形预警值与预设的中间值的第二差值；
根据所述第一差值与所述第二差值计算出第一差权重与第二差权重；所述第一差值越大，所述第一差权重越小，所述第一差值越小，所述第一差权重越大；所述第二差值越大，所述第二差权重越大，所述第二差值越小，所述第二差权重越小；
所述第一差权重与所述图形预警值对应，所述第二差权重与所述波形预警值对应，使用第三加权平均算法计算出冷源致灾预警值。
5.根据权利要求4所述的冷源致灾物的声光识别方法，其特征在于，所述方法还包括如下步骤：
无人机(6)搭载所述声呐模块(3)与所述激光雷达模块(4)进行测量；
根据所述第二差值反相关调节所述无人机(6)飞行检测的飞行速度，所述第二差值越大，所述飞行速度越慢，所述第二差值越小，所述飞行速度越快。
6.根据权利要求5所述的冷源致灾物的声光识别方法，其特征在于，所述方法还包括如下步骤：
根据所述飞行速度调节所述声呐模块(3)、所述激光雷达模块(4)与所述超声鱼探模块(5)的扫描周期；
所述飞行速度越慢，所述扫描周期越长，所述飞行速度越快，所述扫描周期越短。
7.根据权利要求1所述的冷源致灾物的声光识别方法，其特征在于，所述方法还包括：
所述水面摄像模块(1)于第一检测点处，获取第一检测区(7)的水上数据；基于水下偏振光模块(2)于第二检测点处，获取第二检测区(8)的水下数据；
所述第一检测点位于所述第一检测区(7)外，所述第二检测点位于所述第二检测区(8)外；
根据所述水上数据计算出所述第一检测区(7)的图形坐标，根据所述水下数据计算出所述第二检测区(8)的图形坐标；
计算所述第一检测区(7)的图形坐标与所述第二检测区(8)的图形坐标的图形重合度；
根据所述图形重合度调整所述水面摄像模块(1)的拍摄倾角或所述水下偏振光模块(2)的拍摄倾角。
8.根据权利要求1所述的冷源致灾物的声光识别方法，其特征在于，所述方法还包括如下步骤：
所述水面摄像模块(1)于第一检测点处，获取第一检测区(7)的水上数据；基于水下偏振光模块(2)，于第二检测点处，获取第二检测区(8)的水下数据；
所述第一检测点位于所述第一检测区(7)内，所述第二检测点位于所述第二检测区(8)内；
根据所述水上数据计算出所述第一检测区(7)的图形坐标，根据所述水下数据计算出所述第二检测区(8)的图形坐标；
计算所述第一检测区(7)的图形坐标与所述第二检测区(8)的图形坐标的图形重合度；
根据所述图形重合度调整所述第一检测点的位置坐标或所述第二检测点的位置坐标。
9.根据权利要求7所述的冷源致灾物的声光识别方法，其特征在于，所述方法还包括如下步骤：
所述声呐模块(3)于第三检测点处，获取第三检测区(9)的声呐数据；所述激光雷达模块(4)于第四检测点处，获取第四检测区(10)的雷达数据；所述超声鱼探模块(5)于第五检测处，获取第五检测区(11)的超声数据；
根据所述水下偏振光模块(2)的拍摄倾角，调节所述激光雷达模块(4)的扫描周期以及所述声呐模块(3)与所述超声鱼探模块(5)的探测频率；
所述拍摄倾角越大，所述扫描周期越短，所述探测频率越低，所述拍摄倾角越小，所述扫描周期越长，所述探测频率越高。
10.一种冷源致灾物的声光识别系统，其特征在于，包括处理器，所述处理器中运行有如权利要求1-9中任意一项所述的冷源致灾物的声光识别方法的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410432096.2A CN118033660A (zh) | 2024-04-11 | 2024-04-11 | 一种冷源致灾物的声光识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410432096.2A CN118033660A (zh) | 2024-04-11 | 2024-04-11 | 一种冷源致灾物的声光识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118033660A true CN118033660A (zh) | 2024-05-14 |
Family
ID=90989769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410432096.2A Pending CN118033660A (zh) | 2024-04-11 | 2024-04-11 | 一种冷源致灾物的声光识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118033660A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108230302A (zh) * | 2017-12-21 | 2018-06-29 | 岭东核电有限公司 | 一种核电厂冷源海域入侵海洋生物探测及处置方法 |
| CN112735619A (zh) * | 2020-11-09 | 2021-04-30 | 海南核电有限公司 | 一种基于滨海核电厂海洋致灾物综合信息处理系统 |
| KR102351398B1 (ko) * | 2021-06-17 | 2022-01-14 | (주)지오시스템리서치 | 영상 장비를 이용한 해양 생물 탐지 방법 및 시스템 |
| CN115541704A (zh) * | 2022-08-26 | 2022-12-30 | 国核电力规划设计研究院有限公司 | 一种核电厂冷源安全系统 |
| CN115792923A (zh) * | 2022-11-29 | 2023-03-14 | 厦门大学 | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 |
| CN115994340A (zh) * | 2022-11-07 | 2023-04-21 | 福建福清核电有限公司 | 一种核电厂海生物监测预警评估方法 |
| US20230169159A1 (en) * | 2010-07-13 | 2023-06-01 | Scott F. McNulty | System, Method and Apparatus for Generating Acoustic Signals Based on Biometric Information |
| CN116258251A (zh) * | 2023-01-05 | 2023-06-13 | 中国核电工程有限公司 | 一种滨海核电站冷源致灾物报警预警智能化系统 |
| CN116389679A (zh) * | 2023-02-22 | 2023-07-04 | 中国海关科学技术研究中心 | 多模态成像装置和多模态致灾因子监测系统及其实现方法 |
| CN117315889A (zh) * | 2023-09-05 | 2023-12-29 | 陕西卫峰核电子有限公司 | 一种致灾生物监测预警方法及系统 |
-
2024
- 2024-04-11 CN CN202410432096.2A patent/CN118033660A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230169159A1 (en) * | 2010-07-13 | 2023-06-01 | Scott F. McNulty | System, Method and Apparatus for Generating Acoustic Signals Based on Biometric Information |
| CN108230302A (zh) * | 2017-12-21 | 2018-06-29 | 岭东核电有限公司 | 一种核电厂冷源海域入侵海洋生物探测及处置方法 |
| CN112735619A (zh) * | 2020-11-09 | 2021-04-30 | 海南核电有限公司 | 一种基于滨海核电厂海洋致灾物综合信息处理系统 |
| KR102351398B1 (ko) * | 2021-06-17 | 2022-01-14 | (주)지오시스템리서치 | 영상 장비를 이용한 해양 생물 탐지 방법 및 시스템 |
| CN115541704A (zh) * | 2022-08-26 | 2022-12-30 | 国核电力规划设计研究院有限公司 | 一种核电厂冷源安全系统 |
| CN115994340A (zh) * | 2022-11-07 | 2023-04-21 | 福建福清核电有限公司 | 一种核电厂海生物监测预警评估方法 |
| CN115792923A (zh) * | 2022-11-29 | 2023-03-14 | 厦门大学 | 一种光-声结合的滨海核电水下致灾生物监测方法和装置以及设备 |
| CN116258251A (zh) * | 2023-01-05 | 2023-06-13 | 中国核电工程有限公司 | 一种滨海核电站冷源致灾物报警预警智能化系统 |
| CN116389679A (zh) * | 2023-02-22 | 2023-07-04 | 中国海关科学技术研究中心 | 多模态成像装置和多模态致灾因子监测系统及其实现方法 |
| CN117315889A (zh) * | 2023-09-05 | 2023-12-29 | 陕西卫峰核电子有限公司 | 一种致灾生物监测预警方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 徐波波;张锋;张志峰;杨华勇;杜宗印;: "核电冷源运行安全生物灾害综合监测预警技术研究", 给水排水, no. 1, 31 July 2018 (2018-07-31) * |
| 李建文;刘笑麟;张锦飞;孟亚辉;: "提升核电厂冷源安全性的海生物探测技术研究", 电力安全技术, no. 10, 15 October 2017 (2017-10-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670411B (zh) | 基于生成对抗网络的船舶点云深度图像处理方法和系统 | |
| CN110414396B (zh) | 一种基于深度学习的无人艇感知融合算法 | |
| Williamson et al. | Multisensor acoustic tracking of fish and seabird behavior around tidal turbine structures in Scotland | |
| CN108230302B (zh) | 一种核电厂冷源海域入侵海洋生物探测及处置方法 | |
| US9881212B2 (en) | Infrared image based early detection of oil spills in water | |
| CN111899568B (zh) | 桥梁防撞预警系统、方法、装置和存储介质 | |
| KR102345873B1 (ko) | 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템 | |
| KR101859909B1 (ko) | 드론을 이용한 적조 예찰 및 추적 시스템 및 방법 | |
| CN112394349B (zh) | 海洋浮标智能安防监控方法、装置、系统及存储介质 | |
| CN111339826A (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
| CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、系统及可读存储介质 | |
| Espedal | Detection of oil spill and natural film in the marine environment by spaceborne SAR | |
| CN111445522A (zh) | 被动式夜视智能探雷系统及智能探雷方法 | |
| CN116047112A (zh) | 测量流体表面流速的方法、装置及存储介质 | |
| CN114018317B (zh) | 一种用于海洋环境的数据采集装置及方法 | |
| CN113642651A (zh) | 一种基于深度学习的偏振成像海上溢油识别装置及方法 | |
| CN118033660A (zh) | 一种冷源致灾物的声光识别方法及系统 | |
| Choi et al. | Automatic sea fog detection and estimation of visibility distance on CCTV | |
| CN116469276A (zh) | 水域安全预警方法、装置、设备及存储介质 | |
| CN112485329B (zh) | 基于热成像与超声相结合检测排污口的方法、装置及系统 | |
| Rüssmeier et al. | Ocean surface water currents by large-scale particle image velocimetry technique | |
| CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
| CN115983141B (zh) | 一种基于深度学习反演海浪波高的方法、介质及系统 | |
| Wang | Deep Drainage Detection System for Inland Vessels Based on Machine Vision. | |
| CN116503765A (zh) | 基于机器视觉的工程尺度波浪识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |