KR20230001875A - 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 - Google Patents
해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 Download PDFInfo
- Publication number
- KR20230001875A KR20230001875A KR1020210084953A KR20210084953A KR20230001875A KR 20230001875 A KR20230001875 A KR 20230001875A KR 1020210084953 A KR1020210084953 A KR 1020210084953A KR 20210084953 A KR20210084953 A KR 20210084953A KR 20230001875 A KR20230001875 A KR 20230001875A
- Authority
- KR
- South Korea
- Prior art keywords
- sea level
- band
- 3dfft
- wave
- energy
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000003287 optical effect Effects 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 25
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000013215 result calculation Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims description 58
- 230000009466 transformation Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/36—Videogrammetry, i.e. electronic processing of video signals from a single source or from different sources to give parallax or range information
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/204—Image signal generators using stereoscopic image cameras
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hydrology & Water Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Discrete Mathematics (AREA)
- Image Processing (AREA)
Abstract
본 발명은 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법에 관한 것으로, 실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 각각 산출하는 제 1,2 변환부;실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 각각 산출하는 제 1,2 에너지 대역 구분부;인공지능 학습으로 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출하는 복원모델을 도출하는 파랑 에너지 복원 모델 구축부;새롭게 수집되는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출부;실제 해수면 3DFFT변환 결과물로부터 파주기-파향의 2차원 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산부;를 포함하는 것이다.
Description
본 발명은 해양 정보 측정 시스템에 관한 것으로, 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법에 관한 것이다.
파랑은 해상의 바람에 의해 발생하는 풍파와 먼 바다에서 발생한 풍파가 연안으로 전파되는 너울을 모두 일컫는다.
그런데 파랑은 태풍, 이상고파, 월파, 해일 등과 같은 연안재해 현상으로 우리에게 막대한 인명피해와 재산피해를 입히기도 한다. 이러한 연안재해 현상을 예측하고 신속하게 대응하기 위해서는, 파랑을 정확하게 관측하고 예측할 수 있는 기술이 고도화할 필요가 있다.
종래 기술에서 파고 등의 해양 정보를 측정하는 장치로는 착저형 파고계(ADCP), 부이(Buoy)형 파고계 등이 사용되었다. 이러한 파고계는 해수에 직접 접촉하여 해수면의 수직운동을 측정하여 비교적 정확하게 파고를 측정할 수 있지만, 태풍이나 해일 등에 의하여 유실되기 쉽고 유지 보수에 어려움이 있었다.
스테레오 영상시스템을 이용할 경우, 해수면에 직접 접촉하지 않고도, 원거리에서 두 대의 카메라로 해수면의 광학영상을 촬영함으로써 해상의 파랑을 3차원적으로 계산하고 복원할 수 있는 도구이다. 그렇지만, 광학영상의 경우도 야간이나 우천, 해무 등 악기상시에 양질의 광학영상을 수집할 수 없다는 한계가 있다.
Xband 레이다 장치의 경우는, 주간, 야간, 악기상시 등 전천후로 해수면 상태를 촬영할 수 있다. xband 레이다 영상은 해수면으로부터 반사되어 오는 레이다파의 반사신호를 2차원 화면에 영상화하여 표현한 것으로, 해수면의 파고가 높을수록 레이다 영상에 나타나는 해수면의 물결상태가 더욱 진하게 나타나게 된다.
그럼에도, Xband 레이다 영상의 단점은 해수면에서 파고의 높낮이를 직접적으로 측정할 수 없다는 단점이 있다.
종래에 xband 영상을 이용하여 파고 및 파랑스펙트럼을 관측하는 장비들이 상용화되어 출시되어 있는 제품들이 있으나, 레이다파의 반사신호와 실제파고의 상관관계 경험식을 기반으로 하고 있어, 해역마다 기후 및 레이다파 전파환경에 따라 관측정확성을 달리한다는 한계가 있다.
따라서, 정확도 높은, 전천후 파고 및 파향스펙트럼의 원격 관측장비의 개발이 요구되고 있다.
본 발명은 종래 기술의 해양 정보 측정 시스템의 문제점을 해결하기 위한 것으로, 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 상시에도 스테레오 영상시스템과 Xband 레이다 영상시스템을 동시에 운영하여 인공지능 기반의 파랑에너지 복원 모델의 정확도를 높일 수 있도록 한 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명은 주간에 동시에 관측한 영상자료들을 인공지능 추가학습 및 복원모델의 입력자료로 활용하여, 야간에만 운영하는 레이다 영상의 파랑에너지 측정 정확도를 높일 수 있도록 한 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법을 제공하는데 그 목적이 있다.
본 발명의 다른 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치는 해수면 스테레오 광학영상 및 xband 레이다 영상으로부터 3차원 입방체 자료를 산출하는 스테레오 영상 입력부 및 X밴드 영상 입력부;실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 각각 산출하는 제 1,2 변환부;실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 각각 산출하는 제 1,2 에너지 대역 구분부;인공지능 학습으로 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출하는 복원모델을 도출하는 파랑 에너지 복원 모델 구축부;새롭게 수집되는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출부;실제 해수면 3DFFT변환 결과물로부터 파주기-파향의 2차원 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산부;를 포함하는 것을 특징으로 한다.
여기서, 제 1,2 에너지 대역 구분부는 각각 실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 파고 에너지 대역과 노이즈 에너지 대역을 구분하고 각 대역에 대한 에너지의 총합을 산출하는 것을 특징으로 한다.
그리고 파랑 에너지 복원 모델 구축부는, 설정 기간 동안 스테레오 광학영상과 xband 레이다 영상을 수집하고 3차원 입방체 자료를 구하는 과정, 3DFFT변환 입방체 결과물을 구하는 과정, 파고 에너지 대역과 노이즈 에너지 대역을 구분하여 각 대역에 대한 에너지의 총합을 따로 따로 구하는 과정을 반복하며 확보된 자료를 이용하여 파랑 에너지 복원 모델을 구축하는 것을 특징으로 한다.
다른 목적을 달성하기 위한 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법은 해수면 스테레오 광학영상 및 xband 레이다 영상으로부터 3D 시계열자료를 산출하는 영상 입력 단계;실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 각각 산출하는 변환 단계;실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 각각 산출하는 에너지 대역 구분 단계;인공지능 학습으로 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출하는 복원모델을 도출하는 파랑 에너지 복원 모델 구축 단계;새롭게 수집되는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출 단계;실제 해수면 3DFFT변환 결과물로부터 파주기-파향의 2차원 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산 단계;를 포함하는 것을 특징으로 한다.
여기서, 에너지 대역 구분 단계는, 각각 실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터, 에너지 대역을 파고 에너지 대역과 노이즈 에너지 대역을 구분하고 각 대역에 대한 에너지의 총합을 산출하는 것을 특징으로 한다.
그리고 파랑 에너지 복원 모델 구축 단계는, 설정 기간 동안 스테레오 광학영상과 xband 레이다 영상을 수집하고, 3차원 입방체 자료를 구하는 과정, 3DFFT변환 입방체 결과물을 구하는 과정, 파고 에너지 대역과 노이즈 에너지 대역을 구분하여 각 대역에 대한 에너지의 총합을 따로 따로 구하는 과정을 반복하며 확보된 자료를 이용하여 파랑 에너지 복원 모델을 구축하는 것을 특징으로 한다.
그리고 파랑에너지 스펙트럼 계산 단계에서, 실제 해수면 3DFFT변환 입방체 결과물로부터, f축으로 적분한 이후, 분산관계식과 야코비안변환 관계식을 적용하여 2차원 파랑 에너지 스펙트럼을,
그리고 분산관계식은, 
이고, 여기서, d: 수심, g: 중력가속도인 것을 특징으로 한다.
그리고 야코비안변환 관계식은,
그리고 최종적으로 3DFFT 결과 입방체의 2차원 파랑에너지 스펙트럼 변환 수식은,
이상에서 설명한 바와 같은 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법은 다음과 같은 효과가 있다.
첫째, 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한다.
둘째, 상시에도 스테레오 영상시스템과 Xband 레이다 영상시스템을 동시에 운영하여 인공지능 기반의 파랑에너지 복원 모델의 정확도를 높일 수 있도록 한다.
셋째, 주간에 동시에 관측한 영상자료들을 인공지능 추가학습 및 복원모델의 입력자료로 활용하여, 야간에만 운영하는 레이다 영상의 파랑에너지 측정 정확도를 높일 수 있도록 한다.
도 1은 스테레오 영상시스템의 개념을 나타낸 구성도
도 2는 스테레오 영상으로부터 구한 3차원 해수면을 계산한 결과의 일 예를 나타낸 구성도
도 3은 레이다 설치위치로부터 레이다파 송출범위와 연안 해수면 파랑에 의해서 반사파 반생 가능범위 개념도
도 4는 레이다파가 해수면 파랑에 의해 반사된 반사신호를 영상화하여 2차원 화면에 나타낸 레이다 영상의 일 예를 나타낸 구성도
도 5는 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치의 구성도
도 6 및 도 7은 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법을 나타낸 흐름도
도 8은 스테레오 영상 및 X밴드 레이다 영상으로부터 3D 시계열자료(3차원 입방체) 산출의 일 예를 나타낸 구성도
도 9는 3D푸리에변환(3DFFT)을 통한 3DFFT변환 입방체 결과물 산출의 일 예를 나타낸 구성도
도 10은 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합 산출의 일 예를 나타낸 구성도
도 11은 AI 기반 파랑 에너지 복원 모델 도출 과정을 나타낸 구성도
도 12는 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물 산출의 일 예를 나타낸 구성도
도 13은 2차원(파주기-파향) 파랑에너지 스펙트럼 산출의 일 예를 나타낸 구성도
도 2는 스테레오 영상으로부터 구한 3차원 해수면을 계산한 결과의 일 예를 나타낸 구성도
도 3은 레이다 설치위치로부터 레이다파 송출범위와 연안 해수면 파랑에 의해서 반사파 반생 가능범위 개념도
도 4는 레이다파가 해수면 파랑에 의해 반사된 반사신호를 영상화하여 2차원 화면에 나타낸 레이다 영상의 일 예를 나타낸 구성도
도 5는 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치의 구성도
도 6 및 도 7은 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법을 나타낸 흐름도
도 8은 스테레오 영상 및 X밴드 레이다 영상으로부터 3D 시계열자료(3차원 입방체) 산출의 일 예를 나타낸 구성도
도 9는 3D푸리에변환(3DFFT)을 통한 3DFFT변환 입방체 결과물 산출의 일 예를 나타낸 구성도
도 10은 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합 산출의 일 예를 나타낸 구성도
도 11은 AI 기반 파랑 에너지 복원 모델 도출 과정을 나타낸 구성도
도 12는 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물 산출의 일 예를 나타낸 구성도
도 13은 2차원(파주기-파향) 파랑에너지 스펙트럼 산출의 일 예를 나타낸 구성도
이하, 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법의 바람직한 실시 예에 관하여 상세히 설명하면 다음과 같다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법의 특징 및 이점들은 이하에서의 각 실시 예에 대한 상세한 설명을 통해 명백해질 것이다.
도 1은 스테레오 영상시스템의 개념을 나타낸 구성도이고, 도 2는 스테레오 영상으로부터 구한 3차원 해수면을 계산한 결과의 일 예를 나타낸 구성도이다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법은 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한 것이다.
도 1에서와 같이, 스테레오 영상 분석기술은 두 대의 카메라로부터 시간 동기화하여 촬영된 두 장의 이미지를 이용하여 3차원 입체감을 구현하는 방법이다.
스테레오 영상분석에서 중요한 점은 좌측(또는 우측) 이미지의 어느 한 특정 지점을 설정한 후 우측(또는 좌측) 이미지에서도 해당 지점을 찾는 대응 과정이다.
이 과정을 통하여, 도 2에서와 같이, 두 카메라 사이의 상대적인 거리차 및 회전각이 계산되고 이로부터 기하학적 3차원 입체감을 표현하는 좌표체계가 도출된다.
도 3은 레이다 설치위치로부터 레이다파 송출범위와 연안 해수면 파랑에 의해서 반사파 반생 가능범위 개념도이다.
X-band 레이다를 이용하여 파랑을 측정하는 원리는 레이다의 라디오파와 해수면 리플파(ripple)의 상호작용에 의한 공명효과를 이용하는 것이다.
도 4는 레이다파가 해수면 파랑에 의해 반사된 반사신호를 영상화하여 2차원 화면에 나타낸 레이다 영상의 일 예를 나타낸 구성도이다.
이와 같이 공명효과로부터 반사된 라디오파는 해수면 파랑의 형태와 유사한 모형을 이루게 된다.
이렇게 해수면 파랑에 의해서 반사되고 변형되어 레이다 스캐너에 수집된, 2차원 평면으로 나타나는 영상신호를 'sea clutter noise'라고 하며, 시간에 따라 수집된 반사파 신호는 결국 3차원(거리-거리-시간)적인 해수면 운동의 신호정보를 제공하게 된다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치를 구체적으로 설명하면 다음과 같다.
도 5는 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치의 구성도이다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치는 도 5에서와 같이, 해수면 스테레오 광학영상과 X 밴드 레이다영상을 입력받아 해수면 스테레오 광학영상 및 xband 레이다 영상으로부터 3D 시계열자료(3차원 입방체)를 산출하는 스테레오 영상 입력부(51) 및 X밴드 영상 입력부(52)와, 실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 산출하는 제 1 변환부(53) 및 제 2 변환부(54)와, 실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 따로 따로 산출하는 제 1 에너지 대역 구분부(55) 및 제 2 에너지 대역 구분부(56)와, 장기간(6개월 이상 등)에 걸쳐, 스테레오 광학영상과 xband 레이다 영상을 수집하여, 산출 과정을 반복하며 대량의 자료를 확보하고 기계학습(인공지능) 기술을 이용하여, 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출해 낼 수 있는 복원모델을 도출하는 파랑 에너지 복원 모델 구축부(57)와, 새롭게 수집하는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출부(58)와, 실제 해수면 3DFFT변환 결과물로부터 2차원(파주기-파향) 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산부(59)를 포함한다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법을 구체적으로 설명하면 다음과 같다.
도 6 및 도 7은 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법을 나타낸 흐름도이다.
본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법은 먼저, 해수면 스테레오 광학영상으로부터 실제 해수면고 3D 시계열자료(3차원 입방체)를 구하고, Xband 레이다 영상으로부터 해수면 반사파고 3D 시계열자료(3차원 입방체)를 산출한다.(S601)
이어, 실제 해수면 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 구하고, 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 산출한다.(602)
그리고 실제 해수면 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 따로 따로 구하고, 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 따로 따로 산출한다.(S603)
이어, 장기간(6개월 이상 등)에 걸쳐, 스테레오 광학영상과 xband 레이다 영상을 수집하여, 산출 과정을 반복하며 대량의 자료를 확보한다.(S604)
그리고 기계학습(인공지능) 기술을 이용하여, 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출해 낼 수 있는 복원모델을 도출한다.(S605)
이어, 새롭게 수집하는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산한다.(S606)
그리고 실제 해수면 3DFFT변환 결과물로부터 2차원(파주기-파향) 파랑에너지 스펙트럼을 계산한다.(S607)
이와 같은 구성을 갖는 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법을 각 단계별로 설명하면 다음과 같다.
도 8은 스테레오 영상 및 X밴드 레이다 영상으로부터 3D 시계열자료(3차원 입방체) 산출의 일 예를 나타낸 구성도이다.
스테레오 영상 입력부(51)에서 해수면 스테레오 광학영상으로부터 10~20분정도의 실제 해수면고 3D 시계열자료(3차원 입방체)를 구한다.
그리고 X밴드 영상 입력부(52)에서 Xband 레이다 영상으로부터 10~20분정도의 해수면 반사파고 3D 시계열자료(3차원 입방체)를 구한다.
도 9는 3D푸리에변환(3DFFT)을 통한 3DFFT변환 입방체 결과물 산출의 일 예를 나타낸 구성도이다.
제 1 변환부(53)에서 실제 해수면 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 구한다.
그리고 제 2 변환부(54)에서 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 구한다.
도 10은 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합 산출의 일 예를 나타낸 구성도이다.
제 1 에너지 대역 구분부(55)에서 실제 해수면 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 따로 따로 구한다.
그리고 제 2 에너지 대역 구분부(56)에서 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 파고 에너지 대역과 노이즈 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 따로 따로 구한다.
도 11은 AI 기반 파랑 에너지 복원 모델 도출 과정을 나타낸 구성도이다.
파랑 에너지 복원 모델 구축부(57)에서 장기간(6개월 이상 등)에 걸쳐, 스테레오 광학영상과 xband 레이다 영상을 수집하여, 3D 시계열자료(3차원 입방체)를 구하는 과정, 3DFFT변환 입방체 결과물을 구하는 과정, 파고 에너지 대역과 노이즈 에너지 대역을 구분하여 각 대역에 대한 에너지의 총합을 따로 따로 구하는 과정을 반복하며 대량의 자료를 확보한다.
기계학습(인공지능) 기술을 이용하여, 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출해 낼 수 있는 복원모델을 도출한다.
도 12는 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물 산출의 일 예를 나타낸 구성도이다.
실제 해수면 변환 결과 산출부(58)에서 새롭게 수집하는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산해 낸다.
도 13은 2차원(파주기-파향) 파랑에너지 스펙트럼 산출의 일 예를 나타낸 구성도이다.
파랑에너지 스펙트럼 계산부(59)에서 실제 해수면 3DFFT변환 결과물로부터 2차원(파주기-파향) 파랑에너지 스펙트럼을 계산한다.
즉, 실제 해수면 3DFFT변환 입방체 결과물로부터, f축으로 적분한 이후, 분산관계식과 야코비안변환 관계식을 적용하여 2차원 파랑 에너지 스펙트럼을 수학식1에서와 같이 구할 수 있다.
여기서, F: 3차원 입방체, h: 해수면높이, f: 파주파수(또는 파주기의 역수), k: 파수(wavenumber), t: 시간, e: 자연수, i: 허수이다.
그리고 분산관계식 수식은 수학식 2에서와 같다.
여기서, d: 수심, g: 중력가속도이다.
그리고 야코비안변환 관계식은 수학식 3에서와 같다.
그리고 최종적으로, 3DFFT 결과 입방체의 2차원 파랑에너지 스펙트럼 변환 수식은 수학식 4에서와 같다.
여기서, θ: 파향을 나타내는 각도, G: F를 파주파수 f축으로 적분 결과, dk/df: 야코비안변환 관계식, E: 2차원 파랑에너지 스펙트럼이다.
이와 같은 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법에서 인공지능 기반의 파랑에너지 복원 모델의 정확성을 높이기 위해서, 상시에도 스테레오 영상시스템과 Xband 레이다 영상시스템을 동시에 운영한다.
또한, 주간에 동시에 관측한 영상자료들을 인공지능 추가학습 및 복원모델의 입력자료로 활용하여, 야간에만 운영하는 레이다 영상의 파랑에너지 측정 정확도를 높일 수 있다.
이상에서 설명한 본 발명에 따른 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치 및 방법은 스테레오 영상시스템과 x밴드 영상시스템을 통한 자료를 동시에 수집하여 획득한 관측결과를 융합하여 기계학습으로 정확도 높은 전천후 파고 및 파향스펙트럼의 관측이 가능하도록 한 것이다.
본 발명은 주간에 동시에 관측한 영상자료들을 인공지능 추가학습 및 복원모델의 입력자료로 활용하여, 야간에만 운영하는 레이다 영상의 파랑에너지 측정 정확도를 높일 수 있도록 한다.
이상에서의 설명에서와 같이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명이 구현되어 있음을 이해할 수 있을 것이다.
그러므로 명시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 하고, 본 발명의 범위는 전술한 설명이 아니라 특허청구 범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
51. 스테레오 영상 입력부 52. X밴드 영상 입력부
53. 제 1 변환부 54. 제 2 변환부
55. 제 1 에너지 대역 구분부 56. 제 2 에너지 대역 구분부
57. 파랑 에너지 복원 모델 구축부 58. 실제 해수면 변환 결과 산출부
59. 파랑에너지 스펙트럼 계산부
53. 제 1 변환부 54. 제 2 변환부
55. 제 1 에너지 대역 구분부 56. 제 2 에너지 대역 구분부
57. 파랑 에너지 복원 모델 구축부 58. 실제 해수면 변환 결과 산출부
59. 파랑에너지 스펙트럼 계산부
Claims (10)
- 해수면 스테레오 광학영상 및 xband 레이다 영상으로부터 3차원 입방체 자료를 산출하는 스테레오 영상 입력부 및 X밴드 영상 입력부;
실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 각각 산출하는 제 1,2 변환부;
실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 각각 산출하는 제 1,2 에너지 대역 구분부;
인공지능 학습으로 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출하는 복원모델을 도출하는 파랑 에너지 복원 모델 구축부;
새롭게 수집되는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출부;
실제 해수면 3DFFT변환 결과물로부터 파주기-파향의 2차원 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산부;를 포함하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치. - 제 1 항에 있어서, 제 1,2 에너지 대역 구분부는,
각각 실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터,
에너지 대역을 파고 에너지 대역과 노이즈 에너지 대역을 구분하고 각 대역에 대한 에너지의 총합을 산출하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치. - 제 1 항에 있어서, 파랑 에너지 복원 모델 구축부는,
설정 기간 동안 스테레오 광학영상과 xband 레이다 영상을 수집하고 3차원 입방체 자료를 구하는 과정, 3DFFT변환 입방체 결과물을 구하는 과정, 파고 에너지 대역과 노이즈 에너지 대역을 구분하여 각 대역에 대한 에너지의 총합을 따로 따로 구하는 과정을 반복하며 확보된 자료를 이용하여 파랑 에너지 복원 모델을 구축하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 장치. - 해수면 스테레오 광학영상 및 xband 레이다 영상으로부터 3D 시계열자료를 산출하는 영상 입력 단계;
실제 해수면 3차원 입방체 및 레이다의 해수면 반사파고 3차원 입방체로부터 3D푸리에변환(3DFFT)을 통하여 3DFFT변환 입방체 결과물을 각각 산출하는 변환 단계;
실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터 에너지 대역을 구분하고, 각 대역에 대한 에너지의 총합을 각각 산출하는 에너지 대역 구분 단계;
인공지능 학습으로 레이다 영상 기반 3DFFT변환 결과물로부터 실제 해수면 3DFFT변환 결과물을 도출하는 복원모델을 도출하는 파랑 에너지 복원 모델 구축 단계;
새롭게 수집되는 Xband 레이다 영상에 대해서, 인공지능 기반의 파랑에너지 복원 모델을 적용하여 실제 해수면 3DFFT변환 결과물을 계산하는 실제 해수면 변환 결과 산출 단계;
실제 해수면 3DFFT변환 결과물로부터 파주기-파향의 2차원 파랑에너지 스펙트럼을 계산하는 파랑에너지 스펙트럼 계산 단계;를 포함하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법. - 제 4 항에 있어서, 에너지 대역 구분 단계는,
각각 실제 해수면 3DFFT변환 입방체 결과물 및 레이다의 해수면 반사파고 3DFFT변환 입방체 결과물로부터,
에너지 대역을 파고 에너지 대역과 노이즈 에너지 대역을 구분하고 각 대역에 대한 에너지의 총합을 산출하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법. - 제 4 항에 있어서, 파랑 에너지 복원 모델 구축 단계는,
설정 기간 동안 스테레오 광학영상과 xband 레이다 영상을 수집하고,
3차원 입방체 자료를 구하는 과정, 3DFFT변환 입방체 결과물을 구하는 과정, 파고 에너지 대역과 노이즈 에너지 대역을 구분하여 각 대역에 대한 에너지의 총합을 따로 따로 구하는 과정을 반복하며 확보된 자료를 이용하여 파랑 에너지 복원 모델을 구축하는 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법. - 제 4 항에 있어서, 파랑에너지 스펙트럼 계산 단계에서,
실제 해수면 3DFFT변환 입방체 결과물로부터, f축으로 적분한 이후, 분산관계식과 야코비안변환 관계식을 적용하여 2차원 파랑 에너지 스펙트럼을,
으로 구하고,
여기서, F: 3차원 입방체, h: 해수면높이, f: 파주파수(또는 파주기의 역수), k: 파수(wavenumber), t: 시간, e: 자연수, i: 허수인 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법. - 제 7 항에 있어서, 분산관계식은,
이고,
여기서, d: 수심, g: 중력가속도인 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법. - 제 7 항에 있어서, 야코비안변환 관계식은,
인 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법.
- 제 7 항에 있어서, 최종적으로 3DFFT 결과 입방체의 2차원 파랑에너지 스펙트럼 변환 수식은,
이고,
여기서, θ: 파향을 나타내는 각도, G: F를 파주파수 f축으로 적분 결과, dk/df: 야코비안변환 관계식, E: 2차원 파랑에너지 스펙트럼인 것을 특징으로 하는 해수면 스테레오 광학영상과 X 밴드 레이다영상의 융합 및 기계학습을 통한 2D 파랑 측정을 위한 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210084953A KR102509980B1 (ko) | 2021-06-29 | 2021-06-29 | 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210084953A KR102509980B1 (ko) | 2021-06-29 | 2021-06-29 | 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230001875A true KR20230001875A (ko) | 2023-01-05 |
| KR102509980B1 KR102509980B1 (ko) | 2023-03-14 |
Family
ID=84926116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210084953A KR102509980B1 (ko) | 2021-06-29 | 2021-06-29 | 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102509980B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116482677A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种基于海雾观测的多雷达协同控制扫描调度方法 |
| CN118565448A (zh) * | 2024-08-05 | 2024-08-30 | 武汉理工大学三亚科教创新园 | 一种基于明暗恢复形状的非接触式波浪测量方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102681033A (zh) * | 2012-04-27 | 2012-09-19 | 哈尔滨工程大学 | 一种基于x波段航海雷达的海面风场测量方法 |
| KR20160038287A (ko) | 2014-09-30 | 2016-04-07 | 한국전력공사 | 해수면 데이터 분석을 통한 파랑변수 산출 방법 |
| CN111624599A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种航海雷达反演海浪有效波高计算方法 |
| KR102156309B1 (ko) | 2020-08-05 | 2020-09-15 | 안경모 | 해안 해수면을 관측하기 위한 전자 장치 및 방법 |
| KR102157578B1 (ko) * | 2018-12-20 | 2020-09-18 | 한동대학교 산학협력단 | 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 |
| KR102170597B1 (ko) | 2020-08-05 | 2020-10-27 | 한동대학교 산학협력단 | 해안 해수면 관측 시스템 |
| KR20210067721A (ko) * | 2019-11-29 | 2021-06-08 | 동명대학교산학협력단 | 인공신경망을 이용한 해양환경 예측 시스템 및 방법 |
-
2021
- 2021-06-29 KR KR1020210084953A patent/KR102509980B1/ko active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102681033A (zh) * | 2012-04-27 | 2012-09-19 | 哈尔滨工程大学 | 一种基于x波段航海雷达的海面风场测量方法 |
| KR20160038287A (ko) | 2014-09-30 | 2016-04-07 | 한국전력공사 | 해수면 데이터 분석을 통한 파랑변수 산출 방법 |
| KR102157578B1 (ko) * | 2018-12-20 | 2020-09-18 | 한동대학교 산학협력단 | 레이더식 파랑측정 시스템에서 인공신경망을 이용한 유의파고 측정방법 |
| KR20210067721A (ko) * | 2019-11-29 | 2021-06-08 | 동명대학교산학협력단 | 인공신경망을 이용한 해양환경 예측 시스템 및 방법 |
| CN111624599A (zh) * | 2020-05-27 | 2020-09-04 | 哈尔滨工程大学 | 一种航海雷达反演海浪有效波高计算方法 |
| KR102156309B1 (ko) | 2020-08-05 | 2020-09-15 | 안경모 | 해안 해수면을 관측하기 위한 전자 장치 및 방법 |
| KR102170597B1 (ko) | 2020-08-05 | 2020-10-27 | 한동대학교 산학협력단 | 해안 해수면 관측 시스템 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116482677A (zh) * | 2023-06-25 | 2023-07-25 | 成都远望科技有限责任公司 | 一种基于海雾观测的多雷达协同控制扫描调度方法 |
| CN118565448A (zh) * | 2024-08-05 | 2024-08-30 | 武汉理工大学三亚科教创新园 | 一种基于明暗恢复形状的非接触式波浪测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102509980B1 (ko) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106990404B (zh) | 一种利用导航x波段雷达反演海面波高的自动定标算法 | |
| KR102509980B1 (ko) | 해수면 스테레오 광학영상과 ｘ 밴드 레이다영상의 융합 및 기계학습을 통한 2ｄ 파랑 측정을 위한 장치 및 방법 | |
| De Vries et al. | Remote sensing of surf zone waves using stereo imaging | |
| Fedele et al. | Space–time measurements of oceanic sea states | |
| Benetazzo et al. | Stereo wave imaging from moving vessels: Practical use and applications | |
| Long et al. | Accuracy assessment of coastal topography derived from UAV images | |
| CN103592650A (zh) | 基于图形处理器的三维声纳成像系统及其三维成像方法 | |
| Del Río et al. | A comparative approach of monitoring techniques to assess erosion processes on soft cliffs | |
| Xiong et al. | An effective method for submarine pipeline inspection using three-dimensional (3D) models constructed from multisensor data fusion | |
| White | Utilization of LIDAR and NOAA's vertical datum transformation tool (VDatum) for shoreline delineation | |
| Marghany et al. | 3-D reconstruction of coastal bathymetry from AIRSAR/POLSAR data | |
| Hasan et al. | Observation of a stormy wave field with X-band radar and its linear aspects | |
| Woolard et al. | Shoreline mapping from airborne lidar in Shilshole Bay, Washington | |
| De Vries et al. | Using stereo photogrammetry to measure coastal waves | |
| Bogatov et al. | Retrieval of wind Ripple Speed From Stereo Imagery of sea Surface: Preliminary Results | |
| Intelmann | Comments on hydrographic and topographic LIDAR acquisition and merging with multibeam sounding data acquired in the Olympic Coast National Marine Sanctuary | |
| Matsuba et al. | Stereo reconstruction of SURF zone waves using UAV | |
| Wei et al. | Measuring near-field wave elevation with monocular vision using self-supervised learning techniques | |
| Wang et al. | A method of above-water iceberg 3D modelling using surface imaging | |
| Kinsman et al. | Evaluation of vector coastline features extracted from ‘structure from motion’-derived elevation data | |
| Vieira et al. | Measuring Sea Surface Gravity Waves Using Smartphones | |
| Parente et al. | Multi-temporal evolution analysis of Maronti Cliff (Ischia Island, Italy) derived from multi-perspective photographic datasets | |
| De Kleermaeker et al. | Global-to-local scale storm surge modelling: operational forecasting and model sensitivities | |
| Bo et al. | Research on Submarine Pipeline Detection based on 3D Real-time Imaging Sonar Technology | |
| Yin et al. | Research on Building A Data Visualization System Based on a Seabed Model—Take the Hong Kong-Zhuhai-Macao Bridge as an Example |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |