CN116734750B - 基于光纤传感器的冰场冰层厚度智能检测方法及*** - Google Patents
基于光纤传感器的冰场冰层厚度智能检测方法及*** Download PDFInfo
- Publication number
- CN116734750B CN116734750B CN202311022172.4A CN202311022172A CN116734750B CN 116734750 B CN116734750 B CN 116734750B CN 202311022172 A CN202311022172 A CN 202311022172A CN 116734750 B CN116734750 B CN 116734750B
- Authority
- CN
- China
- Prior art keywords
- optical signal
- signal
- optical
- feature
- ice 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 79
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 230000003287 optical effect Effects 0.000 claims abstract description 305
- 239000011159 matrix material Substances 0.000 claims abstract description 106
- 239000013598 vector Substances 0.000 claims description 121
- 230000004927 fusion Effects 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 9
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 19
- 238000005259 measurement Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 239000000835 fiber Substances 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007792 addition Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于光纤传感器的冰场冰层厚度智能检测方法及***,涉及冰场智能化检测技术领域,所述方法包括:采集由部署于冰层下方的光纤传感器发射的光信号;对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及,基于所述光信号多模态特征矩阵,确定冰层厚度值。本发明可以准确地关联光信号的物理特征与冰层厚度,实现对冰层厚度的智能检测。
Description
技术领域
本申请涉及冰场智能化检测技术领域,并且更具体地,涉及一种基于光纤传感器的冰场冰层厚度智能检测方法及***。
背景技术
冰层厚度是冰场运营和维护的重要参数,它直接影响着冰面的质量和安全性。传统的冰层厚度检测方法主要依靠人工钻孔或者声波测量,这些方法不仅耗时耗力,而且精度低。
光纤传感器是一种利用光信号在光纤中传输的特性来感知外界物理量的传感器。光纤传感器具有体积小、重量轻、灵敏度高、抗干扰能力强、可靠性高等优点,适合用于冰场冰层厚度检测。然而,基于光纤传感器的冰场冰层厚度智能检测方法面临着一个关键的技术难点,即如何准确地分析和处理光信号,并将其与冰层厚度进行关联。由于光信号在光纤中传输过程中会受到多种因素的影响,导致其强度、波长等物理特征与冰层厚度之间可能存在复杂的非线性关系。
因此,开发一种基于光纤传感器的冰场冰层厚度智能检测方法具有重要的实际价值。
发明内容
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冰场冰层厚度智能检测方法及***,可以准确地关联光信号的物理特征与冰层厚度,实现对冰层厚度的智能检测。
第一方面,提供了一种基于光纤传感器的冰场冰层厚度智能检测方法,其包括:
采集由部署于冰层下方的光纤传感器发射的光信号;
对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及
基于所述光信号多模态特征矩阵,确定冰层厚度值。
在本申请一个实施例中,对所述光信号进行图像特征提取以得到光信号多模态特征矩阵,包括:
对所述光信号进行图像预处理以得到预处理光信号;
从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及
对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵。
在本申请一个实施例中,对所述光信号进行图像预处理以得到预处理光信号,包括:
对所述光信号进行信号放大、滤波和降噪处理以得到所述预处理光信号。
在本申请一个实施例中,对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵,包括:
将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵。
在本申请一个实施例中,将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵,包括:
将所述预处理光信号通过所述信号编码器以得到信号特征向量;
将所述多个光信号物理特征通过所述序列编码器以得到序列特征向量;
将所述信号特征向量和所述序列特征向量按位置相乘以得到所述光信号多模态特征矩阵。
在本申请一个实施例中,基于所述光信号多模态特征矩阵,确定冰层厚度值,包括:
对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵;以及
将所述优化光信号多模态特征矩阵通过解码器以得到解码值,所述解码值用于表示冰层厚度值。
在本申请一个实施例中,对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵,包括:
对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
将所述融合特征向量与所述融合特征向量的转置向量相乘以得到融合特征矩阵;以及
融合所述融合特征矩阵与所述光信号多模态特征矩阵以得到所述优化光信号多模态特征矩阵。
在本申请一个实施例中,对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量,包括:
以如下优化公式对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
其中,所述优化公式为:
其中,V1是所述信号特征向量,V2是所述序列特征向量,V2 T 是所述序列特征向量的转置向量,Vc是所述融合特征向量,p1≠p2,Lp1和Lp2表示基于希尔伯特空间的非齐次闵式距离,且p1和p2为超参数,/>和分别是所述信号特征向量V1和所述序列特征向量V2的全局特征均值,且所述信号特征向量V1和所述序列特征向量V2为行向量,/>表示按位置点乘,/>表示按位置加法,/>表示协方差矩阵。
第二方面,提供了一种基于光纤传感器的冰场冰层厚度智能检测***,其包括:
光信号采集模块,用于采集由部署于冰层下方的光纤传感器发射的光信号;
图像特征提取模块,用于对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及
冰层厚度值确定模块,用于基于所述光信号多模态特征矩阵,确定冰层厚度值。
在本申请一个实施例中,所述图像特征提取模块,包括:
图像预处理单元,用于对所述光信号进行图像预处理以得到预处理光信号;
物理特征提取单元,用于从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及
联合分析单元,用于对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵。
本申请的有益效果为:通过采集由部署于冰层下方的光纤传感器发射的光信号来确定冰层厚度值,能准确地关联光信号的物理特征与冰层厚度,实现对冰层厚度的智能检测,并为冰场管理人员提供决策支持。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的流程图。
图2为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的架构示意图。
图3为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测***的框图。
图5为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,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,本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,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,以使这里描述的本申请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。
应可以理解,冰层厚度是指冰面上冰层的厚度,是冰场运营和维护的重要参数之一,冰层厚度直接影响着冰面的质量和安全性,对于冰场的使用和管理具有重要意义。冰层厚度是冰场安全性的关键指标,当冰层厚度不足时,冰面容易出现开裂、下沉或断裂等情况,增加了人员和设备的安全风险。通过准确监测和控制冰层厚度,可以确保冰场的安全运营。
冰层厚度直接影响冰面的平整度和稳定性,较厚的冰层可以提供更好的平整度和稳定性,提供更好的滑冰和冰球比赛的条件,提高用户体验和满意度。冰层厚度的控制与冰场的能效管理密切相关,适当控制冰层厚度可以减少能量消耗,降低冰场的运营成本。过厚或过薄的冰层都会导致能量浪费和不必要的费用。冰层厚度的合理控制可以保护冰场设备的寿命和性能,过厚的冰层可能对冰刀和冰场设备造成损坏,而过薄的冰层则可能导致设备磨损和损坏。
为了确保冰场的正常运营和用户的安全,冰层厚度需要进行定期监测和检测。传统的冰层厚度检测方法主要依靠人工钻孔或声波测量,但这些方法耗时耗力且精度有限。因此,开发基于光纤传感器和人工智能技术的冰层厚度智能检测方法具有重要的实际价值,可以提高检测效率和准确性,为冰场运营和维护提供更好的支持。
进一步地,光纤传感器是一种利用光信号在光纤中传输的特性来感知外界物理量的传感器。利用光纤的高折射率和反射特性,将光信号传输到被测物理量的位置,并通过测量光信号的变化来获取被测物理量的信息。
光纤传感器具有以下优点:1.高灵敏度,光纤传感器可以通过测量光信号的强度、相位、频率等参数来感知微小的物理量变化,具有高灵敏度。2.抗干扰能力强,光纤传感器的工作原理使其具有良好的抗电磁干扰和抗化学腐蚀能力,可以在恶劣的环境条件下工作。3.体积小、重量轻,光纤传感器的传感元件可以制作得非常小巧,便于安装和布置,对被测***的影响较小。4.长距离传输,光纤传感器可以实现光信号的长距离传输,可以将传感器与信号处理单元相隔较远,提高了***的灵活性和可靠性。5.可靠性高,光纤传感器不受电磁干扰和湿度影响,具有较长的使用寿命和稳定性。
光纤传感器在各个领域都有广泛的应用,包括工业控制、环境监测、医疗诊断、结构健康监测等。在冰场冰层厚度检测中,光纤传感器可以通过感知光信号在冰层中的传输特性,实现对冰层厚度的智能检测。
光纤传感器可以实现对冰层厚度的高精度测量,通过分析和处理光信号的特征,可以准确地关联光信号的物理特性与冰层厚度,提供准确的测量结果。相比传统的人工钻孔或声波测量方法,光纤传感器可以提供更精确的冰层厚度数据。
光纤传感器可以实时监测冰层厚度的变化,传感器可以连续地获取数据,并通过实时数据传输和处理,及时反馈冰层厚度的变化情况。这有助于冰场管理人员及时采取措施,确保冰层厚度在安全范围内。
基于光纤传感器的冰层厚度智能检测方法可以提高检测效率和减少人力资源的投入,传感器可以自动化地进行测量,无需人工操作,节省了时间和人力成本。此外,准确的冰层厚度数据可以帮助冰场管理人员合理安排冰场的使用和维护计划,提高资源利用效率。
光纤传感器可以提供对冰层厚度变化的实时监测,有助于及时发现冰层薄弱或存在风险的区域,还有助于冰场管理人员采取预防措施,避免冰面的意外事故发生,提高冰场的安全性。
光纤传感器获取的冰层厚度数据可以进行数据分析和处理,提取有价值的信息。通过对数据的分析,冰场管理人员可以了解冰层的变化趋势和特征,做出相应的决策和调整,以优化冰场的运营和维护策略。
基于光纤传感器的冰场冰层厚度智能检测方法具有高精度、实时监测、高效率、安全性和数据分析等优势,能够提高冰场的运营和维护效果,保障用户的安全和满意度。
图1为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的流程图。图2为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的架构示意图。如图1和图2所示,所述基于光纤传感器的冰场冰层厚度智能检测方法,包括:110,采集由部署于冰层下方的光纤传感器发射的光信号;120,对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及,130,基于所述光信号多模态特征矩阵,确定冰层厚度值。
在所述步骤110中,在部署光纤传感器时,确保传感器与冰层之间的接触良好,以确保光信号的传输质量。此外,应选择适合冰场环境的光纤传感器,具有耐寒、防水等特性。通过采集光纤传感器发射的光信号,可以实时获取冰层下方的信息,为后续的冰层厚度测量提供数据基础。
在所述步骤120中,在进行图像特征提取时,选择适当的算法和方法来提取光信号的特征。可以考虑使用图像处理和模式识别技术,如滤波、边缘检测、纹理分析等。通过图像特征提取,可以将光信号转化为多模态特征矩阵,提取出光信号中的关键信息,如强度、相位、频率等,为后续的冰层厚度测量提供更准确的数据。
在所述步骤130中,在确定冰层厚度值时,建立合适的模型或算法来分析光信号特征与冰层厚度之间的关系。可以使用机器学习、模式识别等方法,建立冰层厚度预测模型。通过基于光信号多模态特征矩阵的分析,可以准确地确定冰层厚度值。这有助于实时监测冰层的厚度变化,及时采取措施确保冰层的安全性,并为冰场管理人员提供决策支持。
基于光纤传感器的冰场冰层厚度智能检测方法中,传感器的部署和选择、特征提取算法的选择,以及模型建立非常重要,通过上述步骤可以实时获取冰层下方信息、提供准确的冰层厚度数据,以及为冰场管理人员提供决策支持。
具体地,在所述步骤110中,采集由部署于冰层下方的光纤传感器发射的光信号。针对上述技术问题,本申请的技术构思是结合人工智能技术,通过光信号的分析和处理,准确地关联光信号的物理特征与冰层厚度,实现对冰层厚度的智能检测。
基于此,在本申请的技术方案中,首先,采集由部署于冰层下方的光纤传感器发射的光信号,其中,光信号中可以提取一定的有用信息用于最后确定冰层厚度值,其包括:
光信号强度:光信号的强度可以提供关于冰层厚度的初步信息。通常情况下,光信号的强度会随着冰层厚度的增加而减弱。通过测量光信号的强度,可以对冰层的相对厚度进行初步估计。
光信号相位:光信号的相位可以提供关于冰层厚度的更详细信息。当光信号穿过冰层时,由于光的传播速度与介质折射率相关,光信号的相位会受到冰层厚度的影响而发生变化。通过测量光信号的相位差异,可以推断出冰层的厚度。
光信号频率:光信号的频率也可以提供关于冰层厚度的信息。冰层的厚度会对光信号的频率产生影响,导致频率的变化。通过分析光信号的频率特征,可以推断出冰层的厚度。
光信号传播时间:光信号穿过冰层所需的传播时间也可以用于确定冰层厚度。通过测量光信号在冰层中传播的时间,可以计算出光信号在冰层中的传播速度,从而推算出冰层的厚度。
综合利用以上提到的光信号特征,可以建立模型或算法来确定冰层的厚度值。这些特征的组合可以提供更准确的冰层厚度测量结果,为冰场管理人员提供准确的决策支持。
进一步地,光纤传感器发射的光信号可以穿透冰层并与冰层下方的介质相互作用,通过采集这些光信号,可以获取冰层下方的信息,例如冰层下方的介质类型、密度、形态等。这些信息对于冰层厚度的确定非常重要,因为不同的介质会对光信号产生不同的响应。
光信号的传输路径经过冰层,其传播特性会受到冰层厚度的影响。通过采集光信号,可以获得冰层上表面和下表面的光信号特征,从而建立起一个测量基准,通过对比这两个特征,可以确定冰层的厚度。因此,采集光信号是测量冰层厚度的关键步骤之一。
采集到的光信号可以作为输入数据用于后续的图像特征提取和冰层厚度确定,通过对光信号进行分析和处理,可以提取出光信号的特征,如强度、相位、频率等,形成多模态特征矩阵。多模态特征矩阵可以用于建立模型或算法,进一步确定冰层的厚度值。
采集由部署于冰层下方的光纤传感器发射的光信号对最后确定冰层厚度值具有至关重要的作用,提供了冰层下方的信息、测量基准和输入数据,为后续的图像特征提取和冰层厚度确定步骤奠定了基础。
具体地,在所述步骤120中,对所述光信号进行图像特征提取以得到光信号多模态特征矩阵。图3为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法中步骤120的子步骤的流程图,如图3所示,对所述光信号进行图像特征提取以得到光信号多模态特征矩阵,包括:121,对所述光信号进行图像预处理以得到预处理光信号;122,从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及,123,对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵。
首先,通过光信号的图像特征提取,可以实时获取冰层下方的信息,这些信息包括冰层厚度、介质类型、散射特性、反射特性等。实时获取这些信息可以帮助冰场管理人员及时了解冰层状况,及时采取相应的措施,提高冰场的运营效果。然后,通过多模态特征矩阵的提取和分析,可以得到更准确的冰层厚度数据。光信号的多个物理特征,如强度、波长、相位、散射特性、反射特性和光强衰减率等,可以提供丰富的信息来推断冰层的厚度,联合分析这些特征可以降低误差,并提高冰层厚度的测量精度。接着,光信号多模态特征矩阵的提取和分析结果可以为冰场管理人员提供决策支持。基于这些特征矩阵,可以建立模型或算法来预测冰场的运行情况、评估冰层的稳定性,并提供针对性的维护建议,有助于冰场管理人员制定合理的管理策略,提高冰场的安全性和运营效率。
利用光信号进行图像特征提取以得到光信号多模态特征矩阵具有实时获取冰层下方信息、提供准确的冰层厚度数据和为冰场管理人员提供决策支持等有益效果,改善冰场的运营和维护效果,提高用户的安全和满意度。
对于所述步骤121,包括:对所述光信号进行信号放大、滤波和降噪处理以得到所述预处理光信号。
对所述光信号进行信号放大、滤波和降噪处理以得到预处理光信号。这里,考虑到光信号在传输过程中会发生衰减,尤其是在长距离传输或存在光纤损耗的情况下,通过放大处理,可以增强光信号的强度。与此同时,光纤传感器的信号可能受到光纤本身的噪声干扰,例如光纤中的散射、弯曲或连接接头处的反射等。这些噪声信号会引入到光信号中,影响后续分析的准确性。通过滤波处理可以去除或减少这些噪声信号,提高信号质量。此外,光纤传感器所处的环境可能存在其他光源的干扰,例如周围的光照、电磁辐射等。这些干扰信号会混入到光纤传感器发射的光信号中,造成冰层厚度检测结果的误差。通过滤波和降噪处理可以抑制这些干扰信号,提高冰层厚度检测的准确性和可靠性。
应可以理解,通过信号放大处理,可以增强光信号的强度,这对于光信号较弱的情况下尤为重要,可以提高信号的可靠性和稳定性,使得后续处理更加准确和可靠。
光信号在传输和采集过程中可能会受到各种噪声和干扰的影响,如电磁干扰、光学噪声等,通过滤波处理,可以去除这些噪声和干扰,使得光信号更加清晰和可靠。有助于提高信号的质量和准确性。
预处理光信号经过放大、滤波和降噪处理后,可以减少由于信号弱、噪声和干扰等因素引起的误差,有助于提高冰层厚度测量的精度和准确性,使得最终得到的冰层厚度数据更可靠和准确。
预处理光信号的信号放大、滤波和降噪处理有助于提高***的稳定性,通过消除噪声和干扰,信号的稳定性得到改善,***的工作表现更加可靠和稳定。对于长期监测和持续运行的光纤传感器***尤为重要。
对光信号进行信号放大、滤波和降噪处理以得到预处理光信号具有增强信号强度、滤除噪声和干扰、降低误差和提高精度,以及提高***稳定性等有益效果。有助于提高冰层厚度测量的可靠性和准确性,并为冰场管理人员提供更可靠的决策支持。
对于所述步骤122,接着,从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率。
其中,光信号的强度是指光的能量或功率,在预处理光信号中,通过测量光的强度,可以获取关于光信号的能量水平。强度可以用于评估光信号的强弱,反映光的传输和衰减情况。
光信号的波长是指光波的空间周期性,波长决定了光信号的颜色和频率。通过测量预处理光信号的波长,可以了解光信号所处的频段范围,进而推断出光的特性和传播介质的性质。
光信号的相位是指光波的位置或偏移,相位描述了光波的起伏和振动情况。通过测量预处理光信号的相位,可以获取关于光波的相对位置和相对变化的信息。
散射是光在介质中遇到不均匀性而改变方向或传播路径的现象,预处理光信号中的散射特性描述了光在冰层内部的散射行为。通过分析散射特性,可以了解冰层内部的结构和密度分布等信息。
反射是光遇到界面时从介质中反射回来的现象,预处理光信号的反射特性描述了光在冰层表面的反射行为。通过分析反射特性,可以推断冰层的表面性质和反射率等信息。
光强衰减率是指光信号在传输过程中的衰减速率,预处理光信号的光强衰减率描述了光信号的衰减情况。通过分析光强衰减率,可以评估光信号在冰层中的传输损耗和衰减情况。
这些光信号物理特征提供了关于光信号的不同方面的信息,可以用于推断冰层的厚度、结构和性质等。通过联合分析这些特征,可以得到光信号的多模态特征矩阵,进而实现对冰层厚度的智能检测和评估。
对于所述步骤123,在本申请的一个具体示例中,对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵的编码过程,包括:将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到光信号多模态特征矩阵。
在本申请中,信号编码器负责将预处理光信号转化为信号特征向量,可以采用各种机器学习或深度学习方法,如卷积神经网络(CNN)或自编码器(Autoencoder)。信号编码器接收预处理光信号作为输入,并通过一系列的特征提取和转换操作,将光信号转化为具有固定维度的特征向量。这些特征向量捕捉了光信号的强度、波长、相位、散射特性、反射特性和光强衰减率等物理特征。
序列编码器负责将多个光信号物理特征转化为序列特征向量,可以采用循环神经网络(RNN)或长短时记忆网络(LSTM)等模型。序列编码器接收多个光信号物理特征作为输入,并通过对这些特征进行时序建模,将它们转化为具有固定维度的序列特征向量。这些序列特征向量描述了光信号物理特征的时序变化和相关性。
多模态联合编码器将信号编码器和序列编码器进行整合,将信号特征向量和序列特征向量进行按位置相乘的操作,得到光信号多模态特征矩阵。按位置相乘操作实现了不同特征之间的交互和融合,使得光信号的多个物理特征能够相互影响和补充。这样得到的多模态特征矩阵综合了信号特征和序列特征的信息,具有更全面和丰富的特征表达能力。
对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵。也就是,同时利用光信号的图像特征信息和光信号中多个物理特征间的关联特征信息来增强光信号的特征表达。
在本申请的一个实施例中,将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵,包括:将所述预处理光信号通过所述信号编码器以得到信号特征向量;将所述多个光信号物理特征通过所述序列编码器以得到序列特征向量;将所述信号特征向量和所述序列特征向量按位置相乘以得到所述光信号多模态特征矩阵。
应可以理解,首先,通过将光信号的不同物理特征提取为特征向量,可以综合利用多个信息源的信息。信号特征向量捕捉了光信号本身的特性,而序列特征向量则反映了光信号物理特征的时序变化,将它们按位置相乘可以将两种特征进行融合,得到一个更全面、更丰富的多模态特征矩阵。
然后,光信号的物理特征具有不同的信息含量和表达能力,通过将它们转化为特征向量,并进行按位置相乘的操作,可以将不同特征之间的相关性和相互作用考虑进去。这样可以提高特征的表达能力,使得光信号的多模态特征矩阵更能准确地反映冰层厚度的信息。
接着,光信号的多模态特征矩阵可以将原始数据的维度降低到一个较低的特征空间中,有助于减少数据的冗余和噪声,提高特征的鲁棒性和稳定性。同时,通过按位置相乘的操作,可以将不同特征之间的相关性进行编码,从而实现对光信号信息的压缩和提取。
最后,光信号的多模态特征矩阵综合了多个信息源的特征,具有更全面和丰富的信息,有助于提高冰层厚度检测的准确性和可靠性。通过对多模态特征矩阵进行分析和建模,可以得到更精确的冰层厚度数据,并为冰场管理人员提供更准确的决策支持。
将预处理光信号通过信号编码器和序列编码器得到信号特征向量和序列特征向量,并将它们按位置相乘以得到光信号多模态特征矩阵具有综合多个信息源、提高特征表达能力、维度降低和信息压缩,以及提高冰层厚度检测准确性等有益效果。这将为冰场管理和冰层厚度监测提供更可靠和准确的数据和决策支持。
具体地,在所述步骤130中,基于所述光信号多模态特征矩阵,确定冰层厚度值,包括:对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵;以及,将所述优化光信号多模态特征矩阵通过解码器以得到解码值,所述解码值用于表示冰层厚度值。
通过对光信号多模态特征矩阵进行特征分布优化,可以使得特征在特征空间中更好地分布和区分,有助于提高特征的可分性和表达能力,使得特征更具有冰层厚度的区分度。优化后的特征分布可以更好地反映不同冰层厚度之间的差异和特征之间的相关性,从而提高解码器对冰层厚度的准确预测能力。
解码器是一个用于将优化光信号多模态特征矩阵转化为解码值的模型,可以是一个回归模型或分类模型,根据具体任务的需求而定。解码器接收优化后的光信号多模态特征矩阵作为输入,并通过学习特征与冰层厚度之间的映射关系,生成表示冰层厚度的解码值。这样,解码值可以直接用于表示冰层厚度的数值或进行分类判断。
通过对光信号多模态特征矩阵进行特征分布优化和解码器的生成,可以提高冰层厚度检测的准确性。优化后的特征分布和解码器的学习能力使得解码值更能准确地反映冰层厚度的实际情况。这有助于提高冰场管理人员对冰层厚度的判断和决策的准确性,从而降低潜在的风险和危险。
在本申请的一个实施例中,对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵,包括:对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;将所述融合特征向量与所述融合特征向量的转置向量相乘以得到融合特征矩阵;以及,融合所述融合特征矩阵与所述光信号多模态特征矩阵以得到所述优化光信号多模态特征矩阵。
在本申请的技术方案中,将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器时,是将所述信号编码器得到的信号特征向量与所述序列编码器得到的序列特征向量按位置相乘以得到所述光信号多模态特征矩阵,这样,在所述光信号多模态特征矩阵中,相对于所述信号特征向量与所述序列特征向量的跨位置关联,尽管在对角线位置上表达了所述信号特征向量与所述序列特征向量的跨点对应性关联,所述光信号多模态特征矩阵的整体特征分布仍然会偏离于所述信号特征向量和所述序列特征向量的逐点特征值排列分布,从而偏离所述信号特征向量和所述序列特征向量各自的整体特征分布,导致其特征表达偏离所述信号编码器和所述序列编码器分别编码的图像语义关联特征和参数序列关联特征。
基于此,本申请的申请人考虑到所述信号特征向量和所述序列特征向量的跨模态非齐次性,首先对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习,表示为:以如下优化公式对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;其中,所述优化公式为:
其中,V1是所述信号特征向量,V2是所述序列特征向量,V2 T 是所述序列特征向量的转置向量,Vc是所述融合特征向量,p1≠p2,Lp1和Lp2表示基于希尔伯特空间的非齐次闵式距离,且p1和p2为超参数,/>和分别是所述信号特征向量V1和所述序列特征向量V2的全局特征均值,且所述信号特征向量V1和所述序列特征向量V2为行向量,/>表示按位置点乘,/>表示按位置加法,/>表示协方差矩阵。
这样,通过以非齐次的希尔伯特空间度量对向量点关联进行一维卷积,来针对高维特征表示的特征流形在高维特征空间内具有的非轴对齐(non-axis alignment)特性,在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习,并以面向所述信号特征向量V1和所述序列特征向量V2各自分布收敛方向的空中度量(aerialmeasurement)为修正,提升了所述信号特征向量V1和所述序列特征向量V2间的非齐次逐点融合性,从而使得融合特征向量Vc表达了所述信号编码器和所述序列编码器分别编码的图像语义关联特征和参数序列关联特征的序列化分布。然后,再次所述融合特征向量Vc乘以其自身的转置得到融合特征矩阵后进一步与所述光信号多模态特征矩阵融合,就可以提升所述光信号多模态特征矩阵的特征表达与所述信号编码器和所述序列编码器分别编码的图像语义关联特征和参数序列关联特征的分布一致性。
进而,将所述光信号多模态特征矩阵通过解码器以得到解码值,所述解码值用于表示冰层厚度值。
综上,基于本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法被阐明,其结合人工智能技术,通过光信号的分析和处理,准确地关联光信号的物理特征与冰层厚度,实现对冰层厚度的智能检测。
在本申请的一个实施例中,图4为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测***的框图。如图4所示,根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测***200,包括:光信号采集模块210,用于采集由部署于冰层下方的光纤传感器发射的光信号;图像特征提取模块220,用于对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及,冰层厚度值确定模块230,用于基于所述光信号多模态特征矩阵,确定冰层厚度值。
具体地,在所述基于光纤传感器的冰场冰层厚度智能检测***中,所述图像特征提取模块,包括:图像预处理单元,用于对所述光信号进行图像预处理以得到预处理光信号;物理特征提取单元,用于从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及,联合分析单元,用于对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵。
这里,本领域技术人员可以理解,上述基于光纤传感器的冰场冰层厚度智能检测***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3的基于光纤传感器的冰场冰层厚度智能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,根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测***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冰场冰层厚度智能检测的服务器等。在一个示例中,根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测***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冰场冰层厚度智能检测***200可以是该终端设备的操作***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冰场冰层厚度智能检测***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冰场冰层厚度智能检测***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冰场冰层厚度智能检测***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5为根据本申请实施例的基于光纤传感器的冰场冰层厚度智能检测方法的场景示意图。如图5所示,在该应用场景中,首先,采集由部署于冰层下方的光纤传感器发射的光信号(例如,如图5中所示意的C);然后,将获取的光信号输入至部署有基于光纤传感器的冰场冰层厚度智能检测算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于光纤传感器的冰场冰层厚度智能检测算法对所述光信号进行处理,以确定冰层厚度值。
还需要指出的是,在本申请的装置、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申请的等效方案。
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申请。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申请的范围。因此,本申请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。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请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 (3)
1.一种基于光纤传感器的冰场冰层厚度智能检测方法,其特征在于,包括:
采集由部署于冰层下方的光纤传感器发射的光信号;
对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及
基于所述光信号多模态特征矩阵,确定冰层厚度值;
对所述光信号进行图像特征提取以得到光信号多模态特征矩阵,包括:
对所述光信号进行图像预处理以得到预处理光信号;
从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及
对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵;
对所述光信号进行图像预处理以得到预处理光信号,包括:
对所述光信号进行信号放大、滤波和降噪处理以得到所述预处理光信号;
对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵,包括:
将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵;
将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵,包括:
将所述预处理光信号通过所述信号编码器以得到信号特征向量;
将所述多个光信号物理特征通过所述序列编码器以得到序列特征向量;
将所述信号特征向量和所述序列特征向量按位置相乘以得到所述光信号多模态特征矩阵;
基于所述光信号多模态特征矩阵,确定冰层厚度值,包括:
对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵;以及
将所述优化光信号多模态特征矩阵通过解码器以得到解码值,所述解码值用于表示冰层厚度值;
对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵,包括:
对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
将所述融合特征向量与所述融合特征向量的转置向量相乘以得到融合特征矩阵;以及
融合所述融合特征矩阵与所述光信号多模态特征矩阵以得到所述优化光信号多模态特征矩阵。
2.根据权利要求1所述的基于光纤传感器的冰场冰层厚度智能检测方法,其特征在于,对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量,包括:
以如下优化公式对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
其中,所述优化公式为:
其中,V1是所述信号特征向量,V2是所述序列特征向量,V2 T 是所述序列特征向量的转置向量,Vc是所述融合特征向量,p1≠p2,Lp1和Lp2表示基于希尔伯特空间的非齐次闵式距离,且p1和p2为超参数,/>和/>分别是所述信号特征向量V1和所述序列特征向量V2的全局特征均值,且所述信号特征向量V1和所述序列特征向量V2为行向量,/>表示按位置点乘,/>表示按位置加法,/>表示协方差矩阵。
3.一种基于光纤传感器的冰场冰层厚度智能检测***,其特征在于,包括:
光信号采集模块,用于采集由部署于冰层下方的光纤传感器发射的光信号;
图像特征提取模块,用于对所述光信号进行图像特征提取以得到光信号多模态特征矩阵;以及
冰层厚度值确定模块,用于基于所述光信号多模态特征矩阵,确定冰层厚度值;
所述图像特征提取模块,包括:
图像预处理单元,用于对所述光信号进行图像预处理以得到预处理光信号;
物理特征提取单元,用于从所述预处理光信号提取多个光信号物理特征,所述多个光信号物理特征包括强度、波长、相位、散射特性、反射特性和光强衰减率;以及
联合分析单元,用于对所述多个光信号物理特征和所述预处理光信号进行多模态下的联合分析以得到所述光信号多模态特征矩阵;
所述图像预处理单元,具体用于:
对所述光信号进行信号放大、滤波和降噪处理以得到所述预处理光信号;
所述联合分析单元,具体用于:
将所述预处理光信号和所述多个光信号物理特征通过包含信号编码器和序列编码器的多模态联合编码器以得到所述光信号多模态特征矩阵;
所述图像预处理单元,具体用于:
将所述预处理光信号通过所述信号编码器以得到信号特征向量;
将所述多个光信号物理特征通过所述序列编码器以得到序列特征向量;
将所述信号特征向量和所述序列特征向量按位置相乘以得到所述光信号多模态特征矩阵;
所述冰层厚度值确定模块,具体用于:
对所述光信号多模态特征矩阵进行特征分布优化以得到优化光信号多模态特征矩阵;以及
将所述优化光信号多模态特征矩阵通过解码器以得到解码值,所述解码值用于表示冰层厚度值;
所述冰层厚度值确定模块,具体用于:
对所述信号特征向量与所述序列特征向量进行非齐次希尔伯特面上空间自适应点学习以得到融合特征向量;
将所述融合特征向量与所述融合特征向量的转置向量相乘以得到融合特征矩阵;以及
融合所述融合特征矩阵与所述光信号多模态特征矩阵以得到所述优化光信号多模态特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022172.4A CN116734750B (zh) | 2023-08-15 | 2023-08-15 | 基于光纤传感器的冰场冰层厚度智能检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022172.4A CN116734750B (zh) | 2023-08-15 | 2023-08-15 | 基于光纤传感器的冰场冰层厚度智能检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116734750A CN116734750A (zh) | 2023-09-12 |
CN116734750B true CN116734750B (zh) | 2023-10-27 |
Family
ID=87911854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022172.4A Active CN116734750B (zh) | 2023-08-15 | 2023-08-15 | 基于光纤传感器的冰场冰层厚度智能检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116734750B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930042B (zh) * | 2023-09-19 | 2023-12-01 | 常州建昊建筑鉴定检测有限公司 | 建筑防水材料性能检测设备及方法 |
CN116982953B (zh) * | 2023-09-27 | 2023-12-08 | 包头市中心医院 | 基于5g技术的孕产妇远程监测*** |
CN117168331B (zh) * | 2023-11-02 | 2024-01-02 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
CN117197878B (zh) * | 2023-11-07 | 2024-03-05 | 中影年年(北京)科技有限公司 | 基于机器学习的人物面部表情捕捉方法及*** |
CN117348574B (zh) * | 2023-11-24 | 2024-07-09 | 佛山市时力涂料科技有限公司 | 涂料生产线的智能化控制***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527962A (zh) * | 2020-12-17 | 2021-03-19 | 云从科技集团股份有限公司 | 基于多模态融合的智能应答方法、装置、机器可读介质及设备 |
CN115203380A (zh) * | 2022-09-19 | 2022-10-18 | 山东鼹鼠人才知果数据科技有限公司 | 基于多模态数据融合的文本处理***及其方法 |
WO2023050295A1 (zh) * | 2021-09-30 | 2023-04-06 | 中远海运科技股份有限公司 | 一种基于多模态异质特征融合的视频密集事件描述方法 |
CN116086368A (zh) * | 2023-03-07 | 2023-05-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰厚度的探测方法、探测装置及存储介质 |
CN116106878A (zh) * | 2022-12-28 | 2023-05-12 | 浙大城市学院 | 大数据分析***及方法 |
CN116295752A (zh) * | 2023-05-12 | 2023-06-23 | 深圳市蓝眼科技有限公司 | 用于smt上料设备的测试力度控制方法及*** |
CN116320459A (zh) * | 2023-01-08 | 2023-06-23 | 南阳理工学院 | 一种基于人工智能的计算机网络通信数据处理方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2003244800A1 (en) * | 2003-06-13 | 2005-01-04 | Aerospace Composite Technologies Ltd | Ice detection apparatus and method |
US20180039328A1 (en) * | 2014-04-21 | 2018-02-08 | The General Hospital Corporation | Biomedical system variably configured based on estimation of information content of input signals |
KR101886919B1 (ko) * | 2016-06-16 | 2018-09-11 | 한국표준과학연구원 | 영상분광광학계를 이용한 다층막 구조물의 두께와 형상 측정장치 및 측정방법 |
CN115859437A (zh) * | 2022-12-13 | 2023-03-28 | 深圳量云能源网络科技有限公司 | 基于分布式光纤传感***的导管架水下应力检测*** |
-
2023
- 2023-08-15 CN CN202311022172.4A patent/CN116734750B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112527962A (zh) * | 2020-12-17 | 2021-03-19 | 云从科技集团股份有限公司 | 基于多模态融合的智能应答方法、装置、机器可读介质及设备 |
WO2023050295A1 (zh) * | 2021-09-30 | 2023-04-06 | 中远海运科技股份有限公司 | 一种基于多模态异质特征融合的视频密集事件描述方法 |
CN115203380A (zh) * | 2022-09-19 | 2022-10-18 | 山东鼹鼠人才知果数据科技有限公司 | 基于多模态数据融合的文本处理***及其方法 |
CN116106878A (zh) * | 2022-12-28 | 2023-05-12 | 浙大城市学院 | 大数据分析***及方法 |
CN116320459A (zh) * | 2023-01-08 | 2023-06-23 | 南阳理工学院 | 一种基于人工智能的计算机网络通信数据处理方法及*** |
CN116086368A (zh) * | 2023-03-07 | 2023-05-09 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种结冰厚度的探测方法、探测装置及存储介质 |
CN116295752A (zh) * | 2023-05-12 | 2023-06-23 | 深圳市蓝眼科技有限公司 | 用于smt上料设备的测试力度控制方法及*** |
Non-Patent Citations (1)
Title |
---|
基于表示学习的跨模态检索模型与特征抽取研究综述;李志义;黄子风;许晓绵;;情报学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116734750A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116734750B (zh) | 基于光纤传感器的冰场冰层厚度智能检测方法及*** | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测*** | |
CN110977614B (zh) | 一种数控机床健康诊断方法 | |
CN117168331B (zh) | 基于光纤传感器的天然冰场冰层厚度实时检测方法 | |
CN201829006U (zh) | 光纤传感智能定址周界入侵报警*** | |
CN107934710A (zh) | 一种生成电梯动态保养计划的***及方法 | |
CN113554361B (zh) | 一种综合能源***数据处理计算方法及处理*** | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
CN115600513B (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判*** | |
CN117633459A (zh) | 高精准分布式光纤传感在线监测装置 | |
CN117142009A (zh) | 一种基于图卷积网络的刮板输送机健康状态评估方法 | |
CN117278073B (zh) | 一种超宽带天线信号自动调整方法 | |
Chen et al. | An internet-of-things-enabled system for road icing detection and prediction | |
CN117764980A (zh) | 基于红外多特征融合的复合材料缺陷自动识别与度量方法 | |
CN110455396A (zh) | 基于光纤传感的机械故障振动检测方法及*** | |
CN103558177A (zh) | 生肉组织水分近红外检测装置及检测方法 | |
CN103903270B (zh) | 光纤链路监测信号的规整化有效特征段选取方法 | |
CN115905869A (zh) | 一种超声水表故障预警方法 | |
CN110940732B (zh) | 一种钢轨结构腐蚀在线监测与评价方法 | |
CN114279494A (zh) | 基于改进lstm的光纤光栅高炉炉壳温度补偿检测方法 | |
Bi et al. | A fault diagnosis algorithm for wind turbine blades based on bp neural network | |
CN113984128B (zh) | 利用物联网智能感知技术运检配电设备的监测*** | |
CN115859205A (zh) | 一种基于时空物联的水电站风险预警方法及*** | |
He et al. | Design of anomaly detection and prediction algorithm for real-time personnel positioning system based on machine learning | |
CN117179716B (zh) | 一种基于雷达的生命体征检测方法及*** |
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 |