CN117351659A - 一种水文地质灾害监测装置及监测方法 - Google Patents
一种水文地质灾害监测装置及监测方法 Download PDFInfo
- Publication number
- CN117351659A CN117351659A CN202311631216.3A CN202311631216A CN117351659A CN 117351659 A CN117351659 A CN 117351659A CN 202311631216 A CN202311631216 A CN 202311631216A CN 117351659 A CN117351659 A CN 117351659A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- vector
- parameter
- water content
- feature vector
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012806 monitoring device Methods 0.000 title claims abstract description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 99
- 239000002689 soil Substances 0.000 claims abstract description 98
- 239000003673 groundwater Substances 0.000 claims abstract description 88
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 202
- 230000004927 fusion Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/04—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks
- H04L63/0428—Network architectures or network communication protocols for network security for providing a confidential data exchange among entities communicating through data packet networks wherein the data content is protected, e.g. by encrypting or encapsulating the payload
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/04—Protocols for data compression, e.g. ROHC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Alarm Systems (AREA)
Abstract
本申请涉及水文地质灾害监测领域,公开了一种水文地质灾害监测装置及监测方法。该装置包括:传感器组,所述传感器组包括地下水位传感器、土壤含水量传感器和地表沉降量传感器;数据采集处理器,所述数据采集处理器与所述传感器组可通信连接,所述数据采集处理器用于对所述传感器组采集的数据进行压缩、加密和校验处理;以及,云端服务器,所述云端服务器可通信连接于所述数据采集处理器,用于生成水文地质灾害预警提示信息。这样,可以通过传感器组实时监测地下水位、土壤含水量和地表沉降等参数数据,并在后端引入数据处理和分析算法来进行各个参数的时序协同分析,从而实现对水文地质灾害相关参数的实时监测和预警。
Description
技术领域
本申请涉及水文地质灾害监测领域,且更为具体地,涉及一种水文地质灾害监测装置及监测方法。
背景技术
水文地质灾害是指由于地下水位、土壤含水量、地表沉降等因素引起的滑坡、泥石流、地裂缝等自然灾害。这些灾害对人类和环境造成了严重的威胁,因此及时地监测和预警对于减轻灾害风险至关重要。
然而,传统的水文地质灾害监测通常依赖于人工观测和定期采样分析,这需要专业人员进行现场观测和数据收集,人力成本较高且较为耗时。并且,传统监测方法通常是定期采集数据,无法提供实时的监测和预警信息,这会导致在灾害发生之前可能无法及时获得与灾害相关的数据信息,从而无法及时采取应对措施。此外,传统的监测方法通常只能在有限的监测点进行观测,无法全面覆盖广大地区,这限制了对整个地区的水文地质灾害风险的准确评估和预警能力。
因此,期望一种优化的水文地质灾害监测装置。
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水文地质灾害监测装置及监测方法。其可以提供更准确、及时的灾害预警信息,有助于保护人民生命财产安全和生态环境的可持续发展。
根据本申请的一个方面,提供了一种水文地质灾害监测装置,其包括:
传感器组,所述传感器组包括地下水位传感器、土壤含水量传感器和地表沉降量传感器;
数据采集处理器,所述数据采集处理器与所述传感器组可通信连接,所述数据采集处理器用于对所述传感器组采集的数据进行压缩、加密和校验处理;
云端服务器,所述云端服务器可通信连接于所述数据采集处理器,用于生成水文地质灾害预警提示信息。
根据本申请的另一个方面,提供了一种水文地质灾害监测方法,其包括:
通过传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量;
将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量;
对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征;
基于所述多参数融合特征,确定是否产生水文地质灾害预警提示。
与现有技术相比,本申请提供的水文地质灾害监测装置及监测方法,该装置包括:传感器组,所述传感器组包括地下水位传感器、土壤含水量传感器和地表沉降量传感器;数据采集处理器,所述数据采集处理器与所述传感器组可通信连接,所述数据采集处理器用于对所述传感器组采集的数据进行压缩、加密和校验处理;以及,云端服务器,所述云端服务器可通信连接于所述数据采集处理器,用于生成水文地质灾害预警提示信息。这样,可以通过传感器组实时监测地下水位、土壤含水量和地表沉降等参数数据,并在后端引入数据处理和分析算法来进行各个参数的时序协同分析,从而实现对水文地质灾害相关参数的实时监测和预警。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的水文地质灾害监测装置的框图示意图。
图2为根据本申请实施例的水文地质灾害监测装置中的所述云端服务器的框图示意图。
图3为根据本申请实施例的水文地质灾害监测装置中的所述多参数时序特征协同分析模块的框图示意图。
图4为根据本申请实施例的水文地质灾害监测方法的流程图。
图5为根据本申请实施例的水文地质灾害监测方法的***架构的示意图。
图6为根据本申请实施例的水文地质灾害监测装置的应用场景图。
传感器组100,地下水位传感器10,土壤含水量传感器20,地表沉降量传感器30,数据采集处理器200,云端服务器300,多参数数据采集模块310,多参数时序排列模块320,多参数时序特征协同分析模块330,水文地质灾害预警生成模块340,多参数时序特征提取单元331,多参数时序特征校正单元332,多参数时序特征融合单元333。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
图1为根据本申请实施例的水文地质灾害监测装置的框图示意图。如图1所示,根据本申请实施例的水文地质灾害监测装置,包括:传感器组100,所述传感器组100包括地下水位传感器10、土壤含水量传感器20和地表沉降量传感器30;数据采集处理器200,所述数据采集处理器200与所述传感器组100可通信连接,所述数据采集处理器200用于对所述传感器组100采集的数据进行压缩、加密和校验处理;以及,云端服务器300,所述云端服务器300可通信连接于所述数据采集处理器200,用于生成水文地质灾害预警提示信息。
针对上述技术问题,本申请的技术构思为通过传感器组实时监测地下水位、土壤含水量和地表沉降等参数数据,并在后端引入数据处理和分析算法来进行各个参数的时序协同分析,从而及时预警可能发生的滑坡、泥石流、地裂缝等灾害,实现对水文地质灾害相关参数的实时监测和预警。相比传统方法,该装置具有监测范围广、实时性高、自动化程度高等优势,能够提供更准确、及时的灾害预警信息,有助于保护人民生命财产安全和生态环境的可持续发展。
图2为根据本申请实施例的水文地质灾害监测装置中的所述云端服务器的框图示意图。如图2所示,根据本申请实施例的水文地质灾害监测装置,所述云端服务器300,包括:多参数数据采集模块310,用于通过所述传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量;多参数时序排列模块320,用于将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量;多参数时序特征协同分析模块330,用于对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征;以及,水文地质灾害预警生成模块340,用于基于所述多参数融合特征,确定是否产生水文地质灾害预警提示。
具体地,在本申请的技术方案中,首先,获取由传感器组采集的预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量。接着,考虑到所述地下水位值、所述土壤含水量和所述地表沉降量在时间维度上都具有着时序的动态变化规律,也就是说,所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别都具有着时序的关联关系。因此,在本申请的技术方案中,进一步将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量,以此来分别整合所述地下水位值、所述土壤含水量和所述地表沉降量在时序上的分布信息,有利于后续对于这些参数数据的时序变化特征和趋势进行捕捉刻画。
然后,将所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量分别通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述地下水位值、所述土壤含水量和所述地表沉降量在时间维度上的时序动态变化特征信息,从而得到地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量。
进一步地,考虑到由于所述地下水位值、所述土壤含水量和所述地表沉降量在时间维度上的变化特征之间具有着关联性关系,也就是说,在进行水文地质灾害的预警过程中,所述地下水位值、所述土壤含水量和所述地表沉降量之间的时序变化会相互影响和作用,共同反映出水文地质灾害的演变和趋势。因此,在本申请的技术方案中,还应在水文地质灾害预警的过程中考虑到所述地下水位值、所述土壤含水量和所述地表沉降量之间的时序协同关联变化特征信息。具体地,进一步再将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量按照时间维度和样本维度排列为全参数时序输入矩阵后通过基于卷积神经网络模型的参数间时序关联特征提取器中进行特征挖掘,以提取出所述地下水位值的时序变化特征、所述土壤含水量的时序变化特征和所述地表沉降量的时序变化特征之间基于多参数的时序关联特征信息,从而得到全参数时序关联特征矩阵。
继而,再分别以所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量作为初始特征向量,计算其与所述全参数时序关联特征矩阵之间的向量乘积,以此来将所述地下水位值、所述土壤含水量和所述地表沉降量中的各个参数的时序变化特征映射到多参数时序协同关联特征的高维空间中,从而分别进行所述地下水位值的时序变化特征、所述土壤含水量的时序变化特征和所述地表沉降量的时序变化特征的校正,以更好地反映地下水位、土壤含水量和地表沉降的时序变化情况,从而得到校正后地下水位时序特征向量、校正后土壤含水量时序特征向量和校正后地表沉降时序特征向量,有利于后续更为准确地进行水文地质灾害的预警。
接着,融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量,以此来融合在多参数时序协同关联特征为基础背景下的有关于所述地下水位值的时序特征信息、所述土壤含水量的时序特征信息和所述地表沉降量的时序特征信息,从而得到多参数融合特征向量。
相应地,如图3所示,所述多参数时序特征协同分析模块330,包括:多参数时序特征提取单元331,用于通过基于深度神经网络模型的时序特征提取器分别对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序特征提取以得到地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量;多参数时序特征校正单元332,用于分别对所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量进行校正以得到校正后地下水位时序特征向量、校正后土壤含水量时序特征向量和校正后地表沉降时序特征向量;以及,多参数时序特征融合单元333,用于融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量以得到多参数融合特征向量作为所述多参数融合特征。应可以理解,多参数时序特征协同分析模块包括多参数时序特征提取单元331、多参数时序特征校正单元332和多参数时序特征融合单元333以下三个单元。多参数时序特征提取单元331将地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量这些输入向量转换为地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量,通过深度神经网络模型,该单元能够学习并提取输入向量中的关键时序特征。多参数时序特征校正单元332可以采用一些校正算法或方法,对提取的特征向量进行修正或调整,以提高其准确性或可靠性,这样,校正后的地下水位时序特征向量、校正后的土壤含水量时序特征向量和校正后的地表沉降时序特征向量将更准确地反映实际情况。在多参数时序特征融合单元333中,融合的目的是将这些特征向量结合起来,生成一个多参数融合特征向量,这个多参数融合特征向量可以综合考虑地下水位、土壤含水量和地表沉降等多个参数的信息,提供更全面和综合的特征表示,融合后的特征向量可以用于后续的分析、预测或决策任务。这些单元的组合使用可以使多参数时序特征协同分析模块能够从多个参数的时序数据中提取、校正和融合特征,以获得更准确、全面和可靠的特征表示,这些特征可以用于地下水位、土壤含水量和地表沉降等环境监测和预测应用中。
更具体地,在所述多参数时序特征提取单元331中,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。值得一提的是,一维卷积层是深度神经网络中的一种常用层,用于处理具有时序结构的数据,它在时序数据的一个维度上应用卷积操作,以提取出不同时间尺度上的特征。在一维卷积层中,卷积操作是通过滑动一个固定大小的窗口(卷积核)在输入数据上进行的。窗口在输入数据上滑动时,会对窗口内的数据进行卷积计算,生成一个输出值。通过改变窗口的大小和步幅,可以控制卷积层提取的特征的时间尺度和空间范围。一维卷积层通常包括多个卷积核,每个卷积核对输入数据进行独立的卷积操作,生成对应的输出特征图。这些输出特征图可以捕捉到输入数据在不同时间尺度上的特征模式。一维卷积层通常还会使用激活函数(如ReLU)对输出进行非线性变换,增加网络的表达能力。在基于一维卷积层的时序特征提取器中,输入数据被视为具有时序结构的一维信号,卷积层通过卷积操作提取出这些信号中的时序特征。这种结构可以有效地捕捉到时序数据中的局部模式和长期依赖关系,为后续的特征提取和分析任务提供有用的特征表示。
更具体地,所述多参数时序特征校正单元332,包括:全参数时序关联特征提取子单元,用于将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量按照时间维度和样本维度排列为全参数时序输入矩阵后通过基于卷积神经网络模型的参数间时序关联特征提取器以得到全参数时序关联特征矩阵;以及,特征校正子单元,用于分别以所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量作为初始特征向量,计算其与所述全参数时序关联特征矩阵之间的向量乘积以得到所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量。应可以理解,多参数时序特征校正单元332包括全参数时序关联特征提取子单元和特征校正子单元两个子单元。全参数时序关联特征提取子单元的目标是将多个预定时间点的地下水位值、土壤含水量和地表沉降量按照时间维度和样本维度排列为全参数时序输入矩阵,然后,通过基于卷积神经网络模型的参数间时序关联特征提取器,从全参数时序输入矩阵中提取参数间的时序关联特征,这个子单元利用卷积神经网络模型学习参数间的时序依赖关系,生成全参数时序关联特征矩阵,其中包含了参数之间的关联信息。特征校正子单元计算这些初始特征向量与全参数时序关联特征矩阵之间的向量乘积,得到校正后的地下水位时序特征向量、校正后的土壤含水量时序特征向量和校正后的地表沉降时序特征向量,这个过程可以通过将初始特征向量与全参数时序关联特征矩阵进行关联,进一步优化特征向量的表示和相关性,提高其准确性和可靠性。这些子单元的组合使用可以实现对多参数时序特征的校正和优化。全参数时序关联特征提取子单元提取参数间的时序关联特征,特征校正子单元进一步优化特征向量的相关性。这样,校正后的特征向量可以更准确地反映参数之间的关联关系和变化趋势。
进而,再利用所述地下水位值的时序特征信息、所述土壤含水量的时序特征信息和所述地表沉降量的时序特征信息的多参数时序融合特征来进行分类处理,从而能够及时预警可能发生的滑坡、泥石流、地裂缝等灾害,实现对水文地质灾害相关参数的实时监测和预警。相比传统方法,该装置具有监测范围广、实时性高、自动化程度高等优势,能够提供更准确、及时的灾害预警信息,有助于保护人民生命财产安全和生态环境的可持续发展。
相应地,所述水文地质灾害预警生成模块340,包括:特征值优化单元,用于对所述多参数融合特征向量进行逐位置特征值优化以得到优化后多参数融合特征向量;分类处理单元,用于将所述优化后多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生水文地质灾害预警提示。
在本申请的技术方案中,将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量按照时间维度和样本维度排列为全参数时序输入矩阵后通过基于卷积神经网络模型的参数间时序关联特征提取器时,所述全参数时序关联特征矩阵可以表达地下水位值、土壤含水量和地表沉降量的时间-样本交叉维度下的局部关联特征,但是,与所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量分别表达的地下水位值、土壤含水量和地表沉降量的局部时序关联特征相比,如果将时序关联特征作为前景对象特征,则样本维度下的交叉关联特征的提取也会引入背景分布噪声,并且所述基于卷积神经网络模型的参数间时序关联特征提取器在进行向量-矩阵间的高秩分布表示的同时,也会由于局部时序下的不同参数值的局部时序特征的高维特征的样本空间异质分布而引起所述全参数时序关联特征矩阵相对于各个样本的时序关联特征分布的概率密度映射误差,影响所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量的类概率特征表示,也就使得融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量得到的所述多参数融合特征向量具有了类概率混合特征分布。
但是,考虑到这种类概率混合特征分布差异会给所述多参数融合特征向量的整体特征表示带来局部特征分布稀疏化,即相对于整体高维特征流形的分布外稀疏化子流形,这会使得在将所述多参数融合特征向量通过分类器进行类概率回归映射时,所述多参数融合特征向量到概率空间内的预定类概率表示的收敛性差,影响分类结果的准确性。
因此,优选地,对所述多参数融合特征向量进行逐位置特征值优化,具体为:所述特征值优化单元,用于:以如下公式对所述多参数融合特征向量进行逐位置特征值优化以得到所述优化后多参数融合特征向量;其中,所述公式为:
其中,是所述多参数融合特征向量,/>是所述多参数融合特征向量/>的特征值,是所述优化后多参数融合特征向量的特征值。
也就是,通过基于重概率的正则化来处理高维特征空间内的稀疏分布,以激活所述多参数融合特征向量在高维特征空间内的几何流形到概率空间的自然分布转移,从而通过对所述多参数融合特征向量/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式,提高具有高空间稀疏性的复杂高维特征流形在预定类概率下的类别收敛性,从而提升所述多参数融合特征向量/>通过分类器得到的分类结果的准确性。这样,能够及时预警可能发生的滑坡、泥石流、地裂缝等灾害,实现对水文地质灾害相关参数的实时监测和预警,有助于保护人民生命财产安全和生态环境的可持续发展。
更具体地,所述水文地质灾害预警生成模块340,进一步用于:使用所述分类器的全连接层对所述多参数融合特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本公开的技术方案中,所述分类器的标签包括产生水文地质灾害预警提示(第一标签),以及,不产生水文地质灾害预警提示(第二标签),其中,所述分类器通过软最大值函数来确定所述多参数融合特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否产生水文地质灾害预警提示”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否产生水文地质灾害预警提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否产生水文地质灾害预警提示”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的水文地质灾害监测装置被阐明,其可以通过传感器组实时监测地下水位、土壤含水量和地表沉降等参数数据,并在后端引入数据处理和分析算法来进行各个参数的时序协同分析,从而实现对水文地质灾害相关参数的实时监测和预警。
如上所述,根据本申请实施例的基于本申请实施例的水文地质灾害监测装置可以实现在各种终端设备中,例如具有基于本申请实施例的水文地质灾害监测算法的服务器等。在一个示例中,基于本申请实施例的水文地质灾害监测装置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,该基于本申请实施例的水文地质灾害监测装置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,该基于本申请实施例的水文地质灾害监测装置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,该基于本申请实施例的水文地质灾害监测装置与该终端设备也可以是分立的设备,并且该水文地质灾害监测装置可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的水文地质灾害监测方法的流程图。图5为根据本申请实施例的水文地质灾害监测方法的***架构的示意图。如图4和图5所示,根据本申请实施例的水文地质灾害监测方法,其包括:S110,通过传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量;S120,将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量;S130,对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征;以及,S140,基于所述多参数融合特征,确定是否产生水文地质灾害预警提示。
在一个具体示例中,在上述水文地质灾害监测方法中,对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征,包括:通过基于深度神经网络模型的时序特征提取器分别对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序特征提取以得到地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量;分别对所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量进行校正以得到校正后地下水位时序特征向量、校正后土壤含水量时序特征向量和校正后地表沉降时序特征向量;以及,融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量以得到多参数融合特征向量作为所述多参数融合特征。
在一个具体示例中,在上述水文地质灾害监测方法中,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
这里,本领域技术人员可以理解,上述水文地质灾害监测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的水文地质灾害监测装置的描述中得到了详细介绍,并因此,将省略其重复描述。
图6为根据本申请实施例的水文地质灾害监测装置的应用场景图。如图6所示,在该应用场景中,首先,获取通过所述传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量(例如,图6中所示意的D),然后,将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量输入至部署有水文地质灾害监测算法的服务器中(例如,图6中所示意的S),其中,所述服务器能够使用所述水文地质灾害监测算法对所述多个预定时间点的地下水位值、土壤含水量和地表沉降量进行处理以得到用于表示是否产生水文地质灾害预警提示的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (9)
1.一种水文地质灾害监测装置,其特征在于,包括:
传感器组,所述传感器组包括地下水位传感器、土壤含水量传感器和地表沉降量传感器;
数据采集处理器,所述数据采集处理器与所述传感器组可通信连接,所述数据采集处理器用于对所述传感器组采集的数据进行压缩、加密和校验处理;
云端服务器,所述云端服务器可通信连接于所述数据采集处理器,用于生成水文地质灾害预警提示信息;
所述云端服务器,包括:
多参数数据采集模块,用于通过所述传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量;
多参数时序排列模块,用于将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量;
多参数时序特征协同分析模块,用于对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征;
水文地质灾害预警生成模块,用于基于所述多参数融合特征,确定是否产生水文地质灾害预警提示。
2.根据权利要求1所述的水文地质灾害监测装置,其特征在于,所述多参数时序特征协同分析模块,包括:
多参数时序特征提取单元,用于通过基于深度神经网络模型的时序特征提取器分别对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序特征提取以得到地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量;
多参数时序特征校正单元,用于分别对所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量进行校正以得到校正后地下水位时序特征向量、校正后土壤含水量时序特征向量和校正后地表沉降时序特征向量;
多参数时序特征融合单元,用于融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量以得到多参数融合特征向量作为所述多参数融合特征。
3.根据权利要求2所述的水文地质灾害监测装置,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
4.根据权利要求3所述的水文地质灾害监测装置,其特征在于,所述多参数时序特征校正单元,包括:
全参数时序关联特征提取子单元,用于将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量按照时间维度和样本维度排列为全参数时序输入矩阵后通过基于卷积神经网络模型的参数间时序关联特征提取器以得到全参数时序关联特征矩阵;以及
特征校正子单元,用于分别以所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量作为初始特征向量,计算其与所述全参数时序关联特征矩阵之间的向量乘积以得到所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量。
5.根据权利要求4所述的水文地质灾害监测装置,其特征在于,所述水文地质灾害预警生成模块,包括:
特征值优化单元,用于对所述多参数融合特征向量进行逐位置特征值优化以得到优化后多参数融合特征向量;
分类处理单元,用于将所述优化后多参数融合特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生水文地质灾害预警提示。
6.根据权利要求5所述的水文地质灾害监测装置,其特征在于,所述特征值优化单元,用于:以如下公式对所述多参数融合特征向量进行逐位置特征值优化以得到所述优化后多参数融合特征向量;
其中,所述公式为:
;
其中,是所述多参数融合特征向量,/>是所述多参数融合特征向量/>的特征值,/>是所述优化后多参数融合特征向量的特征值。
7.一种水文地质灾害监测方法,使用如权利要求1至6中任一项所述的水文地质灾害监测装置,其特征在于,包括:
通过传感器组采集预定时间段内多个预定时间点的地下水位值、土壤含水量和地表沉降量;
将所述多个预定时间点的地下水位值、土壤含水量和地表沉降量分别按照时间维度排列为地下水位时序输入向量、土壤含水量时序输入向量和地表沉降时序输入向量;
对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征;以及
基于所述多参数融合特征,确定是否产生水文地质灾害预警提示。
8.根据权利要求7所述的水文地质灾害监测方法,其特征在于,对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序协同分析以得到多参数融合特征,包括:
通过基于深度神经网络模型的时序特征提取器分别对所述地下水位时序输入向量、所述土壤含水量时序输入向量和所述地表沉降时序输入向量进行时序特征提取以得到地下水位时序特征向量、土壤含水量时序特征向量和地表沉降时序特征向量;
分别对所述地下水位时序特征向量、所述土壤含水量时序特征向量和所述地表沉降时序特征向量进行校正以得到校正后地下水位时序特征向量、校正后土壤含水量时序特征向量和校正后地表沉降时序特征向量;以及
融合所述校正后地下水位时序特征向量、所述校正后土壤含水量时序特征向量和所述校正后地表沉降时序特征向量以得到多参数融合特征向量作为所述多参数融合特征。
9.根据权利要求8所述的水文地质灾害监测方法,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631216.3A CN117351659B (zh) | 2023-12-01 | 2023-12-01 | 一种水文地质灾害监测装置及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311631216.3A CN117351659B (zh) | 2023-12-01 | 2023-12-01 | 一种水文地质灾害监测装置及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351659A true CN117351659A (zh) | 2024-01-05 |
CN117351659B CN117351659B (zh) | 2024-02-20 |
Family
ID=89365271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311631216.3A Active CN117351659B (zh) | 2023-12-01 | 2023-12-01 | 一种水文地质灾害监测装置及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351659B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN114333249A (zh) * | 2022-01-14 | 2022-04-12 | 四川九洲北斗导航与位置服务有限公司 | 滑坡预警方法和装置 |
CN114758304A (zh) * | 2022-06-13 | 2022-07-15 | 江苏中腾石英材料科技股份有限公司 | 一种高纯圆角石英粉的过筛设备及其过筛控制方法 |
CN115577249A (zh) * | 2022-09-22 | 2023-01-06 | 国网湖南省电力有限公司 | 多视角特征融合的变压器声信号识别方法、***及介质 |
CN115791640A (zh) * | 2023-02-06 | 2023-03-14 | 杭州华得森生物技术有限公司 | 基于分光光谱的肿瘤细胞检测设备及其方法 |
CN115947426A (zh) * | 2022-12-28 | 2023-04-11 | 浙江致远环境科技股份有限公司 | 一种基于亚氧化钛电极的电催化氧化模块 |
CN116663881A (zh) * | 2023-02-23 | 2023-08-29 | 西安交通大学 | 基于地下水位的黄土地区城市地质灾害风险评价方法 |
CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
CN116700193A (zh) * | 2023-07-20 | 2023-09-05 | 江西斯源科技股份有限公司 | 工厂车间智能化监控管理***及其方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网***的医疗体系防控方法及*** |
CN117037427A (zh) * | 2023-08-23 | 2023-11-10 | 旺苍县地质环境监测站 | 一种地质灾害联网监测预警*** |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理***及其方法 |
CN117233682A (zh) * | 2023-11-13 | 2023-12-15 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准*** |
CN117245672A (zh) * | 2023-11-20 | 2023-12-19 | 南昌工控机器人有限公司 | 摄像头支架模块化装配的智能运动控制***及其方法 |
CN117274270A (zh) * | 2023-11-23 | 2023-12-22 | 吉林大学 | 基于人工智能的消化内镜实时辅助***及方法 |
CN117292148A (zh) * | 2023-11-27 | 2023-12-26 | 中交第二公路勘察设计研究院有限公司 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
CN117310239A (zh) * | 2023-11-16 | 2023-12-29 | 西安天光测控技术有限公司 | 测试***的高压电源控制方法 |
-
2023
- 2023-12-01 CN CN202311631216.3A patent/CN117351659B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085921A (zh) * | 2020-08-20 | 2020-12-15 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种基于位移与动力多参数的滑坡综合监测预警方法 |
CN114333249A (zh) * | 2022-01-14 | 2022-04-12 | 四川九洲北斗导航与位置服务有限公司 | 滑坡预警方法和装置 |
CN114758304A (zh) * | 2022-06-13 | 2022-07-15 | 江苏中腾石英材料科技股份有限公司 | 一种高纯圆角石英粉的过筛设备及其过筛控制方法 |
CN115577249A (zh) * | 2022-09-22 | 2023-01-06 | 国网湖南省电力有限公司 | 多视角特征融合的变压器声信号识别方法、***及介质 |
CN115947426A (zh) * | 2022-12-28 | 2023-04-11 | 浙江致远环境科技股份有限公司 | 一种基于亚氧化钛电极的电催化氧化模块 |
CN115791640A (zh) * | 2023-02-06 | 2023-03-14 | 杭州华得森生物技术有限公司 | 基于分光光谱的肿瘤细胞检测设备及其方法 |
CN116663881A (zh) * | 2023-02-23 | 2023-08-29 | 西安交通大学 | 基于地下水位的黄土地区城市地质灾害风险评价方法 |
CN116759053A (zh) * | 2023-06-16 | 2023-09-15 | 烟台汇通佳仁医疗科技有限公司 | 基于物联网***的医疗体系防控方法及*** |
CN116700193A (zh) * | 2023-07-20 | 2023-09-05 | 江西斯源科技股份有限公司 | 工厂车间智能化监控管理***及其方法 |
CN116668380A (zh) * | 2023-07-28 | 2023-08-29 | 北京中科网芯科技有限公司 | 汇聚分流器设备的报文处理方法及装置 |
CN117037427A (zh) * | 2023-08-23 | 2023-11-10 | 旺苍县地质环境监测站 | 一种地质灾害联网监测预警*** |
CN117073768A (zh) * | 2023-10-16 | 2023-11-17 | 吉林省牛人网络科技股份有限公司 | 肉牛养殖管理***及其方法 |
CN117233682A (zh) * | 2023-11-13 | 2023-12-15 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准*** |
CN117310239A (zh) * | 2023-11-16 | 2023-12-29 | 西安天光测控技术有限公司 | 测试***的高压电源控制方法 |
CN117245672A (zh) * | 2023-11-20 | 2023-12-19 | 南昌工控机器人有限公司 | 摄像头支架模块化装配的智能运动控制***及其方法 |
CN117274270A (zh) * | 2023-11-23 | 2023-12-22 | 吉林大学 | 基于人工智能的消化内镜实时辅助***及方法 |
CN117292148A (zh) * | 2023-11-27 | 2023-12-26 | 中交第二公路勘察设计研究院有限公司 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117351659B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116625438B (zh) | 燃气管网安全在线监测***及其方法 | |
CN117351659B (zh) | 一种水文地质灾害监测装置及监测方法 | |
CN115013298B (zh) | 污水泵的实时性能在线监测***及其监测方法 | |
Mylonas et al. | Conditional variational autoencoders for probabilistic wind turbine blade fatigue estimation using Supervisory, Control, and Data Acquisition data | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN111259949A (zh) | 飞机环控***故障识别模型构建方法、模型及识别方法 | |
CN118152901B (zh) | 基于数据驱动的设备故障预测方法及*** | |
CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及*** | |
CN117951646A (zh) | 一种基于边缘云的数据融合方法及*** | |
CN117705059A (zh) | 一种自然资源遥感测绘影像定位方法及*** | |
CN117056902A (zh) | 物联网密码管理方法及*** | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及*** | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其*** | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
CN117078007A (zh) | 一种融合尺度标签的多尺度风控***及其方法 | |
Ramadan et al. | An innovative transformer neural network for fault detection and classification for photovoltaic modules | |
CN117689278B (zh) | 施工质量智能管理***及方法 | |
CN115831339B (zh) | 基于深度学习的医疗***风险管控事前预测方法、*** | |
CN117649387B (zh) | 一种适用于带有表面复杂纹理物体的缺陷检测方法 | |
CN117667495B (zh) | 一种关联规则与深度学习集成的应用***故障预测方法 | |
CN118115591B (zh) | 功率预测模型训练方法、光伏电站运维方法及相关装置 | |
CN118015476B (zh) | 基于低参数神经网络与标准化流的铁路外部环境遥感变化检测方法及*** | |
CN118537144A (zh) | 一种农业保险核保风险预测方法及*** | |
Maack et al. | Fault detection in railway switches using deformable convolutional neural networks |
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 |