CN117929315A - 一种海洋平台腐蚀监测方法、***、计算机设备及介质 - Google Patents

一种海洋平台腐蚀监测方法、***、计算机设备及介质 Download PDF

Info

Publication number
CN117929315A
CN117929315A CN202410338208.8A CN202410338208A CN117929315A CN 117929315 A CN117929315 A CN 117929315A CN 202410338208 A CN202410338208 A CN 202410338208A CN 117929315 A CN117929315 A CN 117929315A
Authority
CN
China
Prior art keywords
infrared spectrum
spectrum data
data
corrosion
ocean platform
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
Application number
CN202410338208.8A
Other languages
English (en)
Other versions
CN117929315B (zh
Inventor
商采奕
王庆林
赵性川
吕美英
郝雪卉
李岩
桑丹丹
胡校苹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaocheng University
Original Assignee
Liaocheng University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaocheng University filed Critical Liaocheng University
Priority to CN202410338208.8A priority Critical patent/CN117929315B/zh
Publication of CN117929315A publication Critical patent/CN117929315A/zh
Application granted granted Critical
Publication of CN117929315B publication Critical patent/CN117929315B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种海洋平台腐蚀监测方法、***、计算机设备及介质，属于海洋工程设备监测技术领域，腐蚀监测方法包括以下步骤：S1：采集海洋平台预设部位的红外光谱数据；预设部位至少包括第一部位、第二部位和第三部位，采集第一部位的第一红外光谱数据，采集第二部位的第二红外光谱数据，采集第三部位的第三红外光谱数据；S2：将第一红外光谱数据、第二红外光谱数据和第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；S3：通过光谱处理算法进行分析和处理，从红外光谱数据集提取出红外光谱特征；S4：对比实测红外光谱特征和预设红外光谱特征库中的标准红外光谱特征，识别海洋平台预设部位的腐蚀位置，评估腐蚀程度。

Description

一种海洋平台腐蚀监测方法、***、计算机设备及介质
技术领域
本发明属于海洋工程设备监测技术领域，尤其涉及一种海洋平台腐蚀监测方法、***、计算机设备及介质。
背景技术
海水属于强电解质水溶液，对钢有强烈的腐蚀作用，因此，长期作业于海水中的海洋平台容易收到海水腐蚀。
一般来说，位于海水中的海洋平台可以被划分为以下几个部分：海洋大气区、飞溅区、潮差区、全浸区以及海泥区，其中，海洋大气区和海水接触较少，海泥区则缺氧，因此海洋大气区和海泥区的海洋平台部位受腐蚀速度相对较慢，全浸区长期浸泡在海水里，受腐蚀情况相对稳定，通过水下监测设备可直接准确测得，而飞溅区和潮差区受海水周期性湿润，即部分时间受海水腐蚀，部分时间受空气腐蚀，氧气供应充分，有时还遭受狂风巨浪和浮冰的冲击，因此飞溅区和潮差区是受腐蚀最为严重的部位，且由于海水和空气的双重腐蚀作用会影响腐蚀监测情况，不准确的腐蚀监测则会影响海洋平台的防腐蚀措施。
发明内容
有鉴于此，本申请旨在至少在一定程度上解决上述技术中的问题之一。为此，本申请提供一种海洋平台腐蚀监测方法、***、计算机设备及介质，以确保海洋平台腐蚀监测工作的顺利进行，有效获取监测数据，并采取相应的防腐蚀措施。
为了实现上述目的，本申请其中一方面提供了一种监测方法，包括以下步骤：S1：采集海洋平台预设部位的红外光谱数据；其中，预设部位至少包括第一部位、第二部位和第三部位，采集所述第一部位的第一红外光谱数据，采集所述第二部位的第二红外光谱数据，采集所述第三部位的第三红外光谱数据；S2：基于采集到的红外光谱数据，将第一红外光谱数据、第二红外光谱数据和第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；S3：通过光谱处理算法进行分析和处理，以从所述红外光谱数据集提取出红外光谱特征；S4：对比实测红外光谱特征和预设红外光谱特征库中的标准红外光谱特征，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度；通过采集第一部位、第二部位和第三部位的红外光谱数据，并将其进行融合处理，可以获得海洋平台受周期性腐蚀部位的整体红外光谱数据集，消除海水与空气周期性腐蚀带来的监测差异，能够得出真实性更佳的腐蚀情况。
优选地，S1还包括：进行周期性的红外光谱数据采集，所述红外光谱数据覆盖不同时间段和不同环境下的红外光谱信息；覆盖不同环境下的红外光谱信息，包括水中和空气中的数据，可以全面了解不同环境条件下平台的腐蚀情况，提高监测的全面性和准确性；通过周期性采集，能够持续地获取红外光谱数据，为长期监测提供可靠的数据支持，有助于及时发现腐蚀问题。
优选地，S1还包括：所述预设部位覆盖海洋平台的飞溅区、潮差区和全浸区；其中，所述第一部位至少包括一部分飞溅区，所述第二部位至少包括一部分潮差区，所述第三部位至少包括一部分全浸区；第一部位、第二部位和第三部位涵盖了海洋平台受腐蚀最严重、且受周期性腐蚀的部位，明确了海洋平台的受腐蚀监测的目标，并且通过第一部位、第二部位和第三部位的监测数据融合得出受周期性腐蚀部位的真实受腐蚀情况。
优选地，S1还包括：对采集到的红外光谱数据进行校正；其中，采集海洋环境背景光谱数据，并对所述光谱数据进行背景校正，所述背景校正至少包括：使用大气校正模型对背景光谱数据进行校正，以减少大气吸收对光谱数据的影响；使用水下校正技术，校正水体对光谱数据的影响，提取出预设部位的有效光谱信息；使用噪声去除技术，提高光谱数据的质量和清晰度，以减少噪声对光谱数据的影响；使得监测***能够适应不同的环境条件，如水下和空气中环境，从而提高监测的适用范围和可靠性。
优选地，S1还包括：进行红外光谱数据采集时，获得和第一部位对应的第一红外光 谱数据，获得和第二部位对应的第二红外光谱数据，获得和第三部位对应的第三红外 光谱数据；S2还包括：进行数据融合处理时，将第一红外光谱数据的权重设定为，将第 二红外光谱数据的权重设定为，将第三红外光谱数据的权重设定为；则融合后的红外 光谱数据集Dfusion=×+×+×；通过加权平均的方式对不同部位的红外光 谱数据进行融合处理，可以将各部位的信息整合在一起，形成一个整体的红外光谱数据集， 有助于全面分析和评估海洋平台的状态。
优选地，S4还包括：所述预设红外光谱特征库涵盖不同腐蚀程度，包括健康状态和不同程度的腐蚀状态；预设红外光谱特征库中的各种特征数据提供了一个参照标准，以便实测红外光谱特征进行对比分析。
优选地，所述红外光谱特征至少包括预设波长范围内的吸收峰位置和强度、以及吸收谱线的形状；吸收峰位置和强度反映了不同物质在特定波长下的吸收能力，吸收谱线的形状反映了样品中不同化学键的振动模式，有助于识别海洋平台预设部位的材料组成及其变化情况。
本申请另一方面提供一种腐蚀监测***，包括：红外光谱传感器，至少设置于海洋平台上，用于采集海洋平台预设部位的红外光谱数据；数据融合处理模块，用于将第一红外光谱数据、第二红外光谱数据和第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；特征提取模块，用于从所述红外光谱数据集中提取出红外光谱特征；特征对比模块，用于将实测红外光谱特征预设红外光谱特征库中的标准红外光谱特征对比，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度。
本申请另一方面提供一种计算机设备，至少包括处理器和存储器，所述处理器和存储器通信连接，其中，所述存储器上存储有至少一个计算机程序，所述计算机程序被所述处理器执行时，实现上述的腐蚀监测方法。
本申请另一方面提供一种计算机可读存储介质，存储有至少一个计算机指令，所述计算机指令被执行时，实现上述的腐蚀监测方法。
本申请提供的技术方案可以达到以下有益效果：
1.本申请监测的第一部位、第二部位和第三部位的红外光谱数据，覆盖海洋平台不同部位的腐蚀情况，并进行数据融合处理，确保了海洋平台受海水与空气周期性腐蚀部位的红外光谱信息得到全面覆盖，从而实现对海洋平台受海水与空气周期性腐蚀部位的监测，提升了监测数据的完整性和准确性。
2. 本申请通过采用校正技术和数据处理算法，消除了受周期性腐蚀部位的监测数据的误差，确保了监测数据的准确性和一致性，进一步提高了对海洋平台腐蚀情况的准确监测能力。
3.本申请通过建立预设红外光谱特征库，涵盖不同腐蚀程度的特征，以及对采集到的数据进行综合分析和比对，增强了监测结果的可靠性，有助于腐蚀位置的准确识别和腐蚀程度的有效评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的海洋平台腐蚀监测方法流程图；
图2是本发明实施例提供的消除大气吸收对红外光谱数据影响的方法流程图；
图3是本发明实施例提供的校正水体对红外光谱数据影响的方法流程图；
图4是本发明实施例提供的噪声去除的方法流程图；
图5是本发明实施例提供的红外光谱特征提取的方法流程图；
图6是本发明实施例提供的预设红外光谱特征库的建立的方法流程图；
图7是本发明实施例提供的腐蚀监测***的结构示意图；
图8是本发明实施例提供的计算机设备的结构示意图。
其中：101-红外光谱传感器、102-数据融合处理模块、103-特征提取模块、104-特征对比模块、201-处理器、202-存储器。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
海洋平台受海水和空气周期性腐蚀的部位为本实施例的监测对象，以受监测的海洋平台的实际作业情况为标准。
可以理解的是，上述的海洋平台包括石油钻井平台、海洋风电平台等。
在此提供一种用于海洋平台受海水和空气周期性腐蚀的监测方法，如图1所示，上述腐蚀监测方法包括以下步骤：
S1：采集海洋平台预设部位的红外光谱数据；其中，预设部位至少包括第一部位、 第二部位和第三部位，采集所述第一部位的第一红外光谱数据，采集所述第二部位的第 二红外光谱数据，采集所述第三部位的第三红外光谱数据。S1还包括：所述预设部位覆 盖海洋平台的飞溅区、潮差区和全浸区；其中，所述第一部位至少包括一部分飞溅区，所述 第二部位至少包括一部分潮差区，所述第三部位至少包括一部分全浸区。
需要说明的是，红外光谱技术可以通过分析海洋平台结构表面的腐蚀产物，如氧化物、碳酸盐等，来确定腐蚀的类型和程度。不同类型的腐蚀产物在红外光谱上会表现出特定的吸收特征，通过比对标准库或者特定的腐蚀指纹，可以准确识别腐蚀产物，从而评估结构的腐蚀情况。
具体地，S1中涉及的预设部位包括海洋平台处于海水和空气周期性腐蚀的部位，也是背景技术中涉及的飞溅区和潮差区。可以想到的是，全浸区位于顶部的一部分并非完全浸泡于海水中，因此全浸区可进一步划分为浅海区和深海区，本实施例将浅海区也划入监测范围，因此S1中涉及的预设部位包括飞溅区、潮差区和至少一部分的全浸区，将飞溅区设定为第一部位，将潮差区设定为第二部位，将全浸区的浅海区设定为第三部位。
当海洋平台位于海水中时，先在海洋平台表面选取第一部位、第二部位和第三部位的具***置，以确保能够代表周期性腐蚀部位，可以理解的是，不同的海洋平台或相同海洋平台在不同海域中时，第一部位、第二部位和第三部位的具***置可能是不同的，这以受监测的海洋平台的实际作业情况为标准；再设置数据采集参数，采集参数至少包括采集波长范围、采样率、积分时间等，以确保能够获取清晰、准确的红外光谱数据；
按照第一部位、第二部位和第三部位的顺序，逐一采集红外光谱数据，本示例采取 的顺序为自上而下的顺序，先采集第一部位的红外光谱数据，再采集第二部位的红外光谱 数据，最后采集第三部位的红外光谱数据，在另一些实施例中，也可以采取自下而上的顺 序，在采集过程中，在每个部位停留一定时间，以保证采集到充分的数据量，以覆盖该部位 的整个表面，再记录采集数据，将第一部位的红外光谱数据记录为第一红外光谱数据，将 第二部位的红外光谱数据记录为第二红外光谱数据，将第三部位的红外光谱数据记录为 第三红外光谱数据，这些红外光谱数据还包括采集位置、时间等相关信息，以便后续数据 处理和分析。
可以想到的是，S1还包括：进行周期性的红外光谱数据采集，所述红外光谱数据覆盖不同时间段和不同环境下的红外光谱信息。
具体地，确定采集频率和时间段，以确保覆盖不同时间段内海洋平台的红外光谱信息。例如，根据海洋平台的使用情况和环境变化，可以选择每日、每周或每月进行一次采集，也可以根据特殊情况灵活调整采集频率。同时，还需要考虑采集的持续时间，以保证采集到足够的数据覆盖不同的环境条件。
在进行红外光谱数据采集时，需要考虑不同环境条件下的影响因素，如天气、海况、光照等。因此，需要在不同的天气和海况下进行采集，以获取全面的数据。同时，为了保证数据的准确性和可比性，需要在相同的条件下进行采集，比如相同的时间段、相同的位置等。
此外，还建立有数据存储***，以便采集到的红外光谱数据进行有效的存储和管理。
可以想到的是，S1还包括：对采集到的红外光谱数据进行校正；其中，采集海洋环境背景光谱数据，并对所述光谱数据进行背景校正，所述背景校正至少包括：使用大气校正模型对背景光谱数据进行校正，以减少大气吸收对光谱数据的影响；使用水下校正技术，校正水体对光谱数据的影响，提取出预设部位的有效光谱信息；使用噪声去除技术，以减少噪声对光谱数据的影响。
具体地，如图2所示，使用大气校正模型时，S101：先收集和实际测量场景相匹配的大气数据，这些数据可能包括大气透射率、温度、湿度等信息，这些大气数据可以通过气象站、气象卫星等渠道获取，S102：选择MINNAERT模型，设定参数，这些参数包括大气光学厚度、大气湿度、大气温度等，S103：将收集到的大气数据输入到MINNAERT模型中，S104：应用MINNAERT模型对红外光谱数据进行校正，校正过程将根据MINNAERT模型计算出的大气吸收系数，将其从原始光谱数据中减去，从而消除大气吸收的影响。
如图3所示，使用水下校正技术时，S111：先获取和实际测量场景相匹配的水下光学数据，这些水下光学数据包括水下透射率、水体反射率、水体吸收率等信息，这些数据可以通过水下观测站、水下传感器等设备获取，S112：选择水下辐射传输模型，设定参数，这些参数包括水下光学厚度、水质参数、水体深度等，S113：将收集到的水下光学数据输入到水下辐射传输模型中，S114：校正过程将根据方法计算出的水下吸收系数、反射率等参数，将其从原始光谱数据中减去或修正，从而消除水体对光谱数据的影响。
如图4所示，使用噪声去除技术时，S121：先对采集到的光谱数据进行噪声分析，包括识别可能存在的各种类型的噪声，例如背景噪声、仪器噪声、环境噪声等，S122：选择高斯噪声模型，设定参数，这些参数包括噪声的均值、方差等，S123：将高斯噪声模型应用于红外光谱数据中，使用平滑滤波方法进行处理，可以通过降低数据的频率成分或增强信号和噪声之间的区别来减少噪声的影响，S124：对经过噪声去除处理后的数据进行验证和调整，这包括和原始数据进行对比。
S2：基于采集到的红外光谱数据，将第一红外光谱数据、第二红外光谱数据和 第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集。
具体地，一种数据融合处理方法为，将第一红外光谱数据、第二红外光谱数据 和第三红外光谱数据分别进行加权平均处理，根据第一部位、第二部位和第三部位的重 要性和实际情况确定各部位的权重，得到整体的红外光谱数据集，例如，可以根据不同部位 的面积、暴露程度和腐蚀风险确定权重，使得整体数据更加准确和全面。
另一种数据融合处理方法为，通过主成分分析等多元统计方法，对采集到的第一 红外光谱数据、第二红外光谱数据和第三红外光谱数据进行降维和融合处理，提取 出最具代表性的主成分，并将其组合成整体的红外光谱数据集。这样可以减少数据维度，提 高数据处理效率，同时保留重要的信息。
另一种数据融合处理方法为，采用机器学习或人工智能算法，构建预测模型，将第 一红外光谱数据、第二红外光谱数据和第三红外光谱数据作为输入变量，腐蚀程度 作为输出变量，通过模型预测得到整体的红外光谱数据集。这种方法可以利用多个部位的 信息共同进行腐蚀预测，提高监测结果的准确性和可靠性。
另一种数据融合处理方法为，考虑到海洋平台部位可能在时间和空间上存在变化，可以采用时空数据融合方法，将不同时间点和不同空间位置的红外光谱数据进行整合，得到整体的红外光谱数据集。这样可以综合考虑各个部位的监测结果，反映出部位的整体腐蚀情况。
本示例采用加权平均处理方法，当涉及到三个部位的数据融合时，每一部位的红 外光谱数据采集若干数据点，第一部位的第一红外光谱数据为[0.2, 0.4, 0.6, 0.8, 1.0]，第二部位的第二红外光谱数据为[0.3, 0.5, 0.7, 0.9, 1.1]，第三部位的第三红 外光谱数据为[0.1, 0.3, 0.5, 0.7, 0.9]，上述采集五个数据点，进一步地，将第一红 外光谱数据的权重设定为0.3，将第二红外光谱数据的权重设定为0.5，将第三红外光 谱数据的权重设定为0.2，可以理解为，飞溅区的数据对整体的贡献度为0.3，潮差区的 数据对整体的贡献度为0.5，顶部全浸区的数据对整体的贡献度为0.2，符合常规的腐蚀速 度。
融合后的红外光谱数据集Dfusion=×+×+×，其中，对于每个红 外光谱数据点，分别按照各自的权重进行加权平均计算，计算步骤如下：
第一个数据点：(0.3×0.2) + (0.5×0.3) + (0.2×0.1) = 0.25；
第二个数据点：(0.3×0.4) + (0.5×0.5) + (0.2×0.3) = 0.41；
第三个数据点：(0.3×0.6) + (0.5×0.7) + (0.2×0.5) = 0.59；
第四个数据点：(0.3×0.8) + (0.5×0.9) + (0.2×0.7) = 0.77；
第五个数据点：(0.3×1.0) + (0.5×1.1) + (0.2×0.9) = 0.95；
经过上述的计算，融合后的红外光谱数据集Dfusion为：[0.25, 0.41, 0.59,0.77, 0.95]，红外光谱数据集Dfusion作为一个整体的光谱数据集，反映了海洋平台受周期性腐蚀部位的光谱特征。
S3：通过光谱处理算法进行分析和处理，以从所述红外光谱数据集提取出红外光谱特征。
如图5所示，具体地，S301：选择高斯函数作为拟合函数，用于模拟光谱数据中的吸收峰，对于高斯函数，需要初始化三个参数，峰位（即吸收峰的位置）、峰高（吸收峰的强度）和峰宽（吸收峰的宽度）。可以想到的是，通过直观观察红外光谱数据集的特点来初始化这些参数，例如，峰位可以取红外光谱数据集中最大值的位置，峰高可以取红外光谱数据集中的最大值，峰宽可以估计为红外光谱数据集的标准差，S302：使用最小二乘法对数据进行拟合，拟合算法会调整拟合函数的参数，使其和实际数据尽可能接近，S303：拟合完成后，从拟合结果中提取出吸收峰的位置、强度和形状等参数作为红外光谱特征，用于后续的分析和比较。
S4：对比实测红外光谱特征和预设红外光谱特征库中的标准红外光谱特征，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度。
具体地，先收集并建立海洋平台预设部位的腐蚀位置的预设红外光谱特征库，预设红外光谱特征库包括若干红外光谱特征，这些红外光谱特征是在不同腐蚀程度下所测得的典型光谱特征。
可以想到的是，S4还包括：所述预设红外光谱特征库涵盖不同腐蚀程度，包括健康状态和不同程度的腐蚀状态。
具体地，如图6所示，预设红外光谱特征库的建立方法如下，S401：先收集并整理不同腐蚀程度下的红外光谱数据，这些数据应覆盖海洋平台可能出现的各种情况，包括健康状态和不同程度的腐蚀状态，S402：针对每个腐蚀状态，从对应的红外光谱数据中提取特征，这些特征可以包括吸收峰位置、峰强度、谱线形状等，S403：通过对数据的分析和处理，确定每种腐蚀状态下的典型特征，将提取的特征和相应的腐蚀状态进行关联和分类，这样就可以建立一个完整的特征库，其中包含不同腐蚀程度下的特征数据。
可以想到的是，对预设红外光谱特征库中的数据进行标记和管理，以便后续的识别和评估，确保每个数据样本都正确地标记了其对应的腐蚀状态，以便***能够准确地识别和分类。随着时间的推移，海洋平台的腐蚀状况可能会发生变化，因此，需要定期更新和维护预设红外光谱特征库，以反映最新的情况和数据。
S3中提取出的红外光谱特征作为实测红外光谱特征，将实测红外光谱特征和预设红外光谱特征库中的标准红外光谱特征进行比对，其中，通过计算红外光谱特征之间的相似度来实现比对，计算方法采用余弦相似度或欧氏距离，若选择余弦相似度作为比对指标，计算实测红外光谱特征和标准红外光谱特征之间的余弦相似度，若余弦相似度越高，则表示实测红外光谱特征和标准红外光谱特征之间的差异越小，腐蚀程度较低，若余弦相似度越低，表示实测红外光谱特征和标准红外光谱特征之间的差异越大，腐蚀程度较高。
根据上述对比结果，识别海洋平台预设部位的腐蚀位置。先设定一个阈值，若余弦相似度低于该阈值，则认为该部位存在腐蚀。比如，设定一个相似度阈值为0.7，如果某个部位的相似度低于0.7，则认为该部位存在腐蚀。
根据比对结果，评估海洋平台预设部位腐蚀的程度。可以根据余弦相似度的具体数值来评估，比如相似度在0.7到0.9之间可能表示轻微腐蚀，低于0.7可能表示中度腐蚀，低于0.5可能表示严重腐蚀。
基于上述示例，如图7所示，本申请另一示例还提供一种腐蚀监测***，包括： 红外光谱传感器101，至少设置于海洋平台上，用于采集海洋平台预设部位的红外光谱数据；数据融合处理模块102，用于将第一红外光谱数据、第二红外光谱数据与第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；特征提取模块103，用于从所述红外光谱数据集中提取出红外光谱特征；特征对比模块104，用于将实测红外光谱特征预设红外光谱特征库中的标准红外光谱特征对比，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度。
基于上述示例，如图8所示，本申请另一示例还提供一种计算机设备，其中，计算机设备包括处理器201和存储器202，处理器201和存储器202通信连接，存储器202上存储有至少一个计算机程序，计算机程序被处理器201执行时，实现对季节性商品和非季节性商品的库存监测方法。
基于上述示例，本申请另一示例还提供一种计算机可读存储介质，存储有至少一个计算机指令，计算机指令被执行时，实现对季节性商品和非季节性商品的库存监测方法。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明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)

1.一种海洋平台腐蚀监测方法，其特征在于，包括以下步骤：
S1：采集海洋平台预设部位的红外光谱数据；
其中，预设部位至少包括第一部位、第二部位和第三部位，采集所述第一部位的第一红外光谱数据，采集所述第二部位的第二红外光谱数据，采集所述第三部位的第三红外光谱数据；
S2：基于采集到的红外光谱数据，将第一红外光谱数据、第二红外光谱数据和第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；
S3：通过光谱处理算法进行分析和处理，以从所述红外光谱数据集提取出红外光谱特征；
S4：对比实测红外光谱特征和预设红外光谱特征库中的标准红外光谱特征，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度。
2.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，S1还包括：进行周期性的红外光谱数据采集，所述红外光谱数据覆盖不同时间段和不同环境下的红外光谱信息。
3.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，S1还包括：所述预设部位覆盖海洋平台的飞溅区、潮差区和全浸区；
其中，所述第一部位至少包括一部分飞溅区，所述第二部位至少包括一部分潮差区，所述第三部位至少包括一部分全浸区。
4.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，S1还包括：对采集到的红外光谱数据进行校正；
其中，采集海洋环境背景光谱数据，并对所述光谱数据进行背景校正，所述背景校正至少包括：
使用大气校正模型对背景光谱数据进行校正，以减少大气吸收对光谱数据的影响；
使用水下校正技术，校正水体对光谱数据的影响，提取出预设部位的有效光谱信息；
使用噪声去除技术，以减少噪声对光谱数据的影响。
5.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，
S1还包括：
进行红外光谱数据采集时，获得和第一部位对应的第一红外光谱数据，获得和第二部位对应的第二红外光谱数据/>，获得和第三部位对应的第三红外光谱数据/>；
S2还包括：
进行数据融合处理时，将第一红外光谱数据的权重设定为，将第二红外光谱数据的权重设定为/>，将第三红外光谱数据的权重设定为/>；
则融合后的红外光谱数据集Dfusion=×/>+/>×/>+/>×/>。
6.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，S4还包括：所述预设红外光谱特征库涵盖不同腐蚀程度，包括健康状态和不同程度的腐蚀状态。
7.根据权利要求1所述的海洋平台腐蚀监测方法，其特征在于，还包括：
所述红外光谱特征至少包括预设波长范围内的吸收峰位置和强度、以及吸收谱线的形状。
8.一种腐蚀监测***，其特征在于，包括：
红外光谱传感器，至少设置于海洋平台上，用于采集海洋平台预设部位的红外光谱数据；
数据融合处理模块，用于将第一红外光谱数据、第二红外光谱数据和第三红外光谱数据进行数据融合处理，得到预设部位整体的红外光谱数据集；
特征提取模块，用于从所述红外光谱数据集中提取出红外光谱特征；
特征对比模块，用于将实测红外光谱特征预设红外光谱特征库中的标准红外光谱特征对比，识别海洋平台预设部位的腐蚀位置，并评估腐蚀程度。
9.一种计算机设备，至少包括处理器和存储器，其特征在于，所述处理器和存储器通信连接，其中，所述存储器上存储有至少一个计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一项所述的腐蚀监测方法。
10.一种计算机可读存储介质，存储有至少一个计算机指令，其特征在于，所述计算机指令被执行时，实现如权利要求1-7任一项所述的腐蚀监测方法。
CN202410338208.8A 2024-03-25 2024-03-25 一种海洋平台腐蚀监测方法、***、计算机设备及介质 Active CN117929315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410338208.8A CN117929315B (zh) 2024-03-25 2024-03-25 一种海洋平台腐蚀监测方法、***、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410338208.8A CN117929315B (zh) 2024-03-25 2024-03-25 一种海洋平台腐蚀监测方法、***、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN117929315A true CN117929315A (zh) 2024-04-26
CN117929315B CN117929315B (zh) 2024-06-07

Family

ID=90761505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410338208.8A Active CN117929315B (zh) 2024-03-25 2024-03-25 一种海洋平台腐蚀监测方法、***、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN117929315B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040217290A1 (en) * 2003-04-29 2004-11-04 Davis Bruce R. Infrared imaging for evaluation of corrosion test coupons
CN102175595A (zh) * 2011-03-21 2011-09-07 中国人民解放军装甲兵工程学院 一种模拟海洋环境中材料加速腐蚀的无损监检测试验方法
JP2013053916A (ja) * 2011-09-02 2013-03-21 Central Research Institute Of Electric Power Industry 塗膜下鋼材腐食の検出方法、検出装置及び検出プログラム
CN111879710A (zh) * 2020-07-23 2020-11-03 中冶建筑研究总院（深圳）有限公司 钢结构涂层防腐性能评定方法、***、服务器和存储介质
CN111999255A (zh) * 2020-08-13 2020-11-27 中冶建筑研究总院（深圳）有限公司 海洋环境钢结构涂层检测方法、装置、服务器和存储介质
CN112033926A (zh) * 2020-05-26 2020-12-04 国网天津市电力公司电力科学研究院 一种基于红外光谱主成分分析的鉴别有机涂层成分的方法
JP2022185468A (ja) * 2021-06-02 2022-12-14 日本製鉄株式会社 環境推定システム、環境推定方法、プログラムおよびビジネス商品
CN117147481A (zh) * 2023-09-01 2023-12-01 重庆市特种设备检测研究院 一种电梯钢丝绳锈蚀检测红外光纤光谱传感器

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040217290A1 (en) * 2003-04-29 2004-11-04 Davis Bruce R. Infrared imaging for evaluation of corrosion test coupons
CN102175595A (zh) * 2011-03-21 2011-09-07 中国人民解放军装甲兵工程学院 一种模拟海洋环境中材料加速腐蚀的无损监检测试验方法
JP2013053916A (ja) * 2011-09-02 2013-03-21 Central Research Institute Of Electric Power Industry 塗膜下鋼材腐食の検出方法、検出装置及び検出プログラム
CN112033926A (zh) * 2020-05-26 2020-12-04 国网天津市电力公司电力科学研究院 一种基于红外光谱主成分分析的鉴别有机涂层成分的方法
CN111879710A (zh) * 2020-07-23 2020-11-03 中冶建筑研究总院（深圳）有限公司 钢结构涂层防腐性能评定方法、***、服务器和存储介质
CN111999255A (zh) * 2020-08-13 2020-11-27 中冶建筑研究总院（深圳）有限公司 海洋环境钢结构涂层检测方法、装置、服务器和存储介质
JP2022185468A (ja) * 2021-06-02 2022-12-14 日本製鉄株式会社 環境推定システム、環境推定方法、プログラムおよびビジネス商品
CN117147481A (zh) * 2023-09-01 2023-12-01 重庆市特种设备检测研究院 一种电梯钢丝绳锈蚀检测红外光纤光谱传感器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜仕国;等: "D60钢在模拟海岛环境中腐蚀产物的红外光谱研究", 《装备环境工程》, vol. 12, no. 01, 28 February 2015 (2015-02-28), pages 10 - 14 *

Also Published As

Publication number Publication date
CN117929315B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Dall'Olmo et al. Assessing the potential of SeaWiFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands
CN112213287A (zh) 基于遥感卫星影像的沿海滩涂盐度反演的方法
Gong et al. Remote sensing of forests over time: change types, methods, and opportunities
Cannon et al. A graphical sensitivity analysis for statistical climate models: application to Indian monsoon rainfall prediction by artificial neural networks and multiple linear regression models
Hestir et al. Classification trees for aquatic vegetation community prediction from imaging spectroscopy
CN117828315B (zh) 一种海洋生态环境监测***及方法
CN114201732A (zh) 一种基于Sentinel-2A影像的浅海海域水深反演方法
CN114739919A (zh) 一种基于光谱反演分析的水质检测方法
Saponaro et al. Evaluation of aerosol and cloud properties in three climate models using MODIS observations and its corresponding COSP simulator, as well as their application in aerosol–cloud interactions
CN117095290A (zh) 一种基于卫星遥感的碳汇监测方法
CN114266796B (zh) 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质
CN117929315B (zh) 一种海洋平台腐蚀监测方法、***、计算机设备及介质
CN117169086A (zh) 一种建筑物地下防水层施工质量检测方法、介质及***
Giardino et al. Detecting chlorophyll-a in Lake Garda using TOA MERIS radiances
CN111999255B (zh) 海洋环境钢结构涂层检测方法、装置、服务器和存储介质
CN112782096A (zh) 一种基于反射光谱数据的土壤有机碳密度估算方法
Shugart et al. Determination of stand properties in boreal and temperate forests using high-resolution imagery
CN116124716A (zh) 基于近感高光谱的水质监测方法及装置
Chintalacheruvu et al. Application of best subset method for river water quality modeling: A study on Godavari River, India
CN111814397B (zh) 结合源解析与机器学习的森林生物量估算方法
Kim et al. Estimation of significant wave heights from X-band radar based on ANN using CNN rainfall classifier
Jiang et al. Effects of atmospheric oxidation processes on the latitudinal distribution differences in MSA and nss-SO42-in the Northwest Pacific
CN112229817A (zh) 一种苏打盐碱地重金属定量反演模型建立方法
CN107817332B (zh) 一种表征潜在烃源岩后期保存效率的方法
Mahajan et al. Hyperspectral remote sensing-based prediction of the soil pH and salinity in the soil to water suspension and saturation paste extract of salt-affected soils of the west coast region

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