一种声学底质与水柱测试系统及方法

    公开(公告)号:CN107942392B

    公开(公告)日:2023-08-11

    申请号:CN201711133386.3

    申请日:2017-11-15

    IPC分类号: G01V1/38

    摘要: 本发明公开了一种声学底质与水柱测试系统及方法。系统包括底质分类声学水槽和移动声学测试平台,底质分类声学水槽包括槽体、底质传送带、底质进出窗口、气泡注入管和导轨;槽体为双层结构,底质传送带横卧在槽体下部,导轨安装在槽体顶部;气泡注入管从槽体顶部伸入到槽体内部。移动声学测试平台包括移动声学测试吊车、可伸缩声学仪器安装杆、控制终端。使用时,通过底质进出窗口送入测试底质,开动传送带将其送入水槽底部,控制终端遥控吊车的前进并采集底质声强数据。本发明克服了传统声学水槽难以直接应用于声学底质测试的缺点,为准确构建声学关系模型,实现声学底质分类提供了良好的试验环境和方法,可在海洋测绘与海洋工程中广泛应用。

    基于深度学习的小样本海底水声图像底质分类方法

    公开(公告)号:CN112149755B

    公开(公告)日:2022-07-05

    申请号:CN202011084474.0

    申请日:2020-10-12

    摘要: 本发明公开了一种基于深度学习的小样本海底水声图像底质分类方法,应用于深度学习领域,从模型参数和数据两方面出发进行优化研究:(1)模型参数优化方面使用迁移学习中的微调技术,将大型数据集作为预训练数据集,从而实现大跨度的任务模型参数迁移;(2)数据增强方面则使用WGAN‑GP模型并结合CBN生成特定底质声纳图像,用于扩充数据集。后续的优化实验肯定了大跨度任务迁移的微调对于CNNs在底质分类的优化,其中ResNet可以达到非常理想的精度,肯定了将深度模型应用在此类任务中的可行性。生成对抗神经网络进行数据增强来从数据角度优化任务表现,结论说明生成对抗神经网络的数据增强可以带来精度提升但同时时间损耗巨大。

    基于深度学习的小样本海底水声图像底质分类方法

    公开(公告)号:CN112149755A

    公开(公告)日:2020-12-29

    申请号:CN202011084474.0

    申请日:2020-10-12

    IPC分类号: G06K9/62 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于深度学习的小样本海底水声图像底质分类方法,应用于深度学习领域,从模型参数和数据两方面出发进行优化研究:(1)模型参数优化方面使用迁移学习中的微调技术,将大型数据集作为预训练数据集,从而实现大跨度的任务模型参数迁移;(2)数据增强方面则使用WGAN‑GP模型并结合CBN生成特定底质声纳图像,用于扩充数据集。后续的优化实验肯定了大跨度任务迁移的微调对于CNNs在底质分类的优化,其中ResNet可以达到非常理想的精度,肯定了将深度模型应用在此类任务中的可行性。生成对抗神经网络进行数据增强来从数据角度优化任务表现,结论说明生成对抗神经网络的数据增强可以带来精度提升但同时时间损耗巨大。

    一种基于简易杆体的高效海底表层细沙取样装置

    公开(公告)号:CN106872212B

    公开(公告)日:2020-12-04

    申请号:CN201710022177.5

    申请日:2017-01-12

    IPC分类号: G01N1/10

    摘要: 本发明所公开了一种基于简易杆体的高效海底表层细沙取样装置。它包括:支撑钢管、基座、取样管和重心调节件,所述的支撑钢管的一端垂直固定于基座的重心处,另一端设有U型连接扣,用于连接绳索,所述的取样管采用多根空心钢管,规则分布,一端固定于支撑钢管的同一截面,另一端围绕支撑钢管展开,采用固定杆与支撑钢管的另一截面固定;重心调节件,固定于支撑钢管,用于重心调节。本发明可下潜到较深水域采集细沙粒样本,适用于各种流速、各种水深的江河湖泊及海洋和陆地水域的地质填图、水下探矿、工程地质或生态环境研究等。并且可在海洋调查、海洋测绘与海洋工程中广泛应用。

    基于ARIMA与LSTM的海岸带地面沉降预测方法

    公开(公告)号:CN115270608A

    公开(公告)日:2022-11-01

    申请号:CN202210802633.9

    申请日:2022-07-09

    IPC分类号: G06F30/27 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于ARIMA与LSTM的海岸带地面沉降预测方法,涉及深度学习领域。本发明包括以下步骤:InSAR的SLC影像数据经过预处理得到干涉图;根据干涉图利用StaMPS得到第一时间序列;基于第一时间序列,利用ARIMA模型进行初步的预测,得到预测时间序列;所述预测时间序列与所述第一时间序列做差,得到第二时间序列;利用LSTM模型对第二时间序列进行学习,得到第三时间序列;将第三时间序列与预测时间序列相加,得到原始InSAR形变量时间序列的预测结果。本发明相对单一的预测方法得到的精度指标有所提升。

    基于深度学习的高精度底跟踪方法

    公开(公告)号:CN113159191A

    公开(公告)日:2021-07-23

    申请号:CN202110449813.9

    申请日:2021-04-25

    IPC分类号: G06K9/62 G06K9/46 G06N3/04

    摘要: 本发明公开了一种基于深度学习的高精度底跟踪方法,涉及声呐信号处理技术领域,具体步骤包括如下:构建训练数据集;对所述训练数据集进行几何变换增强,得到最终训练数据集;将一维残差卷积模块结合现有图像语义分割模型,构建语义分割底跟踪模型;将所述最终训练数据集输入所述语义分割底跟踪模型中进行训练,得到训练完成的语义分割底跟踪模型;将实测数据输入所述训练完成的语义分割底跟踪模型中,输出语义标签进而确定海底点。本发明创新性的将底跟踪转换为基于一维数据的二分类语义分割任务,使得底跟踪结果更精确且具有良好的抗噪性能。

    一种浅海地形的重构方法

    公开(公告)号:CN110490800A

    公开(公告)日:2019-11-22

    申请号:CN201910687715.1

    申请日:2019-07-26

    摘要: 本发明公开了一种浅海地形的重构方法。多波束测深系统在浅海进行水深测量时,由于地形的起伏变化,常出现地形测量空白区域,大大降低了测量工作效率。为解决此问题,本发明基于一定间隔的多波束地形条带数据,分别获取横向的地形拟合方程和纵向的地形特征线,以特征线作为基准线,在横向上沿地形剖面进行水深点赋值,继而采用空间插值方法将水深点归算到规则格网之上,最终构建得到重构地形数字水深模型。通过重构地形与原始条带地形的水深对比对该方法进行精度评估。经实测结果表明,该方法能较好重构出空白区地形,平均误差与均方根误差都能控制在1 m左右。本发明在海底地形测绘和海洋科学研究等方面具有重要实用价值。