[发明专利]一种海上风电场生物监测方法、系统、计算机设备和存储介质有效
申请号: | 202010946992.2 | 申请日: | 2020-09-10 |
公开(公告)号: | CN112183587B | 公开(公告)日: | 2022-04-08 |
发明(设计)人: | 董超;陈焱琨;周德富;王伟平;蒋俊杰;欧阳永忠 | 申请(专利权)人: | 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) |
主分类号: | G06V10/80 | 分类号: | G06V10/80;G06V10/774;G06V10/82;G06V10/94;G06V20/52;G06V40/10;G06K9/62;G06N3/08;G10L17/18;G10L17/26;G10L25/30;G10L25/51 |
代理公司: | 广州三环专利商标代理有限公司 44202 | 代理人: | 郭浩辉;麦小婵 |
地址: | 510300 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 海上 电场 生物 监测 方法 系统 计算机 设备 存储 介质 | ||
1.一种海上风电场生物监测方法,应用于一风电场海域内,所述风电场海域内设有多个节点区域,其特征在于,每个节点区域内均设有生物 信息采集设备组及生物识别终端;所述方法包括以下步骤:
将各节点区域内进行生物识别的生物识别端所获得生物信息上传至服务端;
所述服务端根据各生物识别端的生物信息分布下发数据增强信息,根据数据增强后的生物信息分布进行节点区域的调整,根据调整后的节点区域创建节点服务端,并通过节点服务端向对应的生物识别端下发初始生物识别模型;
各节点服务端通过梯度下降法对各自的初始生物识别模型进行迭代训练,并将训练后的初始生物识别模型上传至服务端,所述服务端通过融合算法对训练后的各初始生物识别模型进行模型融合,以得到目标生物识别模型;
所述初始生物识别模型生成的方法包括:
根据卷积神经元网络及该神经元网络对应的第一激活函数,对分批次输入所述卷积神经元网络的生物、船舶图像数据集中的数据进行正向传播,从而得到生物、船舶预测图;根据第一损失函数计算所述生物、船舶预测图与标准生物、船舶图像之间的第一差值,将所述第一差值进行反向传播,并通过预设周期的迭代训练得到生物、船舶图像识别模型;
根据BP神经元网络及该神经元网络对应的第二激活函数,对分批次输入所述BP神经元网络的生物、背景声音数据集中的数据进行正向传播,从而得到生物、背景声音预测帧;根据第二损失函数计算所述生物、背景声音预测帧与标准生物、背景声音帧之间的第二差值,将所述第二差值进行反向传播,并通过预设周期的迭代训练得到生物、背景声音识别模型;
将所述生物、船舶图像识别模型及生物、背景声音识别模型进行整合处理,以得到初始生物识别模型;
所述生物信息采集设备组包括视频采集设备组及音频采集设备组,
所述视频采集设备组包括若干设置于水上的第一视频采集设备及若干对应设置于水下的第二视频采集设备,所述第一视频采集设备与所述第二视频采集设备相关联;
所述音频采集设备组包括若干与所述第二视频采集设备对应设备的水听器阵列,所述水听器阵列与所述第二视频采集设备相关联。
2.根据权利要求1所述的海上风电场生物监测方法,其特征在于,通过节点服务端向对应的生物识别端下发初始生物识别模型的步骤之前,所述方法还包括:服务终端根据损失函数及数据增强后的生物信息对初始生物识别模型进行训练,直至模型的损失值趋向于收敛。
3.根据权利要求1所述的海上风电场生物监测方法,其特征在于,所述方法还包括;
接收所述生物 信息采集设备组所监测到的当前节点区域的生物信息,所述生物信息包括视频流及音频流;
分别对所述视频流及音频流中的图像帧及音频帧进行分类标记,以得到生物、船舶图像数据集及生物、背景声音数据集。
4.根据权利要求1所述的海上风电场生物监测方法,其特征在于,所述服务端通过融合算法对训练后的各初始生物识别模型进行模型融合的方法包括:
接收各节点服务器进行迭代训练后的所得到的初始生物识别模型;
将各训练后的初始生物识别模型作为输入,通过联邦平均算法对各训练后的初始生物识别模型进行整合,以得到目标生物识别模型。
5.根据权利要求1所述的海上风电场生物监测方法,其特征在于,所述方法还包括:将所述目标生物识别模型下发至各生物识别端进行生物识别,根据识别结果进行静态安全分析,并将其中识别准确率小于标准值的生物信息加入生物识别的约束中,以对所述目标生物模型进行约束。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国家海洋局南海调查技术中心(国家海洋局南海浮标中心),未经国家海洋局南海调查技术中心(国家海洋局南海浮标中心)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010946992.2/1.html,转载请声明来源钻瓜专利网。