买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京机电职业技术学院

摘要：基于路径优化算法的改进时差法测量仪流量监测方法，方法包括：S1、采集待测量流量区域空气泡和悬浮物信息数据；S2、获取空气泡和悬浮物体的大小体积，并对较小体积的目标做出相应的处理；S3、基于边缘检测算法获得的空气泡和悬浮物体的体积以及激光测量仪测获得的距离，构建流量测量最优路径算法；S4、训练最优路径算法，本申请旨在解决现有技术中天然河道流量测量装置随河道水位的变化和传感器安装位置改变影响测量结果的问题。

主权项：1.基于路径优化算法的改进时差法测量仪流量监测方法，具体步骤如下：S1、采集待测量流量区域空气泡和悬浮物信息数据；S2、获取空气泡和悬浮物体的大小体积，并对较小体积的目标做出相应的处理；所述步骤S2具体如下：S21、使用Canny边缘检测算法进行空气泡和悬浮物体大小体积检测；Canny边缘检测算法具体工作如下：通过摄像装置获得的目标物体，首先经过高斯滤波器进行预处理，采用下列公式进行高斯平滑处理： 其中，Gx,y代表滤波后的图像结果，x，y表示图像中像素的位置，σ为标准差，用于控制滤波器的平滑程度；使用多通道融合机制，即通过调节时差法测流装置不同的角度，拍摄不同方位的原始图像，构建N组输入数据，针对这N组数据进行滤波操作后，使用通道融合技术进行加权融合，实现方式为： 其中A1，A2，A3…，AN表示不同的通道，也就是不同角度拍摄的图像信息，“*”代表矩阵相乘，用于计算两个通道之间的相似度，α1，α2…αN，表示通向之间的相似性，不同角度的图像相似性是不一致的；基于相似度，重新赋予每个通道以权重：A＝α1，α2，α3…αN*A1，A2，A3…，ANA表示经过加权后的每个通道的图像特征；随后，针对处理后的每个通道图像信息计算其梯度强度和方向，以确定图像中潜在边缘的位置和走向，利用Sobel算子分别在水平和垂直方向上进行梯度计算，其计算公式为： 其中，Gx和Gy分别是图像在水平和垂直方向上的梯度，G和θ分别表示梯度强度和方向，arctan表示反三角函数；接着通过非极大值抑制技术，细化图像中的边缘，确保边缘以细线形式呈现，最后，通过设置高阈值Thigh和低阈值Tlow来标记强边缘和弱边缘；通过量化这些边缘形成的闭合轮廓，估算出空气泡和悬浮物体的体积：V＝maxWi*Hi*Li其中，Wi，Hi，Li代表每个气泡或者悬浮物体的长宽高，max代表最大值函数，为了测量准确，每个物体的体积测量多次取最大值作为最终体积；S22、针对体积较小的空气泡和悬浮物进行处理；设定体积阈值VM，当VVM，即检测到的空气泡和悬浮物体体积小于预先设定的阈值时，使用超声波进行清除操作；S3、基于边缘检测算法获得的空气泡和悬浮物体的体积以及激光测量仪测获得的距离，所述距离为测量空气泡和悬浮物体到测量仪的距离，构建流量测量最优路径算法；所述步骤S3具体如下：S31、计算气泡或悬浮物到路径的距离；D表示气泡到时差法测量仪的距离，其计算方式为： 其中，v是声波速度，ti表示是第i条路径的往返时间，N表示是有效回声路径的数量，通过距离计算补偿这种多路径效应来优化距离，α代表测量仪的倾斜角度，d代表气泡或者悬浮物体到最优路径的距离，其计算公式为：d＝D*sinαS32、构建最优路径算法；根据气泡和悬浮物体的体积V以及上一步获得的距离D，构建最优路径算法，原点代表河流中的空气泡以及悬浮物体，y代表最优路径公式，y1,y2分别表示路径两测空气泡或悬浮物体距离y最近两条路径，d1、d2表示y1、y2到最优路径y的距离；其中y1计算公式为：W11X1+W12X2+W13X3....W1nXn＝d1y2计算公式为：W21X1+W22X2+W23X3....W2nXn＝d2X1、X2、X3…Xn代表每个气泡和悬浮物体,W11、W12、W13…W1n代表每个气泡和悬浮物体的权重，其计算公式为： 其中η表示超参数，防止除零错误，i表示目标物体的个数；为了获得最优计算路径y，需要满足两个条件；一方面要求d1,d2大，也就是远离中心线y，从而降低中心线两侧的气泡和悬浮物体对该路径上的超声波信号的干扰；另一方面要求尽可能多的气泡和悬浮物体位于路径y1、y2上，使得绝大部分气泡和悬浮物体远离超声波信号所经过的路径；在满足上述条件的情况下，迭代寻找这样一组参数{W1,W2,W3,…Wn}，构建最优路径算法公式：y＝W1X1+W2X2+W3X3....WnXn上述公式代表了最佳测量路径预测算法，训练完成后可获得{W1,W2,W3,…Wn}具体值，之后反向获得距离d1和d2；S4、训练最优路径算法；所述步骤S4具体如下：S41、构建学习器网络；具体如下，输入x代表每一个气泡和悬浮物体特征，首先经过一个线性层，该层有一个权重矩阵和一个偏置向量，权重矩阵的维度是256x6，说明输入特征大小为6，输出特征为256；接下来是一个批量归一化层，对前一层的输出进行归一化处理，使得输出在训练过程中保持均值接近0和标准差接近1的分布；然后是一个非线性激活函数，允许小的梯度当输入值小于零时，以避免激活函数的输出完全为零，预防“死神经元”现象；第二个线性层的权重矩阵维度是256x256，这表示该层接受上一层256个特征作为输入，并输出256个特征，接着是一个批量归一化层和非线性激活函数；紧随其后的是一个add算子，它将第一个线性层后LeakyReLU的输出与第二个非线性激活函数的输出进行元素级相加，这是一个残差连接；接下来是一个减小维度的线性层，权重矩阵大小为128x256，这表明网络正在将256维的特征空间降低到128维，此后是另一个批量归一化和非线性激活函数；然后，网络通过一个进一步减少维度到64的线性层，其对应权重矩阵为64x128，跟随批量归一化和LeakyReLU；最后，网络有一个输出层，是一个线性层，其对应权重矩阵为1x64，将64维的特征映射到一个单一的输出，此网络即代表了输入x到y的映射关系；S42、对上述网络开始迭代训练，将预先采集的样本数据输入模型中，设置训练批次1000次，学习器采用Adam，学习率设置为0.01，损失采用如下公式： 其中，α表示权重信息，hsxi表示预测获得的值，yi表示真实的值，Loss表示两者之间的损失值。

全文数据：

权利要求：

百度查询： 南京机电职业技术学院 基于路径优化算法的改进时差法测量仪流量监测方法