一种基于学习架构的激光雷达测深方法、装置及电子设备制造方法及图纸

本发明专利技术涉及激光雷达探测领域，提供了一种基于学习架构的激光雷达测深方法、装置及电子设备，该方法包括：获取第一高精度全波形激光雷达数据；确定第一水面回波信号位置和第一水底回波信号位置；将第一高精度全波形激光雷达数据转化为第一二维图片数据；确定训练后的网络模型；获取第二高精度全波形激光雷达数据，根据第二高精度全波形激光雷达数据确定对应的第二二维图片数据；将第二二维图片数据输入所述网络模型，输出第二水面回波信号位置以及第二水底回波信号位置；根据第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深。本发明专利技术的技术方案可以适应复杂的激光回波信号、降低时间复杂度以及提高测量水深的效率和精确度。率和精确度。率和精确度。

【技术实现步骤摘要】
一种基于学习架构的激光雷达测深方法、装置及电子设备


[0001]本专利技术涉及激光雷达探测领域，具体而言，涉及一种基于学习架构的激光雷达测深方法、装置及电子设备。

技术介绍

[0002]海洋拥有宝贵的自然资源，是未来经济发展的重要支撑，海洋测绘与勘察是认识海洋、发展海洋经济的基础，其中海底地形的获取是海洋基础测绘的核心领域之一。
[0003]海洋测绘主要包括船载测量和遥感测量。传统的船载测量成本较大，效率较低。遥感测量中的水深测量主要包括摄影测量、高光谱等，摄影测量对水体环境要求严格，高光谱的测深范围较浅，误差较大。机载激光雷达测深是近年来蓬勃发展的海洋测深方法，测深覆盖面积大，测量时间短，且能够快速精准地获取水体区域的地形情况。机载激光雷达的激光雷达系统能够发射大功率、窄脉冲的激光束并记录回波信号能量在时间序列上的分布情况，从而得到完整的全波形数据。机载激光雷达测深就是对水域的全波形数据进行解算，进而获取水面、水底信号，从而得到水深值的过程。目前，全波形激光雷达处理波形数据的主要步骤包括有效波形提取、数据滤波、模型设计以及参数优化、水深结算四个部分，在模型设计和参数优化方面，目前，全波形激光雷达数据波形分析主要有数值检测法、高斯分解法、反卷积法等算法。其中，数值检测法不适应于复杂的激光回波信号，高斯分解法时间复杂度较高，浅水回波分解效果较差，而反卷积法运算量极大。

技术实现思路

[0004]本专利技术解决的问题是如何适应复杂的激光回波信号、降低时间复杂度以及提高测量水深的效率和精确度中的至少一者。
[0005]为解决上述问题，本专利技术提供一种基于学习架构的激光雷达测深方法、装置及电子设备。
[0006]第一方面，本专利技术提供了一种基于学习架构的激光雷达测深方法，包括：获取第一高精度全波形激光雷达数据；根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置；将所述第一高精度全波形激光雷达数据转化为第一二维图片数据；将所述第一二维图片数据、所述第一水面回波信号位置以及所述第一水底回波信号位置作为深度学习网络的训练集进行网络训练，确定训练后的网络模型；获取第二高精度全波形激光雷达数据，根据所述第二高精度全波形激光雷达数据确定对应的第二二维图片数据；将所述第二二维图片数据输入所述网络模型，输出第二水面回波信号位置以及第二水底回波信号位置；根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深。
[0007]可选地，所述将所述第一高精度全波形激光雷达数据转化为第一二维图片数据包括：基于第一公式对所述第一高精度全波形激光雷达数据进行格拉姆角差场处理，确定所述第一二维图片数据；所述第一公式包括：式中，GADF表示经过格拉姆角差场处理后得到的所述第一二维图片数据，表示所述第一高精度全波形激光雷达数据中按时间排列的第1个数据归一化后的反余弦，表示所述第一高精度全波形激光雷达数据中第n个数据归一化后的反余弦。
[0008]可选地，所述深度学习网络为Resnet_CBAM网络。
[0009]可选地，所述Resnet_CBAM网络的构建过程包括：在Resnet
‑
18网络中的每个原始block和残差结果中增加一个CBAM注意力模块，得到Resnet_CBAM网络，其中，所述CBAM注意力模块包括通道注意力模块和空间注意力模块；其中，所述Resnet_CBAM网络的输入为二维图片数据，输出为水面回波信号位置以及水底回波信号位置。
[0010]可选地，所述Resnet_CBAM网络中的损失函数采用均方误差函数；所述均方误差函数的公式为：式中，MSE表示所述均方误差函数，表示第j次预测的水面信号位置，表示第j次水面信号的真实位置，表示第j次预测的水底信号位置，表示第j次水底信号的真实位置，M表示训练批次的数量。
[0011]可选地，所述获取第一高精度全波形激光雷达数据包括：获取第一激光雷达测深波形数据，对所述第一激光雷达测深波形数据进行有效波形提取和滤波处理，确定所述第一高精度全波形激光雷达数据。
[0012]可选地，所述根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置包括：采用高斯分解法确定所述第一高精度全波形激光雷达数据对应的所述第一水面回波信号位置和所述第一水底回波信号位置。
[0013]可选地，所述根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深包括：
根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定第二水面回波信号位置以及第二水底回波信号位置的时间差；根据所述时间差确定水深。
[0014]第二方面，本专利技术提供了一种基于学习架构的激光雷达测深装置，包括：数据获取模块，用于获取第一高精度全波形激光雷达数据；第一数据处理模块，用于根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置；第二数据处理模块，用于将所述第一高精度全波形激光雷达数据转化为第一二维图片数据；网络训练模块，用于将所述第一二维图片数据、所述第一水面回波信号位置以及所述第一水底回波信号位置作为深度学习网络的训练集进行网络训练，确定训练后的网络模型；网络输入确定模块，用于获取第二高精度全波形激光雷达数据，根据所述第二高精度全波形激光雷达数据确定对应的第二二维图片数据；网络输出确定模块，用于将所述第二二维图片数据输入所述网络模型，输出第二水面回波信号位置以及第二水底回波信号位置；水深确定模块，用于根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深。
[0015]第三方面，本专利技术提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者至少一段程序由所述处理器加载并执行以实现如第一方面所述的基于学习架构的激光雷达测深方法。
[0016]本专利技术的基于学习架构的激光雷达测深方法、装置及电子设备的有益效果是：本专利技术将第一高精度全波形激光雷达数据转化为第一二维图片数据，实现时间序列数据的可视化，同时保留了原始数据的时间相关性，避免了信息的丢失；本专利技术训练的网络模型能够适应复杂的激光回波信号、降低时间复杂度，提高了输出的水面回波信号位置以及水底回波信号位置的效率和精确度，根据第二水面回波信号位置以及第二水底回波信号位置确定对应水深，进而提高测量水深的效率和精确度。
附图说明
[0017]图1为本专利技术实施例的一种基于学习架构的激光雷达测深方法的流程示意图；图2为高精度全波形激光雷达数据的示意图；图3为格拉姆角差场数据图；图4为本专利技术实施例的一种基于学习架构的激光雷达测深装置的结构示意图。
具体实施方式
[0018]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0019]图1为本专利技术实施例提供的一种基于学习架构的激光雷达测深方法的流程示意图，该方法包含以下步骤：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习架构的激光雷达测深方法，其特征在于，包括：获取第一高精度全波形激光雷达数据；根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置；将所述第一高精度全波形激光雷达数据转化为第一二维图片数据；将所述第一二维图片数据、所述第一水面回波信号位置以及所述第一水底回波信号位置作为深度学习网络的训练集进行网络训练，确定训练后的网络模型；获取第二高精度全波形激光雷达数据，根据所述第二高精度全波形激光雷达数据确定对应的第二二维图片数据；将所述第二二维图片数据输入所述网络模型，输出第二水面回波信号位置以及第二水底回波信号位置；根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深。2.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述将所述第一高精度全波形激光雷达数据转化为第一二维图片数据包括：基于第一公式对所述第一高精度全波形激光雷达数据进行格拉姆角差场处理，确定所述第一二维图片数据；所述第一公式包括：式中，GADF表示经过格拉姆角差场处理后得到的所述第一二维图片数据，表示所述第一高精度全波形激光雷达数据中按时间排列的第1个数据归一化后的反余弦，表示所述第一高精度全波形激光雷达数据中第n个数据归一化后的反余弦。3.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述深度学习网络为Resnet_CBAM网络。4.根据权利要求3所述的基于学习架构的激光雷达测深方法，其特征在于，所述Resnet_CBAM网络的构建过程包括：在Resnet
‑
18网络中的每个原始block和残差结果中增加一个CBAM注意力模块，得到Resnet_CBAM网络，其中，所述CBAM注意力模块包括通道注意力模块和空间注意力模块；其中，所述Resnet_CBAM网络的输入为二维图片数据，输出为水面回波信号位置以及水底回波信号位置。5.根据权利要求4所述的基于学习架构的激光雷达测深方法，其特征在于，所述Resnet_CBAM网络中的损失函数采用均方误差函数；所述均方误差函数的公式为：
式中，MSE表示所述均方误差函数，表示第j次预测的水面信号位置，表示第j次水面信号的真实位置，表示第j次预测...

【专利技术属性】
技术研发人员：谌一夫，钱悦，乐源，吴临，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：