CN111340946A - 河道地形模型构建方法、装置、机器人和存储介质 - Google Patents
河道地形模型构建方法、装置、机器人和存储介质 Download PDFInfo
- Publication number
- CN111340946A CN111340946A CN202010169985.6A CN202010169985A CN111340946A CN 111340946 A CN111340946 A CN 111340946A CN 202010169985 A CN202010169985 A CN 202010169985A CN 111340946 A CN111340946 A CN 111340946A
- Authority
- CN
- China
- Prior art keywords
- river
- sludge
- sonar
- robot
- frequency
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000010802 sludge Substances 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000001965 increasing effect Effects 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 17
- 238000003384 imaging method Methods 0.000 abstract description 11
- 238000004140 cleaning Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 5
- 238000002360 preparation method Methods 0.000 abstract description 4
- 230000008447 perception Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000009792 diffusion process Methods 0.000 description 9
- 239000002609 medium Substances 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 239000013049 sediment Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000012736 aqueous medium Substances 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007542 hardness measurement Methods 0.000 description 1
- 230000002706 hydrostatic effect Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000008234 soft water Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种河道地形模型构建方法、装置、机器人和存储介质，首先，通过构建球坐标系，增加机器人的仰角信息，加大机器人对地形的态势感知；其次，通过双频声呐返回的声波信息，可以快速准确地测量出河底淤泥的相关参数，为河道淤泥清理前期工作准备奠定基础，提高河道清淤工程效率；然后，通过高斯过程随机场构建基于树结构因子图的河道地形模型，降低声呐图像背景噪声；最后，经过河道场景重现，完成河道地形三维建模过程。本发明具有背景噪声小，目标特征细节多，三维成像效果好，参数测量精准等优点。
Description
技术领域
本发明涉及河道清淤技术领域，尤其是一种河道地形模型构建方法、装置、机器人和存储介质。
背景技术
目前，河道淤积已经日益影响到防洪、排涝、灌溉、供水、通航等各项功能的正常发挥，为恢复河道正常功能，河道清淤疏浚工程逐渐被提上日程。通常在计划施工河道前，都需要查看河底淤积严重程度，现阶段采用的一般是围堰排水后检查淤积或者不检查就直接挖掘，这两种方法普遍都耗时耗力，自动化程度低，人工成本高，造成清淤效率低，并且对河道通航具有一定的影响。因此为提高河底清淤的工作效率，提前做好疏浚河道的水下地形特征及周边环境的认识和预判工作，以及考虑如何减少人力物力的投入显得十分有重要。
而由于成像声呐能够提供远距离、高分辨率的水下声学图像，弥补了光学设备在水下探测中短视距、低分辨率的缺点，声呐设备已经成为水下探测的主要设备。若能将成像声呐系统利用到河道清淤疏浚工程中，将能大大推进河道治理工程进步，减少人力物力。
然而，现阶段的成像声呐依然存在一定的缺陷，比如图像的整体观感偏暗，像素的灰度值低，分布不均衡，缺失仰角信息等；同一个目标在不同的帧之间，由于目标的位置变化，其成像可能大相径庭；图像的分辨率较低，目标的细节特征比较少，而且目标的边界具有较大的不规则性等问题，因此如何提升声呐成像质量也是急需解决的问题。
发明内容
为解决上述问题，本发明的目的在于提供一种河道地形模型构建方法、装置、机器人和存储介质，具有背景噪声小、目标特征细节多、三维成像效果好以及参数测量精准的优点。
本发明解决其问题所采用的技术方案是：
第一方面，本发明实施例提出了一种河道地形模型构建方法，包括：
建立球坐标系，增加机器人的仰角信息；
利用双频声呐测量河道淤泥参数；
通过双频声呐采集的声呐图像构建河道地形模型。
进一步，所述建立球坐标系，增加机器人的仰角信息包括，机器人直角坐标转换成声呐球坐标的计算公式如下：
其中，机器人直角坐标表示为C＝[x，y，z]T，声呐球坐标表示为S＝[r，θ，φ]T，其中r是范围，θ是方位和φ是仰角。
进一步，所述建立球坐标系，增加机器人的仰角信息包括：通过将声呐采集到的特征从全局帧转换为以球坐标参数化的声纳帧，并且由等式h(x，1)＝h(C)来预测观测值，从而得到仰角信息。
进一步，所述利用双频声呐测量河道淤泥参数包括，
利用双频声呐测量河底深度、淤泥厚度以及淤泥硬度，河底深度的计算公式如下：
其中，H为河底深度，V为水中声速，t为自发射脉冲声波的瞬时起至接收到水底回波的时间；
淤泥厚度的计算公式如下：
H淤泥顶高＝[H机器人-H高频]
H淤泥底高＝[H机器人-H低频]
H淤泥厚度＝H淤泥顶高-H淤泥底高
其中，H机器人代表从机器人的双频声呐发出位置到河底表面的高度，H高频表示高频回声测深值，H低频表示低频回声测深值，H淤泥顶高和H淤泥底高分别表示淤泥层的顶层高度和底层高度，两者之差为淤泥厚度H淤泥厚度。
进一步，所述通过双频声呐采集的声呐图像构建河道地形模型包括：采用局部特征点检测算法A-KAZE进行声呐图像特征跟踪，利用高斯过程随机场构建基于河道地形的树结构因子图，将树结构因子图经过河道场景重现，以构建河道地形模型。
第二方面，本发明实施例还提出了一种河道地形模型构建装置，包括：
坐标构建模块，用于建立球坐标系，增加机器人的仰角信息；
测量模块，用于利用双频声呐测量河道淤泥参数；
模型构建模块，用于通过双频声呐采集的声呐图像构建河道地形模型。
第三方面，本发明实施例还提出了一种机器人，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面所述的方法。
第四方面，本发明实施例还提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行本发明第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：本发明提供的一种河道地形模型构建方法、装置、机器人和存储介质，首先，通过构建球坐标系，增加机器人的仰角信息，加大机器人对地形的态势感知；其次，通过双频声呐返回的声波信息，可以快速准确地测量出河底淤泥的相关参数，为河道淤泥清理前期工作准备奠定基础，提高河道清淤工程效率；然后，通过高斯过程随机场构建基于树结构因子图的河道地形模型，降低声呐图像背景噪声；最后，经过河道场景重现，完成河道地形三维建模过程。本发明具有背景噪声小，目标特征细节多，三维成像效果好，参数测量精准等优点。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明第一实施例中河道地形模型构建方法的流程简图；
图2是本发明第一实施例中机器人球坐标构建模型图；
图3是本发明第一实施例中河底地形剖面图；
图4是本发明第一实施例中河道淤泥厚度图；
图5是本发明第一实施例中声呐在不同硬度淤泥表面回波强度示意图；
图6是本发明第一实施例中树结构因子图；
图7是本发明第二实施例中河道地形模型构建装置的结构简图；
图8是本发明第三实施例中机器人的结构简图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
下面结合附图，对本发明实施例作进一步阐述。
如图1所示，本发明的第一实施例提供了一种河道地形模型构建方法，包括但不限于以下步骤：
S100：建立球坐标系，增加机器人的仰角信息；
S200：利用双频声呐测量河道淤泥参数；
S300：通过双频声呐采集的声呐图像构建河道地形模型。
优选地，本发明具体实施步骤如下：
在步骤S100中，由于机器人自身采用的是直角坐标系，而声呐探测采用球坐标系，因此采集到的特征需要转化为同一坐标系，但从三维世界映射到二维声呐图像中，会缺失仰角信息，若在球坐标系中增加的仰角信息可以使数据增加关联性，增强机器人的态势感知能力。
步骤一：在直角坐标系中，机器人中心坐标表示为C＝[x，y，z]T，利用声呐球坐标表示为S＝[r，θ，φ]T，其中r是范围，θ是方位和φ是仰角。若要使得两者在同一坐标系下，需要进行转换，这两种坐标转换可以表示以下方程：
如图2所示，机器人球坐标构建模型图中特征p表示为球面坐标系中的[r，θ，φ]T，方位角θ和范围r可以直接在测量中导出，仰角信息φ＝hφ(C)在二维声呐图像中无法测出。
步骤二：通过将声呐采集到的特征从全局帧转换为以球坐标参数化的声纳帧，并且由等式中的h(x，1)＝h(C)来预测观测值，从而得到仰角信息。
(1)机器人状态xi∈X和特征位置1j∈L是高斯测量模型中的两个变量节点，我们假设给定输入变量节点ui∈U的过程模型如下：
xi＝fi(Xi-1，ui)+wi，wi～N(0，Λi)，
(2)通过求解非线性最小二乘方程得到估计范围值X*，L*，
其中，ik，jk表示响应第k次测量的相关状态和特征，不同声纳帧中检测到的特征之间的对应关系(ik，jk)，wi、vk表示与声纳帧上的特征测量相关联的高斯噪声，机器人声呐帧的姿态生成模型fi和hk由声呐传感器测量得到，测量噪声协方差矩阵为Λi，Γk。
(3)仰角
被包含在机器人新坐标高度测量矢量
中，它基于预测值hφ(C)变化而变化，
通过以上公式推断以及测量，可以的预测出不能直接测量的仰角信息。
在步骤S200中，采用双频声纳探测法测量淤泥深度。双频声呐测量，即以高频测量淤泥水界面，再通过低频测量淤泥底层距水面距离，从而得到淤泥厚度。由于低频声信号比高频声信号更容易穿透柔软的水底沉积物，即在水底沉积物的地方，同一位置所获得的低频回声测深值H低频和高频回声测深值H高频是不一样的。在柔软的和坚硬的沉积物的界面处存在着大的声阻抗差异，声波在低声阻抗(如水)的物质和高声阻抗(如沉积物)的物质的界面处产生反射，换能器按一定频率垂直向下发射声脉冲，不同频率的声波，在不同的界面处产生反射。淤泥层、原状岩土体的波阻抗有较大差别(水体波阻抗<淤泥波阻抗<砂层波阻抗)，在水底界面、淤泥层底界面(波阻抗变化界面上会发生反射)，反射信号返回水面被接收天线接收，不同位置测得的反射信号形成河底地形剖面。根据探测的河底地形剖面上同相轴的变化特征和时序，可以识别出水下地形变化和淤积层底界面。高频声信号会在较为柔软的界面产生反射，而低频声信号比高频声信号穿透得更深。因此，低频回声测得的水深比高回声测得的水深要深，所以我们可用低频回声测深值和高频回声测深值的差值来测量水底沉积物的厚度。双频声呐探测通常用高频通道探测较浅的界面，用低频通道探测较深的界面，得出的结果能够提供更有用的关于水底地形和沉积物的信息。
(1)利用声呐返回声波测河底深度
由安装在测量船下的发射换能器垂直向水下发射一定频率的声波脉冲，以V(声速)在水中传播到水底，经反射或散射返回，被接收换能器所接收。利用双频前视声呐进行水下淤泥厚度测量，通过发射的超声波短脉冲从发射到达水底并返回的时间，将往返时间的一半乘以平均声速，就得到换能器到河底的水深。
设自发射脉冲声波的瞬时起，至接收换能器收到水底回波时间t，则换能器表面至水底的距离(水深)H为：
式中的水中声速V与水介质的体积弹性模量及密度均有关，而体积弹性模量及密度又是随温度、盐度及静水压力变化而变化。时间t是仪器测量得到的，一旦声速V、时间t确定后，那么换能器到水底的水深也就得知。
(2)利用声呐返回声波测淤泥厚度
将有利于河床表面有一定密度内的底质层称为河道淤泥层，通常其组成为粘性细颗粒泥沙。使用的双频声呐采用的工作原理是：声呐装置同时采用210KHz和33KHz两个工作频率。其中，低频由于其波长，穿透力强，能够到达河床底；高频的穿透能力较弱，只能到达淤泥顶部。然后，利用两者的高程差计算淤泥的厚度：
H淤泥顶高＝[H机器人-H高频]
H淤泥底高＝[H机器人-H低频]
H淤泥厚度＝H淤泥顶高-H淤泥底高
上式中H机器人代表从机器人的双频声呐发出位置到河底表面的高度，H高频表示高频回声测深值，H低频表示低频回声测深值，H淤泥顶高和H淤泥底高分别表示淤泥层的顶层高度和底层高度，两者之差为淤泥厚度H淤泥厚度，如图3所示河底地形剖面图。图4所示为河道淤泥厚度图，图中亮度越高，则表示淤泥厚度越薄，亮度越暗，则表示淤泥厚度越厚。
(3)利用声呐返回声波测淤泥硬度
由于不同硬度的淤泥的所反射的回声也是不一样的，一般情况下，水下凸起的面和硬度强、较粗糙的物质产生的回波强，而连续平滑的水下环境、凹陷柔软的物体产生的回波较弱。因此，将每一发射周期的接收数据一线接一线地纵向排列，显示在显示器上，就构成了二维水下地貌的声图。声图平面和水下平面逐点成映射关系，声图的亮度包涵了河底的不同材质淤泥的特征，根据声图就可以推断出位于不同区域的河底淤泥硬度了，如图5所示。
在步骤S300中，采用局部特征点检测算法A-KAZE进行特征跟踪，由于声纳图像中存在各种噪声，例如脉冲和斑点噪声，因此我们使用局部特征点检测算法A-KAZE的特征检测器，在不同的平滑比例声呐图像中采集特征并保留特征细节，从而提升图片特征提取效率及特征匹配精度。
采用局部特征点检测算法A-KAZE具体实现如下：
(1)采用偏微分方程进行求解，通过图像亮度的扩散来构建尺度空间，非线性扩散方程如下：
其中，L为图像亮度矩阵，div与
分别代表散度与梯度求解操作。由于扩散方程中引入传导函数c能够自适应于图像局部结构特性进行扩散。时间参数t对应于尺度因子，在扩散过程中通过图像梯度大小来控制。
(2)传导函数依赖于图像局部差分结构可以是标量或者张量形式，传导函数公式定义如下：
其中，
是经过高斯函数(尺度参数σ)平滑图像L。
(3)针对区域扩散平滑最优选择传导核函数：
参数λ用来控制扩散的程度，决定边缘区域要进行增强且平坦区域滤波的决策因子，能够很好的近似高斯滤波器和便于应用。执行M个循环的n次显示扩散步骤，每次步长大小τi来自于box filter滤波器的因子分解：
τj＝τmax/(2cos2(π(2j+1)/(4n+2))
(4)τmax最大步长阈值目的在于不能违背显式求解稳定条件的范围，盒滤波始终在稳定状态，因此可以获取特征提出循环结束的稳定。上式用矢量化矩阵进行表示如下：
(L(i+1)-Li)/τ＝A(Li)Li
A(Li)是对图像编码的传导矩阵，τ为一个恒定的步长(限制显式扩散稳定条件)。显式方法中，L(i+1)的解将通过前面图像演化Li与图像的传导函数A(Li)直接计算出来：
L(L+1，j+1)＝(I+τjA(LI))L(i+1，j)
整个算法循环过程中，A(Li)矩阵始终保持不变。当循环结束，算法将会重新计算矩阵A(Li)的值，从而实现声呐图像中的特征检测。
利用高斯过程随机场构建基于河道地形的树结构因子图具体实现如下：
(1)令X-＝[xi，yi]T为1i的特征位置表示，令mi＝zi为特征位置的高度表示，其定义从水面到特征的垂直距离，以及令
和mM*1为特征集L的二维位置矩阵和高度向量，高斯地形模型将二维位置映射到高度m＝g(X-)。高斯过程(GP)是一种非参数方法，在数学上表示为：
g(X-)～GP(0，k(X-，X-′))
(2)其中均值函数为零，k(·，·)是定义一对高度变量之间相似性的协方差函数。在高斯过程假设下，聚合高度向量m服从具有密集协方差矩阵N的联合高斯分布，
m～N(0，X(X-，X-))
(3)给定现有观测值的任何位置的预测平均值表示为：
(4)高斯过程模型本质上是涉及所有地标节点的巨大因子，能过滤背景噪声，且优化效果好，在因子图的可靠性中，我们使用在树结构上的节点定义的高斯过程随机场来近似完整的高斯过程模型。树状结构隐含了条件分布的乘积，树结构表示为：
其中，πi是节点i的父节点。
(5)假设树节点
作为高斯过程分布的特征节点，我们可以将联合分布和条件分布表示为
根据高斯过程随机场公式g(X)～GP(0，k(X-，X-′))，kij表示为
地形约束表示
(6)本质上，是在图上找到最大互信息生成树，其中包含连接任意两个二维节点的边，其中权重由两个随机高程变量之间的互信息定义，表示为：
其中，
是相关系数。利用上述过程完成河底地形树结构因子图的构建，解决河底淤泥跟踪特征被噪声中断的问题。
(7)如图6所示，最后将构建好的树结构因子图经过河道场景重现，完成河道地形模型构建。
综上所述，本发明的第一实施例提供了一种河道地形模型构建方法，首先，通过构建球坐标系，增加机器人的仰角信息，加大机器人对地形的态势感知；其次，通过双频声呐返回的声波信息，可以快速准确地测量出河底淤泥的相关参数，为河道淤泥清理前期工作准备奠定基础，提高河道清淤工程效率；然后，通过高斯过程随机场构建基于树结构因子图的河道地形模型，降低声呐图像背景噪声；最后，经过河道场景重现，完成河道地形三维建模过程。本方法具有背景噪声小，目标特征细节多，三维成像效果好，参数测量精准等优点。
另外，如图7所示，本发明的第二实施例提供了一种河道地形模型构建装置，包括：
坐标构建模块110，用于建立球坐标系，增加机器人的仰角信息；
测量模块120，用于利用双频声呐测量河道淤泥参数；
模型构建模块130，用于通过双频声呐采集的声呐图像构建河道地形模型。
本实施例中的河道地形模型构建装置与第一实施例中的河道地形模型构建方法基于相同的发明构思，因此，本实施例中的河道地形模型构建系统具有相同的有益效果：首先，通过构建球坐标系，增加机器人的仰角信息，加大机器人对地形的态势感知；其次，通过双频声呐返回的声波信息，可以快速准确地测量出河底淤泥的相关参数，为河道淤泥清理前期工作准备奠定基础，提高河道清淤工程效率；然后，通过高斯过程随机场构建基于树结构因子图的河道地形模型，降低声呐图像背景噪声；最后，经过河道场景重现，完成河道地形三维建模过程。本装置具有提高清淤工程效率，自动化程度高，人力投入成本低等优点。
如图8所示，本发明的第三实施例还提供了一种机器人，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述第一实施例中任意一种河道地形模型构建方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的虚拟影像控制方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行立体成像处理装置的各种功能应用以及数据处理，即实现上述任一方法实施例的河道地形模型构建方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据立体成像处理装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该立体投影装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任意方法实施例中的河道地形模型构建方法，例如第一实施例中的方法步骤S100至S300。
本发明的第四实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个处理器执行上述方法实施例中的一种河道地形模型构建方法，例如第一实施例中的方法步骤S100至S300。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种河道地形模型构建方法，其特征在于，包括：
建立球坐标系，增加机器人的仰角信息；
利用双频声呐测量河道淤泥参数；
通过双频声呐采集的声呐图像构建河道地形模型。
2.根据权利要求1所述的一种河道地形模型构建方法，其特征在于，所述建立球坐标系，增加机器人的仰角信息包括，机器人直角坐标转换成声呐球坐标的计算公式如下：
其中，机器人直角坐标表示为C＝[x，y，z]T，声呐球坐标表示为S＝[r，θ，φ]T，其中r是范围，θ是方位和φ是仰角。
3.根据权利要求2所述的一种河道地形模型构建方法，其特征在于，所述建立球坐标系，增加机器人的仰角信息包括：通过将声呐采集到的特征从全局帧转换为以球坐标参数化的声纳帧，并且由等式h(x，1)＝h(C)来预测观测值，从而得到仰角信息。
4.根据权利要求1所述的一种河道地形模型构建方法，其特征在于，所述利用双频声呐测量河道淤泥参数包括，
利用双频声呐测量河底深度、淤泥厚度以及淤泥硬度，河底深度的计算公式如下：
其中，H为河底深度，V为水中声速，t为自发射脉冲声波的瞬时起至接收到水底回波的时间；
淤泥厚度的计算公式如下：
H淤泥顶高＝[H机器人-H高频]
H淤泥底高＝[H机器人-H低频]
H淤泥厚度＝H淤泥顶高-H淤泥底高
其中，H机器人代表从机器人的双频声呐发出位置到河底表面的高度，H高频表示高频回声测深值，H低频表示低频回声测深值，H淤泥顶高和H淤泥底高分别表示淤泥层的顶层高度和底层高度，两者之差为淤泥厚度H淤泥厚度。
5.根据权利要求1所述的一种河道地形模型构建方法，其特征在于，所述通过双频声呐采集的声呐图像构建河道地形模型包括：采用局部特征点检测算法A-KAZE进行声呐图像特征跟踪，利用高斯过程随机场构建基于河道地形的树结构因子图，将树结构因子图经过河道场景重现，以构建河道地形模型。
6.一种河道地形模型构建装置，其特征在于，包括：
坐标构建模块，用于建立球坐标系，增加机器人的仰角信息；
测量模块，用于利用双频声呐测量河道淤泥参数；
模型构建模块，用于通过双频声呐采集的声呐图像构建河道地形模型。
7.一种机器人，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010169985.6A CN111340946A (zh) | 2020-03-12 | 2020-03-12 | 河道地形模型构建方法、装置、机器人和存储介质 |
| PCT/CN2020/112537 WO2021179548A1 (zh) | 2020-03-12 | 2020-08-31 | 河道地形模型构建方法、装置、机器人和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010169985.6A CN111340946A (zh) | 2020-03-12 | 2020-03-12 | 河道地形模型构建方法、装置、机器人和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340946A true CN111340946A (zh) | 2020-06-26 |
Family
ID=71182270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010169985.6A Pending CN111340946A (zh) | 2020-03-12 | 2020-03-12 | 河道地形模型构建方法、装置、机器人和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111340946A (zh) |
| WO (1) | WO2021179548A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111764455A (zh) * | 2020-07-02 | 2020-10-13 | 尹东 | 一种智能化多级河道清淤法 |
| CN113189598A (zh) * | 2021-05-13 | 2021-07-30 | 无锡德林海环保科技股份有限公司 | 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法 |
| WO2021179548A1 (zh) * | 2020-03-12 | 2021-09-16 | 五邑大学 | 河道地形模型构建方法、装置、机器人和存储介质 |
| CN116341283A (zh) * | 2023-05-19 | 2023-06-27 | 汇杰设计集团股份有限公司 | 一种基于深水淤泥采样的水下地形仿真方法和系统 |
| CN117468529A (zh) * | 2023-12-26 | 2024-01-30 | 江苏筑港建设集团有限公司 | 一种水下疏浚施工工艺 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114820969B (zh) * | 2022-04-21 | 2023-01-31 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种三维地质模型构建方法 |
| CN116883611B (zh) * | 2023-09-07 | 2023-12-15 | 中交天航南方交通建设有限公司 | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179635A1 (en) * | 2009-09-15 | 2012-07-12 | Shrihari Vasudevan | Method and system for multiple dataset gaussian process modeling |
| US20140333616A1 (en) * | 2013-05-13 | 2014-11-13 | Electronics And Telecommunications Research Institute | Method for representing terrain, method for creating terrain primitives, and apparatus using the methods |
| CN106197398A (zh) * | 2016-08-19 | 2016-12-07 | 长信智控网络科技有限公司 | 应用于内河河道的导航系统及其地图构建方法 |
| CN108761467A (zh) * | 2018-05-25 | 2018-11-06 | 淮阴师范学院 | 一种基于前视声纳的三维水下地图构建方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110007299B (zh) * | 2019-04-16 | 2020-02-11 | 哈尔滨工业大学 | 一种基于混合坐标伪谱技术的微弱目标检测跟踪方法 |
| CN110765686B (zh) * | 2019-10-22 | 2020-09-11 | 中国人民解放军战略支援部队信息工程大学 | 利用有限波段海底地形进行船载声呐测深测线设计的方法 |
| CN111340946A (zh) * | 2020-03-12 | 2020-06-26 | 五邑大学 | 河道地形模型构建方法、装置、机器人和存储介质 |
-
2020
- 2020-03-12 CN CN202010169985.6A patent/CN111340946A/zh active Pending
- 2020-08-31 WO PCT/CN2020/112537 patent/WO2021179548A1/zh active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120179635A1 (en) * | 2009-09-15 | 2012-07-12 | Shrihari Vasudevan | Method and system for multiple dataset gaussian process modeling |
| US20140333616A1 (en) * | 2013-05-13 | 2014-11-13 | Electronics And Telecommunications Research Institute | Method for representing terrain, method for creating terrain primitives, and apparatus using the methods |
| CN106197398A (zh) * | 2016-08-19 | 2016-12-07 | 长信智控网络科技有限公司 | 应用于内河河道的导航系统及其地图构建方法 |
| CN108761467A (zh) * | 2018-05-25 | 2018-11-06 | 淮阴师范学院 | 一种基于前视声纳的三维水下地图构建方法 |
Non-Patent Citations (9)
| Title |
|---|
| BADAL SONI ETAL.: "Image Forgery Detection using AKAZE Keypoint Feature Extraction and Trie Matching", 《INTERNATIONAL JOURNAL OF INNOVATIVE TECHNOLOGY AND EXPLORING ENGINEERING》, pages 3 * |
| JINKUN WANG ETAL.: "Underwater Terrain Reconstruction from Forward-Looking Sonar Imagery", pages 1 - 4 * |
| JINKUN WANG: "TOWARDS 3D MAPPING AND AUTONOMOUS EXPLORATION FOR UNDERWATER ROBOTS IN CLUTTERED ENVIRONMENTS" * |
| JOACHIM WEICKERT ETAL.: "Cyclic Schemes for PDE-Based Image Analysis", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》, pages 2 - 3 * |
| PABLO F. ALCANTARILLA ETAL.: "Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces", 《IEEE ROBOTICS AND AUTOMATION LETTERS》, vol. 3, no. 3, pages 2 - 4 * |
| PABLO FERNÁNDEZ ALCANTARILLA ETAL.: "KAZE Features", 《COMPUTER VISION-ECCV 2012》, pages 3 * |
| PF ALCANTARILLA ETAL.: "Fast Explict Diffusion for Accelerated Features in Nonlinear Scale Specs" * |
| SVEN GREWENIG ETAL.: "From Box Filtering to Fast Explicit Diffusion", 《DAGM 2010：PATTERN RECOGNITION》, pages 2 - 3 * |
| 章思亮 等: "淤泥测量常用模型分析与比较", vol. 23, no. 23, pages 0 - 2 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179548A1 (zh) * | 2020-03-12 | 2021-09-16 | 五邑大学 | 河道地形模型构建方法、装置、机器人和存储介质 |
| CN111764455A (zh) * | 2020-07-02 | 2020-10-13 | 尹东 | 一种智能化多级河道清淤法 |
| CN113189598A (zh) * | 2021-05-13 | 2021-07-30 | 无锡德林海环保科技股份有限公司 | 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法 |
| CN113189598B (zh) * | 2021-05-13 | 2021-12-07 | 无锡德林海环保科技股份有限公司 | 一种湖床盆地快速定位及淤泥分布及厚度快速测定方法 |
| CN116341283A (zh) * | 2023-05-19 | 2023-06-27 | 汇杰设计集团股份有限公司 | 一种基于深水淤泥采样的水下地形仿真方法和系统 |
| CN117468529A (zh) * | 2023-12-26 | 2024-01-30 | 江苏筑港建设集团有限公司 | 一种水下疏浚施工工艺 |
| CN117468529B (zh) * | 2023-12-26 | 2024-05-10 | 江苏筑港建设集团有限公司 | 一种水下疏浚施工工艺 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021179548A1 (zh) | 2021-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111340946A (zh) | 河道地形模型构建方法、装置、机器人和存储介质 | |
| CN102446367B (zh) | 基于多波束声纳海底测量数据构建三维地形矢量模型的方法 | |
| Inglis et al. | A pipeline for structured light bathymetric mapping | |
| CN102928844B (zh) | 一种水下亚波长分辨率三维成像方法 | |
| CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
| CN101788666A (zh) | 基于多波束声纳数据的水下三维地形重建方法 | |
| CN114488164B (zh) | 水下航行器同步定位与建图方法及水下航行器 | |
| Wang et al. | Review of underwater acoustic propagation models. | |
| CN107247291A (zh) | 海底浅地层声能衰减模型构建及其两个重要声能衰减特征参数提取方法 | |
| Moulton et al. | Improving the time resolution of surfzone bathymetry using in situ altimeters | |
| CN112882037B (zh) | 侧扫声呐海底线检测方法及装置 | |
| CN116660996B (zh) | 一种基于深度学习的漂流式浅海局部地声参数预测方法 | |
| CN107644456B (zh) | 基于激光偏振特性的海底地形重建系统及方法 | |
| Wu et al. | Multi-beam bathymetric technology | |
| Tang et al. | Three dimensional height information reconstruction based on mobile active sonar detection | |
| JP5497302B2 (ja) | 合成開口ソーナー | |
| CN113313651B (zh) | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 | |
| Ye et al. | Geometric correction method of side-scan sonar image | |
| Murino et al. | A confidence-based approach to enhancing underwater acoustic image formation | |
| CN111260674B (zh) | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 | |
| CN109342568B (zh) | 一种淤泥质海底航道失稳滑塌全周期声纹识别方法 | |
| Pratomo | Dredging Volume Analysis Using Bathymetric Multifrequency | |
| CN116930976B (zh) | 基于小波模极大值的侧扫声呐图像的海底线检测方法 | |
| CN217483477U (zh) | 用于测量河道淤泥厚度的无人船系统 | |
| Woock | Side-scan sonar based SLAM for the deep sea |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |