CN112327327B - 一种基于遗传算法的激光雷达成像质量探测方法及系统 - Google Patents
一种基于遗传算法的激光雷达成像质量探测方法及系统 Download PDFInfo
- Publication number
- CN112327327B CN112327327B CN202011222485.0A CN202011222485A CN112327327B CN 112327327 B CN112327327 B CN 112327327B CN 202011222485 A CN202011222485 A CN 202011222485A CN 112327327 B CN112327327 B CN 112327327B
- Authority
- CN
- China
- Prior art keywords
- genetic algorithm
- phase modulation
- image
- matrix
- laser radar
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
Description
技术领域
本发明涉及一种提高雷达成像质量的方法,属于激光雷达探测技术领域。
背景技术
伴随激光雷达探测技术的发展,探测灵敏度越来越高,目前单光子探测技术可以达到单光子响应灵敏度,极大的提高了激光雷达的成像探测距离。但将光子计数激光应用于远距离成像探测时存在诸多问题,激光信号经过长距离的大气传输除了能量的衰减以外,还会受到大气湍流等因素而出现光束漂移、光斑闪烁、图像畸变等不良影响,这些影响主要是光束传输过程中引入了大气随机的相位,这种影响会随距离的累积而加重,严重影响了光子计数激光成像雷达远距离成像探测质量。
目前现有技术解决这一问题的方法是自适应光学波前矫正技术,通过回波波前的探测,从而施加反向的相位调制,这种方法技术难度大、成本高,所需检测设备体积大,需要额外的器件进行波前探测,一方面造成能量损失不适用于光子计数激光成像雷达远距离成像探测;另一方面光子计数激光成像雷达回波信号微弱,光子级信号无法进行有效的波前探测,进而导致这种自适应光学波前矫正技术无法达到预期效果。
发明内容
本发明目的是为了解决自适应光学波前矫正技术应用于长距离激光雷达成像技术中存在的问题,提供了一种基于遗传算法的激光雷达成像质量探测方法及系统。
本发明所述一种基于遗传算法的激光雷达成像质量探测方法,该方法为:通过遗传算法迭代演化出全局最优相位调制矩阵,将所述全局最优相位调制矩阵前馈加载至发射端的空间光调制器,对激光器输出光束进行相位调制后再发射;
遗传算法以相位调制矩阵作为繁衍对象;
遗传算法以能量利用率作为成本函数,遗传算法的成本函数为:
式中,η为能量利用率,Im为从接收端的阵列探测器提取的目标轮廓内信号强度,{I0}为接收光学系统的阵列探测器接收信号的平均强度。
优选地,遗传算法的初始相位调制矩阵为均匀伪随机分布中相位值创建的矩阵。
优选地,遗传算法的初始相位调制矩阵为大气湍流相位逆矩阵,所述大气湍流相位逆矩阵的获取过程为:观察一段时间大气湍流获取大气湍流相位矩阵,进而获取其逆矩阵。
优选地,遗传算法迭代演化的终止条件为:
突变百分比R按
R=(R0-Rend)·exp(-n/λ)+Rend
获取;
式中:R0为初始突变率,Rend为最终突变率,n为繁殖代数,λ为衰减因子。
优选地,还包括对输出图像的判断步骤:
对相位调制后阵列探测器输出图像的质量进行判断,若该帧图像质量变差,则剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该该帧图像进行遗传算法演化。
优选地,图像质量变差或变好根据能量利用率η来判断,若从阵列探测器接收图像的能量利用率η为全局最大,则表征图像质量变好,否则为变差。
优选地,阵列探测器提取目标轮廓采用聚类算法实现。
本发明还提供一种基于遗传算法的激光雷达成像质量探测系统,该系统包括激光器1、光束整形模块2、空间光调制器3、发射光学系统4、接收光学系统5、阵列探测器6、提取目标轮廓模块7和遗传算法生成全局最优相位调制矩阵模块8;
激光器1发射激光信号,所述激光信号经光束整形模块2整形为线偏振方向与空间光调制器3的方向相匹配的光束,并由空间光调制器3调制相位后经发射光学系统4准直、扩束照射目标;
回波信号由接收光学系统5汇聚接收,然后由阵列探测器6进行探测;阵列探测器6输出的信号分为两路,其中一路由提取目标轮廓模块7提取信号发送给遗传算法生成全局最优相位调制矩阵模块8,遗传算法生成全局最优相位调制矩阵模块8生成的最优相位调制矩阵加载至空间光调制器3,来模块大气湍流扰动。
优选地,还包括图像判断模块9和图像处理及显示模块10,阵列探测器6输出的另一路信号发送至图像判断模块9,图像判断模块9对阵列探测器输出图像的质量进行判断,若该帧图像质量变差,则图像处理及显示模块10剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该该帧图像进行遗传算法演化,并在图像处理及显示模块10显示。
优选地,提取目标轮廓模块7采用聚类算法实现。
本发明的有益效果:本专利遗传算法是该技术的核心,通过以能量利用率为成本函数的新型遗传算法迭代演化出最佳的相位调制模板,然后通过反馈的方式调制智能阵列发射调控模块,实现大气湍流的实时矫正。
附图说明
图1是本发明所述基于遗传算法的激光雷达成像质量探测系统的原理框图;
图2是本发明所述基于遗传算法的激光雷达成像质量探测方法的流程图;
图3是采用本发明方法和传统方法的对照图,其中图3(a)为本发明基于能量利用率最大的遗传算法矫正的成像结果,图3(b)为同等参数情况下传统方法的成像结果。
具体实施方式
光子计数激光雷达采用具有单光子响应灵敏度的单光子探测器阵列作为探测器,极大的提高了成像作用距离,成为了远距离成像探测的发展重点。但其信号长距离的在大气中传输,大气湍流的影响会随传输距离累积,从而极大的影响了光子计数激光雷达成像质量。本发明针对这一问题,采用遗传算法智能矫正大气湍流,首先利用聚类算法确定阵列探测器接收到图像的大致轮廓,然后从能量利用率的角度设立成本函数,通过“选择”、“交叉”、“变异”迭代演化相位屏,反馈到发射端的空间光调制器,从而抵消大气湍流的影响,提高光子计数激光雷达成像质量。即本发明遗传算法是该技术的核心,通过以能量利用率为成本函数的遗传算法迭代演化出全局最优相位调制矩阵,然后通过反馈的方式加载至发射端的空间光调制器,实现大气湍流的实时矫正。
具体实施方式一:下面结合图1至图3说明本实施方式,本实施方式所述一种基于遗传算法的激光雷达成像质量探测方法,该方法为:通过遗传算法迭代演化出全局最优相位调制矩阵,将所述全局最优相位调制矩阵前馈加载至发射端的空间光调制器,对激光器输出光束进行相位调制后再发射;
遗传算法以相位调制矩阵作为繁衍对象;
遗传算法以能量利用率作为成本函数,遗传算法的成本函数为:
式中,η为能量利用率,Im为从接收端的阵列探测器提取的目标轮廓内信号强度,{I0}为接收光学系统的阵列探测器接收信号的平均强度。
遗传算法是一种模拟自然界“生存环境”,遵从“适者生存”法则,高度并行、随机和自适应的优化算法,能够快速地收敛得到求解问题的最优解。本发明基于遗传算法的智能发射调控流程图如图2所示。由于系统中我们采用的调制器是纯相位的空间光调制器,所以这里我们将调制的相位矩阵作为遗传算法的繁衍对象。遗传算法的基本运算过程包括初始化、个体评价(设置成本函数)、选择运算、交叉运算、变异运算及终止条件判断。
首先,初始相位矩阵有两种方案,第一种方案:初始相位调制矩阵为均匀伪随机分布中相位值创建的矩阵,第二种方案:初始相位调制矩阵为大气湍流相位逆矩阵,所述大气湍流相位逆矩阵的获取过程为:观察一段时间大气湍流获取大气湍流相位矩阵,进而获取其逆矩阵。这两种方案都能实现,但显然第二种方案能更快迭代收敛。
接下来是要满足遗传的三个基本条件“选择”、“交叉”、“变异”。
选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。群体中个体在繁衍后代过程中都有一定的选择概率,本实施方式中的选择概率用成本函数来测量,本实施方式的成本函数为:
能量利用率η越大表征目标轮廊内信号越强,湍流的影响越小。
Im和{I0}均来自于阵列探测器,采用聚类算法提取目标轮廊,进行获取目标轮廓内信号强度Im。
然后根据成本函数对所有的相位矩阵进行排序,能量利用率η越高得到的排序越高,遗传中被选择的概率就高。
交叉运算:随后,从群体中随机选择两个亲本(ma和pa)进行繁殖,在繁殖前创建一个随机的二进制繁殖模板数组T,两个亲本交叉组合生成后代S的形式是:
S=ma·T+pa·(1-T)
变异运算:下一步是加入变异体,这通过随机改变一组相位矩阵来实现。
终止条件:为了防止算法突变过多,我们引入了突变百分比R,当算法运行接近最优相位模板时,突变百分比R减小。具体遗传算法迭代演化的终止条件为:
突变百分比R按
R=(R0-Rend)·exp(-n/λ)+Rend
获取;
式中:R0为初始突变率,Rend为最终突变率,n为繁殖代数,λ为衰减因子。
计算后代的成本函数并对后代进行排序。不管成本函数如何,都会用新的后代代替指定数量(一般是群体总数的一半)的相位矩阵,而代价是牺牲上一代中排名较低的相位矩阵。最终通过多代繁殖,我们得到了一个全局最优的相位调制矩阵,将这个相位矩阵加载到空间光调制器能够实现在目标处能量利用率达到最大,从而消除湍流的影响,实现成像质量的提升。
采用第一种随机初始相位矩阵方案迭代次数多,需要很长时间才能满足终止条件,采用第二种初始相位矩阵,利用观测到的大气湍流的逆矩阵来抵消大气湍流的影响,很快就能收敛提高成像质量。
从初始相位矩阵演化至全局最优相位调制矩阵无论采用上述两种方案的哪一种所需时间都相对较长,当正常运行后,再利用当前帧图像实时进行遗传算法演化输出全局最优相位调制矩阵则相对快速,本实施方式给出如下判断步骤令其收敛快速且不断更新相位调制矩阵,使其能实时矫正图像质量。
对输出图像的判断步骤:
对相位调制后阵列探测器输出图像的质量进行判断,若该帧图像质量变差,则剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该该帧图像进行遗传算法演化。
图像质量变差或变好根据能量利用率η来判断,若从阵列探测器接收图像的能量利用率η为全局最大,则表征图像质量变好,否则为变差。
与现有技术相比,本发明技术可以有效的提高成像质量,如图3所示,为本专利能量利用率最大的智能遗传算法矫正的成像结果和同等参数情况下传统成像结果的比较。
系统的成像分辨率为100×100。激光每个脉冲平均0.5个光子,半峰宽为4.9ns,波形为高斯型。探测器的量子效率为η=60%@532nm,死时间为45n。图3(a)为本发明方法累计迭代演化15次的结果,图3(b)为同等参数下强度累加15次的成像结果,对比结果表明本专利的方法可以有效的矫正大气湍流的影响,提高成像质量,也通过能量利用率最优化的成本函数作用下有效提高了大气湍流信号闪烁、光斑漂移情况下的能量利用率,有效提高光子计数激光雷达成像质量。
具体实施方式二:下面结合图1说明本实施方式,本实施方式所述一种基于遗传算法的激光雷达成像质量探测系统,该系统包括激光器1、光束整形模块2、空间光调制器3、发射光学系统4、接收光学系统5、阵列探测器6、提取目标轮廓模块7和遗传算法生成全局最优相位调制矩阵模块8;
激光器1发射激光信号,所述激光信号经光束整形模块2整形为线偏振方向与空间光调制器3的方向相匹配的光束,并由空间光调制器3调制相位后经发射光学系统4准直、扩束照射目标;
回波信号由接收光学系统5汇聚接收,然后由阵列探测器6进行探测;阵列探测器6输出的信号分为两路,其中一路由提取目标轮廓模块7提取信号发送给遗传算法生成全局最优相位调制矩阵模块8,遗传算法生成全局最优相位调制矩阵模块8生成的最优相位调制矩阵加载至空间光调制器3,来模块大气湍流扰动。
进一步包括图像判断模块9和图像处理及显示模块10,阵列探测器6输出的另一路信号发送至图像判断模块9,图像判断模块9对阵列探测器输出图像的质量进行判断,若该帧图像质量变差,则图像处理及显示模块10剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该该帧图像进行遗传算法演化,并在图像处理及显示模块10显示。
提取目标轮廓模块7采用聚类算法实现。
工作流程为:
(1)打开激光器1发射激光信号,激光信号首先经过光束整形模块2的调整,变为光斑均匀性好且线偏振方向和空间光调制器3的方向相匹配,以便于提高调制效果。
(2)经过整形的激光信号照射到空间光调制器3上,空间光调制器3加载智能遗传算法生成最佳相位调制模板。
(3)经过空间光调制器3调制的信号光经过发射光学系统4的准直和扩束照射目标。
(4)回波信号由接收光学系统5汇聚接收,然后由阵列探测器6进行探测。
(5)探测的结果分成两路,一路用于遗传算法演化大气湍流的最佳相位调制模板,另一路进行图像判断,进行图像的处理和显示。
(6)阵列探测器6的到的探测的图像一路首先通过聚类算法提取目标轮廓,然后按照本发明设定的能量利用率最优的成本函数进行智能遗传算法演化,生成最佳相位调制模板输出给发射端的空间光调制器3用于下次发射信号的调制。
(7)阵列探测器6的到的探测的图像另一路进行图像判断,判断是否图像的质量有所提高:如果图像变差,则剔除该幅图像,用上一帧图像重新进行遗传算法演化;如果图像变好,则正常的使用新图像进行遗传算法演化。以保证遗传算法的有效收敛,快速地收敛得到最佳的图像。
(8)最后图像处理及显示模块10综合前面有效的探测图像,给出最终的探测图像。
Claims (10)
2.根据权利要求1所述一种基于遗传算法的激光雷达成像质量探测方法,其特征在于,遗传算法的初始相位调制矩阵为均匀伪随机分布中相位值创建的矩阵。
3.根据权利要求1所述一种基于遗传算法的激光雷达成像质量探测方法,其特征在于,遗传算法的初始相位调制矩阵为大气湍流相位逆矩阵,所述大气湍流相位逆矩阵的获取过程为:观察一段时间大气湍流获取大气湍流相位矩阵,进而获取其逆矩阵。
5.根据权利要求4所述一种基于遗传算法的激光雷达成像质量探测方法,其特征在于,还包括对输出图像的判断步骤:
对相位调制后阵列探测器输出的当前帧图像的质量进行判断,若该帧图像质量变差,则剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该帧图像进行遗传算法演化。
6.根据权利要求5所述一种基于遗传算法的激光雷达成像质量探测方法,其特征在于,图像质量变差或变好根据能量利用率η来判断,若从阵列探测器接收图像的能量利用率η为全局最大,则表征图像质量变好,否则为变差。
7.根据权利要求1所述一种基于遗传算法的激光雷达成像质量探测方法,其特征在于,阵列探测器提取目标轮廓采用聚类算法实现。
8.一种基于遗传算法的激光雷达成像质量探测系统,所述系统是用于实现权利要求1至7所述方法的,其特征在于,该系统包括激光器(1)、光束整形模块(2)、空间光调制器(3)、发射光学系统(4)、接收光学系统(5)、阵列探测器(6)、提取目标轮廓模块(7)和遗传算法生成全局最优相位调制矩阵模块(8);
激光器(1)发射激光信号,所述激光信号经光束整形模块(2)整形为线偏振方向与空间光调制器(3)的方向相匹配的光束,并由空间光调制器(3)调制相位后经发射光学系统(4)准直、扩束照射目标;
回波信号由接收光学系统(5)汇聚接收,然后由阵列探测器(6)进行探测;阵列探测器(6)输出的信号分为两路,其中一路由提取目标轮廓模块(7)提取信号发送给遗传算法生成全局最优相位调制矩阵模块(8),遗传算法生成全局最优相位调制矩阵模块(8)生成的最优相位调制矩阵加载至空间光调制器(3),来模块大气湍流扰动。
9.根据权利要求8所述一种基于遗传算法的激光雷达成像质量探测系统,其特征在于,还包括图像判断模块(9)和图像处理及显示模块(10),阵列探测器(6)输出的另一路信号发送至图像判断模块(9),图像判断模块(9)对阵列探测器输出的当前帧图像的质量进行判断,若该帧图像质量变差,则图像处理及显示模块(10)剔除该帧图像,用上一帧图像重新进行遗传算法演化;若该帧图像质量变好,则用该帧图像进行遗传算法演化,并在图像处理及显示模块(10)显示。
10.根据权利要求8所述一种基于遗传算法的激光雷达成像质量探测系统,其特征在于,提取目标轮廓模块(7)采用聚类算法实现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222485.0A CN112327327B (zh) | 2020-11-05 | 2020-11-05 | 一种基于遗传算法的激光雷达成像质量探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011222485.0A CN112327327B (zh) | 2020-11-05 | 2020-11-05 | 一种基于遗传算法的激光雷达成像质量探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327327A CN112327327A (zh) | 2021-02-05 |
CN112327327B true CN112327327B (zh) | 2022-08-05 |
Family
ID=74315975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011222485.0A Active CN112327327B (zh) | 2020-11-05 | 2020-11-05 | 一种基于遗传算法的激光雷达成像质量探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327327B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116094608A (zh) * | 2023-02-20 | 2023-05-09 | 燕山大学 | 一种基于遗传算法的空间相位畸变补偿系统及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200417170A (en) * | 2003-02-21 | 2004-09-01 | Accton Technology Corp | Power control method for CDMA communication system |
CN102288305A (zh) * | 2011-07-18 | 2011-12-21 | 中国科学院光电技术研究所 | 一种自适应光学系统波前传感器及其探测方法 |
CN102508938A (zh) * | 2011-09-23 | 2012-06-20 | 东华大学 | 一种二维不规则皮革自动排样裁剪方法 |
CN105512726A (zh) * | 2015-12-11 | 2016-04-20 | 中国船舶重工集团公司第七一九研究所 | 基于免疫遗传优化的可靠性分配方法及装置 |
CN105607073A (zh) * | 2015-12-18 | 2016-05-25 | 哈尔滨工业大学 | 一种采用相邻像元阈值法实时滤噪的光子计数成像激光雷达 |
CN105824030A (zh) * | 2016-03-10 | 2016-08-03 | 中国科学院光电技术研究所 | 一种基于子孔径快门调制相位差法的稀疏光学合成孔径成像方法 |
CN106872035A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院光电研究院 | 量子点光谱成像系统 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN109528161A (zh) * | 2018-11-06 | 2019-03-29 | 浙江大学 | 一种基于机器学习的高速高分辨扫描显微成像系统与方法 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 基于机器学习的快速自适应光学扫描显微成像系统与方法 |
CN111580271A (zh) * | 2020-06-24 | 2020-08-25 | 哈工大机器人(中山)无人装备与人工智能研究院 | 自适应像差校正方法及基于该方法的光片显微成像装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7092690B2 (en) * | 2002-03-13 | 2006-08-15 | Gregory Zancewicz | Genetic algorithm-based adaptive antenna array processing method and system |
US10036735B2 (en) * | 2013-08-26 | 2018-07-31 | The Regents Of The University Of Colorado, A Body Corporate | Imaging through scattering media with high signal to noise ratio and resolution |
-
2020
- 2020-11-05 CN CN202011222485.0A patent/CN112327327B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200417170A (en) * | 2003-02-21 | 2004-09-01 | Accton Technology Corp | Power control method for CDMA communication system |
CN102288305A (zh) * | 2011-07-18 | 2011-12-21 | 中国科学院光电技术研究所 | 一种自适应光学系统波前传感器及其探测方法 |
CN102508938A (zh) * | 2011-09-23 | 2012-06-20 | 东华大学 | 一种二维不规则皮革自动排样裁剪方法 |
CN105512726A (zh) * | 2015-12-11 | 2016-04-20 | 中国船舶重工集团公司第七一九研究所 | 基于免疫遗传优化的可靠性分配方法及装置 |
CN105607073A (zh) * | 2015-12-18 | 2016-05-25 | 哈尔滨工业大学 | 一种采用相邻像元阈值法实时滤噪的光子计数成像激光雷达 |
CN105824030A (zh) * | 2016-03-10 | 2016-08-03 | 中国科学院光电技术研究所 | 一种基于子孔径快门调制相位差法的稀疏光学合成孔径成像方法 |
WO2018161468A1 (zh) * | 2017-03-10 | 2018-09-13 | 东莞理工学院 | 一种基于拉马克获得性遗传原理的全局优化、搜索和机器学习方法 |
CN106872035A (zh) * | 2017-03-13 | 2017-06-20 | 中国科学院光电研究院 | 量子点光谱成像系统 |
CN110073301A (zh) * | 2017-08-02 | 2019-07-30 | 强力物联网投资组合2016有限公司 | 工业物联网中具有大数据集的数据收集环境下的检测方法和系统 |
CN109528161A (zh) * | 2018-11-06 | 2019-03-29 | 浙江大学 | 一种基于机器学习的高速高分辨扫描显微成像系统与方法 |
CN110389119A (zh) * | 2019-07-19 | 2019-10-29 | 浙江大学 | 基于机器学习的快速自适应光学扫描显微成像系统与方法 |
CN111580271A (zh) * | 2020-06-24 | 2020-08-25 | 哈工大机器人(中山)无人装备与人工智能研究院 | 自适应像差校正方法及基于该方法的光片显微成像装置 |
Non-Patent Citations (3)
Title |
---|
A simultaneous parameter adaptation scheme for genetic algorithms with application to phased array synthesis;D.W. Boeringer;《IEEE Transactions on Antennas and Propagation》;20051231;全文 * |
关联成像技术中调制光场优化研究进展;宋立军等;《导航与控制》;20200205(第01期);全文 * |
噪声情况下模型式无波前探测自适应光学系统扩展目标成像校正;马良等;《中国激光》;20190125(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112327327A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN111079304B (zh) | 一种Gm-APD激光雷达最远探测距离的计算方法 | |
CN112327327B (zh) | 一种基于遗传算法的激光雷达成像质量探测方法及系统 | |
CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN105469098A (zh) | 一种自适应特征权重合成的lidar数据地物精确分类方法 | |
Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
CN110365404B (zh) | 无波前传感自适应系统及利用该系统提高收敛速度的方法 | |
CN110263876B (zh) | 一种雨声信号降噪处理方法和系统 | |
Li et al. | Image Segmentation with PCNN Model and Immune Algorithm. | |
CN103530866B (zh) | 一种基于高斯云变换的图像处理方法及装置 | |
CN112801928B (zh) | 一种基于注意力机制的毫米波雷达与视觉传感器融合方法 | |
CN113205462B (zh) | 一种基于神经网络学习先验的光子反射率图像去噪方法 | |
CN111123284B (zh) | 探测方法及探测设备 | |
CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
CN109448060B (zh) | 一种基于蝙蝠算法的相机标定参数优化方法 | |
CN105335978A (zh) | 图像边缘的检测方法及系统 | |
CN114460805B (zh) | 一种基于高通滤波的遮挡物散射成像系统 | |
Abhishek et al. | Variational autoencoders for generative modelling of water Cherenkov detectors | |
CN110044474B (zh) | 一种基于插值算法的关联成像优化方法 | |
Wang et al. | Semi-supervised malicious traffic detection with improved wasserstein generative adversarial network with gradient penalty | |
Jia | A novel segmentation method using improved PCNN for fabric defect image | |
Fu et al. | Image segmentation with multilevel threshold of gray-level & gradient-magnitude entropy based on genetic algorithm | |
CN117475067B (zh) | 基于神经辐射场的大田渲染可视化快速渲染方法及装置 | |
CN116822323B (zh) | 一种基于物联网的激光光斑监测系统及方法 | |
CN117690124B (zh) | 基于多尺度注意力机制的小番茄成熟度实时检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |