CN115077414B - 一种水下航行器测量海面目标物底部轮廓的装置和方法 - Google Patents

一种水下航行器测量海面目标物底部轮廓的装置和方法 Download PDF

Info

Publication number
CN115077414B
CN115077414B CN202210466790.7A CN202210466790A CN115077414B CN 115077414 B CN115077414 B CN 115077414B CN 202210466790 A CN202210466790 A CN 202210466790A CN 115077414 B CN115077414 B CN 115077414B
Authority
CN
China
Prior art keywords
underwater vehicle
light spot
surface target
image
contour
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
Application number
CN202210466790.7A
Other languages
English (en)
Other versions
CN115077414A (zh
Inventor
韩彪
谢彬
马青山
马琳
赵钰
孙艳玲
刘昆仑
张博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No705 Research Institute Of China Shipbuilding Industry Corp
Xidian University
Original Assignee
No705 Research Institute Of China Shipbuilding Industry Corp
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by No705 Research Institute Of China Shipbuilding Industry Corp, Xidian University filed Critical No705 Research Institute Of China Shipbuilding Industry Corp
Priority to CN202210466790.7A priority Critical patent/CN115077414B/zh
Publication of CN115077414A publication Critical patent/CN115077414A/zh
Application granted granted Critical
Publication of CN115077414B publication Critical patent/CN115077414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种水下航行器测量海面目标物底部轮廓的装置和方法，该方法包括：步骤1：在水下航行器的移动过程中，获取若干光斑图像，光斑图像是准直激光束照射在水面目标的底部形成的；步骤2：将若干光斑图像输入神经网络模型，得到每个光斑图像对应的光斑位置信息；步骤3：根据光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；步骤4：根据每个几何图形周长，得到对应的水下航行器与水面目标的底部之间的距离信息；步骤5：根据若干距离信息，以及水下航行器的运动信息，得到水面目标的底部轮廓。本发明的测量装置和方法结构简单、操作方便、复杂度低、测量精度高可以适应多种水质环境，便于推广应用。

Description

一种水下航行器测量海面目标物底部轮廓的装置和方法
技术领域
本发明属于水下光学测量领域，具体涉及一种水下航行器测量海面目标物底部轮廓的装置和方法。
背景技术
水下航行器是指能够在水下移动的机器和设备，是海洋工程中的重要作业工具。当水下航行器在水下运动时，通过航行器测量自身与水面目标的垂直距离，并结合航行器自身的水平运动，能够获取海面目标物的底部轮廓信息。通过这种方法能够对海面船只、浮台、漂浮设施底部进行测绘，能够隐蔽的获得海面目标的几何特征，为水下工程应用提供判据。与此同时，通过实时测量水下航行器与海面目标物之间的距离，能够防止其撞击到海面船只、浮台等物体，确保水下航行期间的安全。在这种测量方法中，水下测距技术至关重要。
目前，常用的测距和识别方法有水声探测、电磁探测、立体视觉、激光雷达等方法。其中，水声探测通过监测声学回波信号实现距离的测定，作用距离可达公里量级，被广泛应用于大型水下工程中。然而，由于声波波长较长，这种方法在近距离测量时精度存在局限性、存在浅水探测盲区，并且隐蔽性较差。电磁探测是向水中辐射电磁波，通过检测回波信号的变化发现目标。水下立体视觉法通过双目视觉的方法构建三维图像获取距离信息，工作时受水质浑浊度和照度影响较大。水下激光雷达是通过测量激光脉冲发射和回波探测的时间差得到距离信息，这种方法容易受到海水后向散射的影响，导致回波信号难以识别，限制了该技术的应用范围。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种水下航行器测量海面目标物底部轮廓的装置和方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种水下航行器测量海面目标物底部轮廓的方法，包括：
步骤1：在水下航行器的移动过程中，获取若干光斑图像，所述光斑图像是准直激光束照射在水面目标的底部形成的；
步骤2：将若干所述光斑图像输入神经网络模型，得到每个所述光斑图像对应的光斑位置信息；
步骤3：根据所述光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；
步骤4：根据每个所述几何图形周长，得到对应的所述水下航行器与所述水面目标的底部之间的距离信息；
步骤5：根据若干所述距离信息，以及所述水下航行器的运动信息，得到所述水面目标的底部轮廓；
其中，所述神经网络模型通过训练数据集训练得到，所述训练数据集包括若干添加有光斑中心像素点坐标标签的光斑图像。
在本发明的一个实施例中，所述光斑位置信息为光斑中心像素点坐标。
在本发明的一个实施例中，所述神经网络模型为Mask R-CNN网络，所述神经网络模型的训练过程包括：
步骤a：获取训练数据集；
步骤b：将所述训练数据集输入Mask R-CNN网络，对其进行特征提取和ROI分类预选，得到候选区域图像；
步骤c：根据classifier中的回归结果，反向传播更新Mask R-CNN网络的网络权重；
步骤d：对所述候选区域图像进行Mask的预测，得到分割好的掩码图像；
步骤e：对所述掩码图像进行平滑轮廓和填充孔洞处理，得到轮廓图像；
步骤f：对所述轮廓图像进行轮廓拟合与边缘检测处理，输出轮廓的角点信息，将所述角点信息作为光斑中心像素点坐标估计值。
在本发明的一个实施例中，所述步骤4包括：
根据每个所述几何图形周长，利用距离函数模型计算得到对应的所述水下航行器与所述水面目标的底部之间的距离信息，其中，
所述距离函数模型为：
H＝a×Lb+c
式中，H表示水下航行器与水面目标的底部之间的距离，L表示光斑图像中光斑围成区域的几何图形周长，a、b、c分别是距离函数模型的拟合参数。
在本发明的一个实施例中，获取所述距离函数模型包括：
步骤4.1：利用所述神经网络模型，获取所述训练数据集中每个光斑图像对应的光斑位置信息；
步骤4.2：根据所述光斑位置信息，计算得到所述训练数据集中每个光斑图像中光斑围成区域的几何图形周长；
步骤4.3：根据步骤4.2中获得的几何图形周长，以及该几何图形周长对应的已知的所述水下航行器与所述水面目标的底部之间的真实距离，利用最小二乘法进行数据拟合，得到所述距离函数模型的拟合参数；
步骤4.4：根据所述拟合参数得到所述距离函数模型。
在本发明的一个实施例中，所述水下航行器的运动信息包括所述水下航行器的运动速度和运动方向。
在本发明的一个实施例中，所述步骤5包括：
根据若干所述距离信息以及所述水下航行器的运动信息，建立所述水下航行器的坐标与所述距离信息的映射关系，根据所述映射关系得到所述水面目标的底部轮廓。
本发明提供了一种水下航行器测量海面目标物底部轮廓的装置，包括：水下航行器以及安装在所述水下航行器上的激光器模块、图像获取模块以及数据处理模块，其中，
所述激光器模块，用于发射准直激光束，以在水面目标的底部形成光斑图像；
所述图像获取模块，用于在所述水下航行器的移动过程中，获取若干光斑图像；
所述数据处理模块，用于利用神经网络模型，根据若干所述光斑图像，得到每个所述光斑图像对应的光斑位置信息；根据所述光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；根据每个所述几何图形周长，得到对应的所述水下航行器与所述水面目标的底部之间的距离信息；根据若干所述距离信息，以及所述水下航行器的运动信息，得到所述水面目标的底部轮廓。
在本发明的一个实施例中，所述激光器模块包括4个水下激光器，4个所述水下激光器的连线形成平行四边形；所述激光器的光束发射方向与所述图像获取模块的光轴平行，且与所述水下航行器运动方向垂直。
在本发明的一个实施例中，所述图像获取模块为相机，该相机位于所述平行四边形的中心处。
与现有技术相比，本发明的有益效果在于：
1.本发明的水下航行器测量海面目标物底部轮廓的方法，利用相机拍摄到激光光斑进行识别，通过“近大远小”的成像原理，从中获取相机与目标之间的距离信息，并结合水下航行器在移动过程中测得的距离信息，识别出水面目标的几何轮廓，操作简单、测量精度高。
2.本发明的水下航行器测量海面目标物底部轮廓的装置，结构简单、复杂度低，而且适应于多种水质环境，便于推广应用。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
图1是本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的方法示意图；
图2是本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的方法流程图；
图3是本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的装置示意图；
图4是本发明实施例提供的相机拍摄到的激光光斑图像示意图；
图5是本发明实施例提供的激光器模块和图像获取模块组成的测试设备实物图；
图6是本发明实施例提供的测试设备标定示意图；
图7是本发明实施例提供的水下光斑识别示意图；
图8是本发明实施例提供的一种测量海面目标物底部轮廓的实施例示意图；
图9是本发明实施例提供的测量实施例的现场示意图。
具体实施方式
为了进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及具体实施方式，对依据本发明提出的一种水下航行器测量海面目标物底部轮廓的装置和方法进行详细说明。
有关本发明的前述及其他技术内容、特点及功效，在以下配合附图的具体实施方式详细说明中即可清楚地呈现。通过具体实施方式的说明，可对本发明为达成预定目的所采取的技术手段及功效进行更加深入且具体地了解，然而所附附图仅是提供参考与说明之用，并非用来对本发明的技术方案加以限制。
实施例一
请结合参见图1和图2，图1是本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的方法示意图；图2是本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的方法流程图。如图所示，本实施例的水下航行器测量海面目标物底部轮廓的方法，其特征在于，包括：
步骤1：在水下航行器的移动过程中，获取若干光斑图像，光斑图像是准直激光束照射在水面目标的底部形成的；
具体地，在测量过程中，水下航行器位于待测量的目标下方，可选地，采用激光器竖直向上发射准直激光束照射在水面目标的底部形成光斑图像。
在本实施例中，采用4个激光器竖直向上发射准直激光束照射在水面目标的底部形成光斑图像，其中，4个激光器的连线形成平行四边形，如图4所示的相机拍摄到的激光光斑图像示意图。
步骤2：将若干光斑图像输入神经网络模型，得到每个光斑图像对应的光斑位置信息；
具体地，光斑位置信息为光斑中心像素点坐标，神经网络模型通过训练数据集训练得到，训练数据集包括若干添加有光斑中心像素点坐标标签的光斑图像。
在本实施例中，神经网络模型为Mask R-CNN网络，神经网络模型的训练过程包括：
步骤a：获取训练数据集；
在本实施例中，获取多个添加有光斑中心像素点坐标标签的光斑图像，作为数据集，并将该数据集按照比例划分为训练数据集和测试数据集；
步骤b：将训练数据集输入Mask R-CNN网络，对其进行特征提取和ROI分类预选，得到候选区域图像；
具体地，将训练样本集图片输入Mask R-CNN网络中，得到feature map(特征图)，获得多个候选的ROI(感兴趣区域)，将候选的ROI送入RPN(区域检测网络)进行二值分类和Box回归，对ROI进行筛选，再通过ROI Align进行像素级的特征提取与分类、回归。
步骤c：根据classifier中的回归结果，反向传播更新Mask R-CNN网络的网络权重；
具体地，根据classifier(包括classes和bounding boxes)中的回归结果，反向传播更新Mask R-CNN网络的网络权重，实现对Mask R-CNN网络进行训练。
步骤d：对候选区域图像进行Mask的预测，得到分割好的掩码图像；
具体地，将ROI分类器选择的正区域作为输入，通过FCN(Fully ConvolutionNetwork，全神经网络)进行掩码分割，生成掩码图像。
步骤e：对掩码图像进行平滑轮廓和填充孔洞处理，得到轮廓图像；
步骤f：对轮廓图像进行轮廓拟合与边缘检测处理，输出轮廓的角点信息，将角点信息作为光斑中心像素点坐标估计值；
需要说明的是，在本实施例中，利用训练数据集对Mask R-CNN进行训练之后，利用测试数据集对其性能进行验证测试，得到训练完成的经网络模型。
步骤3：根据光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；
具体地，以4个激光器发射准直激光束照射在水面目标的底部形成光斑图像为例，对该光斑图像中光斑围成区域的几何图形周长的计算进行具体说明。
利用神经网络模型得到输入的光斑图像的4个光斑中心像素点坐标，按照顺时针顺序依次标记为(x1，y1)、(x2，y2)、(x3，y3)、(x4，y4)，那么，该光斑中心像素点围成区域的周长L为：
Figure BDA0003624585760000081
步骤4：根据每个几何图形周长，得到对应的水下航行器与水面目标的底部之间的距离信息；
具体地，根据每个几何图形周长，利用距离函数模型计算得到对应的水下航行器与水面目标的底部之间的距离信息，其中，
距离函数模型为：
H＝a×Lb+c (2)；
式中，H表示水下航行器与水面目标的底部之间的距离，L表示光斑图像中光斑围成区域的几何图形周长，a、b、c分别是距离函数模型的拟合参数。
在本实施例中，上述距离函数模型通过以下步骤获得：
步骤4.1：利用神经网络模型，获取训练数据集中每个光斑图像对应的光斑位置信息；
步骤4.2：根据光斑位置信息，计算得到训练数据集中每个光斑图像中光斑围成区域的几何图形周长；
步骤4.3：根据步骤4.2中获得的几何图形周长，以及该几何图形周长对应的已知的水下航行器与水面目标的底部之间的真实距离，利用最小二乘法进行数据拟合，得到距离函数模型的拟合参数；
步骤4.4：根据拟合参数得到距离函数模型。
需要说明的是，在本实施例中，得到距离函数模型后，需要对其进行验证定标，具体地，将测试数据集输入神经网络模型中，得到对应的光斑中心像素点坐标，利用该像素点坐标计算得到其围成的几何图形周长，让后将几何图形周长代入拟合得到的距离函数模型中，得到对应的距离信息，并将该距离信息与已知真实距离进行对比验证，若误差满足精度要求，则定标完成。
步骤5：根据若干距离信息，以及水下航行器的运动信息，得到水面目标的底部轮廓；
在本实施例中，水下航行器的运动信息包括水下航行器的运动速度和运动方向。
具体地，步骤5包括：
根据若干距离信息以及水下航行器的运动信息，建立水下航行器的坐标与距离信息的映射关系，根据映射关系得到水面目标的底部轮廓。
本实施例的水下航行器测量海面目标物底部轮廓的方法，利用相机拍摄到激光光斑进行识别，通过“近大远小”的成像原理，从中获取相机与目标之间的距离信息，并结合水下航行器在移动过程中测得的距离信息，识别出水面目标的几何轮廓，操作简单、测量精度高。
本实施例还提供了一种水下航行器测量海面目标物底部轮廓的装置，如图3所示的本发明实施例提供的一种水下航行器测量海面目标物底部轮廓的装置示意图，该装置包括水下航行器以及安装在水下航行器上的激光器模块、图像获取模块以及数据处理模块。其中，激光器模块用于发射准直激光束，以在水面目标的底部形成光斑图像。在本实施例中，激光器模块包括4个水下激光器，4个水下激光器的连线形成平行四边形；激光器的光束发射方向与图像获取模块的光轴平行，且与水下航行器运动方向垂直。
进一步地，图像获取模块用于在水下航行器的移动过程中，获取若干光斑图像。在本实施例中，图像获取模块为相机，该相机位于平行四边形的中心处。
进一步地，数据处理模块用于利用神经网络模型，根据若干光斑图像，得到每个光斑图像对应的光斑位置信息；根据光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；根据每个几何图形周长，得到对应的水下航行器与水面目标的底部之间的距离信息；根据若干距离信息，以及水下航行器的运动信息，得到水面目标的底部轮廓。
具体地，本实施例提供水下航行器测量海面目标物底部轮廓的装置可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述在此不再赘述。
本实施例的水下航行器测量海面目标物底部轮廓的装置，结构简单、复杂度低，而且适应于多种水质环境，便于推广应用。
实施例二
本实施例通过具体的实验对本发明的水下航行器测量海面目标物底部轮廓的装置和方法的效果进行说明。
请参见图5，图5是本发明实施例提供的激光器模块和图像获取模块组成的测试设备实物图，如图所示，该测试设备由水下相机、4个水下激光器、安装支架和电脑构成。其中安装支架用来模拟水下航行器，电脑用来模拟数据处理模块。
如图6所示的测试设备标定示意图，首先，将水下相机、水下激光器及对应的安装支架放入水中进行标定，以0.05m为间距，采集1.25m～3.35m处的光斑图像；
如图7所示的水下光斑识别示意图，其次，通过Mask R-CNN深度学习算法训练模型的权重，用于精确识别和分割光斑区域，并拟合相机中光斑中心组成的图像周长和距离之间的关系，得到距离函数模型为：
H＝79870×L-0.9236-10.28 (3)
如图8所示的测量海面目标物底部轮廓的实施例示意图，最后，在水中搭建测试系统，以平板模拟水面目标物，以安装支架的垂直移动模拟目标与水下相机之间垂直距离的变化；沿水平方向移动水面目标和安装支架，模拟水下航行器的移动(记为X方向)。
测量实施例的现场如图9所示，测试结果如表1所示。由表1可知，目标物测距误差较小，并且通过建立水下航行器的坐标和距离的关系{X，Y，H}，能够反演出目标物的一维轮廓信息。
表1.测试结果
Figure BDA0003624585760000121
上述实施例表明，本发明所提供一种水下航行器测量海面目标轮廓的装置和方法是可行的，而且结构简单、操作方便、复杂度低、测量精度高可以适应多种水质环境，便于推广应用。
应当说明的是，在本文中，术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种水下航行器测量海面目标物底部轮廓的方法，其特征在于，包括：
步骤1：在水下航行器的移动过程中，获取若干光斑图像，所述光斑图像是准直激光束照射在水面目标的底部形成的；
步骤2：将若干所述光斑图像输入神经网络模型，得到每个所述光斑图像对应的光斑位置信息；
步骤3：根据所述光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；
步骤4：根据每个所述几何图形周长，得到对应的所述水下航行器与所述水面目标的底部之间的距离信息；
步骤5：根据若干所述距离信息，以及所述水下航行器的运动信息，得到所述水面目标的底部轮廓；
其中，所述神经网络模型通过训练数据集训练得到，所述训练数据集包括若干添加有光斑中心像素点坐标标签的光斑图像。
2.根据权利要求1所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，所述光斑位置信息为光斑中心像素点坐标。
3.根据权利要求1所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，所述神经网络模型为Mask R-CNN网络，所述神经网络模型的训练过程包括：
步骤a：获取训练数据集；
步骤b：将所述训练数据集输入Mask R-CNN网络，对其进行特征提取和ROI分类预选，得到候选区域图像；
步骤c：根据classifier中的回归结果，反向传播更新Mask R-CNN网络的网络权重；
步骤d：对所述候选区域图像进行Mask的预测，得到分割好的掩码图像；
步骤e：对所述掩码图像进行平滑轮廓和填充孔洞处理，得到轮廓图像；
步骤f：对所述轮廓图像进行轮廓拟合与边缘检测处理，输出轮廓的角点信息，将所述角点信息作为光斑中心像素点坐标估计值。
4.根据权利要求1所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，所述步骤4包括：
根据每个所述几何图形周长，利用距离函数模型计算得到对应的所述水下航行器与所述水面目标的底部之间的距离信息，其中，
所述距离函数模型为：
H＝a×Lb+c；
式中，H表示水下航行器与水面目标的底部之间的距离，L表示光斑图像中光斑围成区域的几何图形周长，a、b、c分别是距离函数模型的拟合参数。
5.根据权利要求4所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，获取所述距离函数模型包括：
步骤4.1：利用所述神经网络模型，获取所述训练数据集中每个光斑图像对应的光斑位置信息；
步骤4.2：根据所述光斑位置信息，计算得到所述训练数据集中每个光斑图像中光斑围成区域的几何图形周长；
步骤4.3：根据步骤4.2中获得的几何图形周长，以及该几何图形周长对应的已知的所述水下航行器与所述水面目标的底部之间的真实距离，利用最小二乘法进行数据拟合，得到所述距离函数模型的拟合参数；
步骤4.4：根据所述拟合参数得到所述距离函数模型。
6.根据权利要求1所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，所述水下航行器的运动信息包括所述水下航行器的运动速度和运动方向。
7.根据权利要求1所述的水下航行器测量海面目标物底部轮廓的方法，其特征在于，所述步骤5包括：
根据若干所述距离信息以及所述水下航行器的运动信息，建立所述水下航行器的坐标与所述距离信息的映射关系，根据所述映射关系得到所述水面目标的底部轮廓。
8.一种水下航行器测量海面目标物底部轮廓的装置，其特征在于，包括：水下航行器以及安装在所述水下航行器上的激光器模块、图像获取模块以及数据处理模块，其中，
所述激光器模块，用于发射准直激光束，以在水面目标的底部形成光斑图像；
所述图像获取模块，用于在所述水下航行器的移动过程中，获取若干光斑图像；
所述数据处理模块，用于利用神经网络模型，根据若干所述光斑图像，得到每个所述光斑图像对应的光斑位置信息；根据所述光斑位置信息，计算得到每个光斑图像中光斑围成区域的几何图形周长；根据每个所述几何图形周长，得到对应的所述水下航行器与所述水面目标的底部之间的距离信息；根据若干所述距离信息，以及所述水下航行器的运动信息，得到所述水面目标的底部轮廓。
9.根据权利要求8所述的水下航行器测量海面目标物底部轮廓的装置，其特征在于，所述激光器模块包括4个水下激光器，4个所述水下激光器的连线形成平行四边形；所述激光器的光束发射方向与所述图像获取模块的光轴平行，且与所述水下航行器运动方向垂直。
10.根据权利要求9所述的水下航行器测量海面目标物底部轮廓的装置，其特征在于，所述图像获取模块为相机，该相机位于所述平行四边形的中心处。
CN202210466790.7A 2022-04-29 2022-04-29 一种水下航行器测量海面目标物底部轮廓的装置和方法 Active CN115077414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210466790.7A CN115077414B (zh) 2022-04-29 2022-04-29 一种水下航行器测量海面目标物底部轮廓的装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210466790.7A CN115077414B (zh) 2022-04-29 2022-04-29 一种水下航行器测量海面目标物底部轮廓的装置和方法

Publications (2)

Publication Number Publication Date
CN115077414A CN115077414A (zh) 2022-09-20
CN115077414B true CN115077414B (zh) 2023-02-24

Family

ID=83247275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210466790.7A Active CN115077414B (zh) 2022-04-29 2022-04-29 一种水下航行器测量海面目标物底部轮廓的装置和方法

Country Status (1)

Country Link
CN (1) CN115077414B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116379960B (zh) * 2023-05-31 2023-09-15 天津宜科自动化股份有限公司 一种获取物体轮廓信息的数据处理系统
CN116336964B (zh) * 2023-05-31 2023-09-19 天津宜科自动化股份有限公司 一种物体轮廓信息的获取系统
CN117970305A (zh) * 2024-03-18 2024-05-03 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 基于功率可调激光投影的水中目标测距装置及测距方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519502B1 (en) * 2003-09-05 2009-04-14 The United States Of America As Represented By The Secretary Of The Navy Surface profile measurement processing method
CN102063718B (zh) * 2010-12-24 2012-10-10 江南大学 一种点激光测量系统的现场标定和精密测量方法
CN106767527B (zh) * 2016-12-07 2019-06-04 西安知象光电科技有限公司 一种三维轮廓的光学混合检测方法
CN108400816A (zh) * 2018-02-27 2018-08-14 中国科学技术大学 基于无线光通信的高速光源识别、跟踪与对准系统
CN111121619A (zh) * 2018-11-01 2020-05-08 西南科技大学 一种基于激光测距的空间几何自动测量方法
CN113137920B (zh) * 2021-05-19 2022-09-23 重庆大学 一种水下测量的设备与水下测量方法

Also Published As

Publication number Publication date
CN115077414A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115077414B (zh) 一种水下航行器测量海面目标物底部轮廓的装置和方法
CN111553859B (zh) 一种激光雷达点云反射强度补全方法及系统
CN103971406B (zh) 基于线结构光的水下目标三维重建方法
CN110966956A (zh) 一种基于双目视觉的三维检测装置和方法
KR20150059191A (ko) 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법
CN110135396A (zh) 地面标志的识别方法、装置、设备及介质
CN110992337A (zh) 一种集装箱残损检测方法及系统
CN110910382A (zh) 一种集装箱检测系统
CN108074232A (zh) 一种基于体元分割的机载lidar建筑物检测方法
CN115187666A (zh) 深度学习和图像处理结合的侧扫声呐海底高程探测方法
Wang et al. Acmarker: Acoustic camera-based fiducial marker system in underwater environment
CN115773720A (zh) 一种基于光学视觉的水下目标尺寸测量装置和方法
CN111738971B (zh) 一种基于线激光双目立体视觉的电路板立体扫描检测方法
Foresti et al. A voting-based approach for fast object recognition in underwater acoustic images
KR101772220B1 (ko) 멀티빔소나와 카메라의 상대위치 추정을 위한 캘리브레이션 방법
CN117576185B (zh) 基于深度学习和ransac算法的干舷高度识别方法及系统
CN114092411A (zh) 一种高效快速的双目3d点云焊点缺陷检测方法
CN114066795A (zh) Df-sas高低频声呐图像精细配准融合方法
CN113642651A (zh) 一种基于深度学习的偏振成像海上溢油识别装置及方法
CN113988197A (zh) 基于多相机、多激光雷达的联合标定及目标融合检测方法
CN113447902A (zh) 一种基于机器学习的对海监视雷达目标识别方法
CN117095038A (zh) 用于激光扫描仪的点云滤波方法及系统
CN117058236A (zh) 一种基于多目视觉系统自切换的目标识别定位方法
Sadjoli et al. PCD reconstruction, object classification and pose estimation for underwater vehicles using orthogonal multibeam forward looking sonar fusion
Thornton et al. Acoustic and visual instrumentation for survey of manganese crusts using an underwater vehicle

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