CN116840833B - 质量体轨迹测量方法 - Google Patents
质量体轨迹测量方法 Download PDFInfo
- Publication number
- CN116840833B CN116840833B CN202311109930.6A CN202311109930A CN116840833B CN 116840833 B CN116840833 B CN 116840833B CN 202311109930 A CN202311109930 A CN 202311109930A CN 116840833 B CN116840833 B CN 116840833B
- Authority
- CN
- China
- Prior art keywords
- mass
- mass body
- track
- image
- acquisition
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000004088 simulation Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种质量体轨迹测量方法,其技术方案包括:所述质量体运行轨迹采集过程包括前段采集、中段采集和末端采集,通过所述前段采集、所述中段采集和所述末端采集数据计算出轨迹曲线,所述前段采集、末段采集过程均采用高速相机,所述中段采集过程采用雷达。本发明优点在于,通过图像采集与雷达采集结合的方式,可以大大提高对质量体飞行轨迹测量的准确性,提高了对质量体效能的评估准确度。
Description
技术领域
本发明涉及特种装备及机器学习领域,尤其是涉及一种质量体轨迹测量方法。
背景技术
传统演习过程中,对于投射设备进行作用评估过程中大多采用简单计算方式,即以该设备型号和该设备的投射物及理论散布半径作为参数,以目标落点作为圆心进行评估。这种评估方式,虽然已经可以实现对相关装备效能的整体评估,但无法做到从特种设备到落点的相关轨迹的计算。在现代复杂环境下,如装备阵地与投射物落点的温度差异、目标区域的风力风向等会对实际投射物的飞行产生影响,进而使评估结果产生偏差,对已知区域可以通过实物投射验证方式来修正误差,但对于无法进行实物投射验证的区域,上述评估方式已经无法准确评测出投射设备的实际效能。此外,随着现代科技的发展,投射设备集群使用的方式已不在适用,单独或以小组行动的投射设备进行快进快出式的精准投射方式开始占据主流,在此基础上,传统的投射效能评估方式也越来越不适用。因此亟需一种可以实现对质量体落点进行精确测量的方法,以提高对质量体实际效能的评估准确度。
发明内容
为了改进投射设备的评估方式,提高对投射装备的效能评估准确度,本发明提出一种质量体轨迹测量方法。
一种质量体轨迹测量方法,用于对投射的高速质量体进行轨迹采集测量,其特征在于,所述质量体运行轨迹采集过程包括前段采集、中段采集和末端采集,通过所述前段采集、所述中段采集和所述末端采集数据计算出轨迹曲线,所述前段采集、末段采集过程均采用高速相机,所述中段采集过程采用雷达;述前段采集过程包括连续拍摄质量体飞行图像,将每张飞行图像均转化为灰度图像,根据预设差值提取灰度图像中质量体中心数据,将提取的每张灰度图像中的质量体中心数据按照时间排序并拟合成曲线,构成质量体的前段飞行轨迹;所述根据预设差值提取灰度图像中质量体中心数据过程包括,从灰度图像提取出至少一片灰度值在预设差值范围且灰度值稳定的图像区域构成参考图像,将每个所述参考图像与所述质量体形状进行比对,若形状相符则视为质量体图像并提取其几何中心,若形状均不相符,则调整预设差值范围直至提取出符合要求的质量体图像,根据所述质量体的几何中心确定质量体中心数据。
一种质量体落点及投射方位的模拟测量方法,通过质量体已知轨迹曲线特性与目标地域参数进行拟合,以实现对质量体在目标区域潜在落点、潜在投射方位和潜在轨迹曲线的模拟测量,所述拟合及所述模拟测量过程包括:数据采集,多次采集投射设备投射的不同速度、不同质量的质量体的脱离速度、每个所述投射设备的投射状态、每个所述质量体的轨迹曲线、每个所述质量体飞行中途经的环境参数以及该质量体的实际落点位置;训练轨迹预测模型,根据所述数据采集结果,训练第一神经网络以实现根据质量体轨迹曲线预测出该质量体的投射点和落点和/或根据质量体投射点预测其轨迹曲线和落点的轨迹预测模型;训练地形模型,采集目标地域参数,根据该地域的地形特征、历年气象特征、历年季节环境特征并带入第二神经模型,生成目标时间段的地形模型;将所述轨迹测模型与所述地形模型拟合以实现对质量体在目标区域潜在落点、潜在投射方位和潜在轨迹曲线的模拟测量。
本发明还提出一种电子设备,所述电子设备储存有程序,在该程序被电子设备执行时以运行上述的测量方法。
本发明优点在于,通过图像采集与雷达采集结合的方式,可以大大提高对质量体飞行轨迹测量的准确性,提高了对质量体效能的评估准确度。此外,本发明提出的质量体轨迹模拟测量方法,可以有效对不同质量、不同形状、不同体积、不同初速的质量体在各种区域实现轨迹测量,有效评测我方投射设备在目标地域各个季节各个环境下的潜在投射效能。同时根据本发明申请,可以有效根据质量体的落点来计算如何发挥我方投射设备的潜在最佳投射位置。第三,本发明的场景模拟方法可以有效根据质量体的中段飞行轨迹拟合出该质量体的体积、质量、潜在型号、投射设备的潜在型号、数量、潜在投射位置及质量体的潜在落点,提高我方应对不明来袭质量体的反应时间。
附图说明
图1为本申请一种实施方式的质量体轨迹拟合过程示意图;
图2为本申请一种实施方式的质量体中心获取过程示意图;
图3为本申请一种实施方式的模拟测量过程流程示意图;
图4为本申请一种实施方式中前段轨迹曲线X-Z平面拟合示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本申请一个实施例中,参照图1,本申请的方法包括:一种质量体轨迹测量方法,用于对投射的高速质量体进行轨迹采集测量,所述质量体运行轨迹采集过程包括前段采集、中段采集和末端采集,通过所述前段采集、所述中段采集和所述末端采集数据计算出轨迹曲线,所述前段采集、末段采集过程均采用高速相机,所述中段采集过程采用雷达;述前段采集过程包括连续拍摄质量体飞行图像,将每张飞行图像均转化为灰度图像,根据预设差值提取灰度图像中质量体中心数据,将提取的每张灰度图像中的质量体中心数据按照时间排序并拟合成曲线,构成质量体的前段飞行轨迹;所述根据预设差值提取灰度图像中质量体中心数据过程包括,从灰度图像提取出至少一片灰度值在预设差值范围且灰度值稳定的图像区域构成参考图像,将每个所述参考图像与所述质量体形状进行比对,若形状相符则视为质量体图像并提取其几何中心,若形状均不相符,则调整预设差值范围直至提取出符合要求的质量体图像;根据所述质量体的几何中心确定质量体中心数据。一般来说,本发明涉及到的高速投射质量体投射初速在200-1800米每秒,速度跨度大,而雷达对于质量体的追踪精度不高,现有的追踪雷达在几到几十公里的追踪误差在十米级,如果全部采用雷达采集数据精度不理想。因此本实施例将质量体运行轨迹采集分为前段、中段和末段,前段、末段为高速相机采集,中段为雷达采集。此外,由于前段为最可控采集段,一般将采集范围设置为质量体前0-150米飞行路径以获取到高精度高清晰度图像同时节省采集成本。而末段采集由于质量体落点潜在的不可控性,因此一般只追踪其实际落点位置和落点斜率,末段采样在不追求高精度高清晰度情况下采样距离为质量体最后1000-0米飞行路径。本实施例的末段采样通过采集质量体抛物线的最终斜率,结合质量体的飞行轨迹可以有效推算环境参数对质量体的影响。此外,本实施例的末段采集过程相对数据算量较小,为后期数据处理和数据再利用节省了算力。
本实施例中,为了节省算力和人力,在前端采样过程中通过图像自动提取方式将所述质量体的前段飞行轨迹转化为三维坐标系的飞行曲线,以质量体脱离投射设备点作为原点构建三维坐标系,通过至少两个不同方向的高速相机拍摄质量体的飞行轨迹,将两个方向的飞行图像转化为灰度图像后进而分别计算出每个二维平面的飞行轨迹,然后按照时间关系拟合到三维坐标系中,构成质量体的前段飞行轨迹。本实施例的三维坐标系中,以投射设备与预测落点之间的连线为X轴,以水平垂直X轴的方向为Y轴,以纵向垂直X轴的方向为Z轴构建三维坐标系。本实施例的两个采集方向的高速相机一般在X-Y平面分布在X轴两侧。
在上述一个或多个实施例的基础上,所述根据预设差值提取灰度图像中质量体中心数据过程包括,从灰度图像提取出至少一片灰度值在预设差值范围且灰度值稳定的图像区域构成参考图像,将每个所述参考图像与所述质量体形状进行比对,若形状相符则视为质量体图像并提取其几何中心,若形状均不相符,则调整预设差值范围直至提取出符合要求的质量体图像,根据所述质量体的几何中心确定质量体中心数据。本实施例中,由于质量体脱离速度较高,在空气中会产生红外、烟尘、冲击波等干扰图像,拍摄机器识别较为困难,传统对质量体图像的识别为人力识别。在本申请中为了提高采集效率,经过多次试验后发现,相机位置固定好后相机与投射设备的距离固定,质量体到相机的距离也是相对距离范围内,每次图像灰度中质量体范围的灰度值都在较为近似范围,在不同日照或夜晚的情况下,质量体图像的灰度值会发生少量变化但总体图像的灰度值依然近似。因此本申请采用灰度提取法来实现机器识别图像。同时为了避免红外、烟尘、冲击波等的干扰,本申请在图像识别过程中根据识别需要自动修正图像的预设差值,以提高采样的准确性。本实施例的阈值为根据灰度值所设定的灰度差值,如白天背景灰度值普遍在50-170左右,而出膛后的质量体灰度值由于其温度和速度关系,其灰度值一般在100-120范围内,因此此时灰度值预设差值一般采用100-120范围内,若提取到连续图像过大或过多,则调小差值区间到105-115,反之则调高灰度值区间。夜晚同理但夜晚背景灰度值在质量体脱离瞬间的火光照射下有明显的靠向质量体的中心高、周围低的趋势,为此其预设差值可以进一步缩小,但调整方式与白天类似。上述预设差值仅为举例说明,不代表本发明预设差值实际取值只有上述种类。
在上述一个或多个实施例的基础上,根据所述质量体的几何中心确定质量体中心数据过程包括:(1)以质量体脱离投射设备起点作为原点,以投射设备与预测落点之间的连线为X轴,以水平垂直X轴的方向为Y轴,以纵向垂直X轴的方向为Z轴构建三维坐标系;(2)将每个所述高速相机位置都代入三维坐标系;(3)根据每个所述高速相机坐标系位置及拍摄方向,获取每个所述高速相机在同一时刻拍摄到的质量体几何中心;(4)将每个所述几何中心都代入三维坐标系,获取该时间的质量体几何中心簇;判断所述几何中心簇密集度是否在阈值范围内,若是,则以所述几何中心簇的几何中心作为原点,以最外侧几何中心点为半径的球形范围视为质量体中心数据;若否则更改时间重新进行步骤(3)-(4),直至获取到质量体中心数据。结合图4,在本技术方案中,理论上轨迹曲线构建方式最好为点对点,但实际在高速相机识别及拍摄过程中,因为环境、相机精度、机械公差等存在,实际拍摄中不可避免会产生误差,无法达到理论精度,这就导致如果质量体中心数据采集过程中会出现误差。为了消除误差,本申请采用范围采集反方式,以多个高速相机采集到的质量体几何中心综合取样方式来消除误差。本实施例中,根据质量体种类不同设定质量体集合中心的密集度范围/阈值,在实际拍摄过程中将获取到每个相机的质量体集合中心代入三维坐标系获取到几何中心簇,将几何中心簇密集度是在合理范围/阈值内的几何中心作为合理采样,然后将几何中心簇的几何中心作为原点,以最外侧几何中心点为半径的球形范围所谓坐标数据均作为质量体中心数据,再根据质量体理论模型从中选出实际飞行数据以实现曲线拟合。
如图4中,所述质量体中心数据按照时间排序并拟合成曲线过程包括:将各个质量体中心数据按时间顺序代入所述三维坐标系获取到多个不连续的三维点集;根据所述三维点集各个点的位置构建多条三维曲线;筛选所述曲线中与所述质量体理论模型最为接近的一条作为轨迹曲线输出。如图4,本实施例以质量体X-Z方向平面轨迹举例。本实施例中,质量体中心数据实际为球形,但为方便在X-Z方向平面表达,将其简化为二维圆面。如图中,分布的圆面为在该平面的多个质量体中心数据,根据上述质量体中心数据构建出多条曲线轨迹,将曲线轨迹与质量体理论模型进行对比,以最接近的曲线(加粗曲线)作为轨迹曲线输出。
结合图2,在上述一个或多个实施例的基础上,还包括飞行轨迹校验过程,所述飞行轨迹校验过程包括根据所述质量体的脱离速度计算所述质量体的理论前段飞行轨迹,将所述前段飞行轨迹与所述理论前段飞行轨迹拟合,判断其误差是否在阈值内,若是则将该前段飞行轨迹输出,若否则调整预设差值重新提取质量体中心数据,若多次调整后依然无法拟合理论前段飞行轨迹则视为该次取样无效。本实施例中,由于质量体的总体飞行路径依然是大致的抛物线轨迹,在获悉投射设备型号、质量体相关型号后,根据质量体的理论模型,对质量体总体飞行的抛物线会有大致的方向参考,在本实施例中,为了避免质量体装药不足等情况产生的错误采样,本发明对前段飞行轨迹与理论飞行轨迹进行校验,排除明显不合格采样,以提高后期模型训练精确度。
如图3,一种利用上述述质量体轨迹测量方法以实现对质量体轨迹进行模拟的方法,通过质量体已知轨迹曲线特性与目标地域参数进行拟合,以实现对质量体在目标区域潜在落点、潜在投射方位和潜在轨迹曲线的模拟测量,所述拟合及所述模拟测量过程包括:数据采集,多次采集投射设备投射的不同速度、不同质量的质量体的脱离速度、每个所述投射设备的投射状态、每个所述质量体的轨迹曲线、每个所述质量体飞行中途经的环境参数以及该质量体的实际落点位置;训练轨迹预测模型,根据所述数据采集结果,训练第一神经网络以实现根据质量体轨迹曲线预测出该质量体的投射点和落点和/或根据质量体投射点预测其轨迹曲线和落点的轨迹预测模型;训练地形模型,采集目标地域参数,根据该地域的地形特征、历年气象特征、历年季节环境特征并带入第二神经模型,生成目标时间段的地形模型;将所述轨迹测模型与所述地形模型拟合以实现对质量体在目标区域潜在落点、潜在投射方位和潜在轨迹曲线的模拟测量。
上述实施例中,本发明通过测量质量体的投射参数、环境参数作为训练模型的相关参数,包括将投射设备、质量体、质量体飞行轨迹均作为权重训练轨迹预测模型,以使轨迹测模型能够根据不同投射设备、不同质量体和不同飞行轨迹任一条件识别出相应的投射设备的型号、数量、投射类型等,识别出质量体的形状、体积、型号、质量等,拟合出各种投射设备在不同环境不同气候和不同地域下的投射轨迹,以可以有效对不同质量、不同形状、不同体积、不同初速的质量体的投射过程进行模拟和反推,有效评测我方投射设备在目标地域各个季节各个环境下的潜在投射效能。同时根据本发明申请,可以有效根据质量体的落点来计算如何发挥我方投射设备的潜在最佳投射位置。第三,本发明的场景模拟方法可以有效根据质量体的中段飞行轨迹拟合出该质量体的体积、质量、潜在型号、投射设备的潜在型号、数量、潜在投射位置及质量体的潜在落点,提高我方应对不明来袭质量体的反应时间。此外,本发明在训练模型过程中,可以根据已搜集的所有投射设备参数进行机器学习,以获取已知设备的轨迹参数,将所述轨迹参数代入快速查找模型,在使用过程中可以通过雷达侦测到的飞行轨迹信息快速反推投射质量类型和投射设备参数,以提高反映速度。所述快速查找模型可以采用FPGA模型。
通过本发明,有效将测量手段转化为预测手段,根据测量的质量体轨迹参数训练出具有预测功能的预测模型,以满足在没有测量条件下对质量体轨迹进行预测。
在上述一个或多个实施例的基础上,所述历年气象特征、所述历年季节环境特征采集周期为18.6年。本实施例采用气候大周期作为取样周期,提高地形模拟精度,尤其对部分海洋或沿海地区来说,气候大周期相对拟合度更高。
本发明还提出一种装置,所述装置采用上述任一实施例描述的质量体落点及投射方位的模拟测量方法来进行场景模拟。
本发明还提出一种电子设备,所述电子设备储存有程序,在该程序被电子设备执行时以运行上述任一实施例所述的测量方法。
本发明优点在于,通过图像采集与雷达采集结合的方式,可以大大提高对质量体飞行轨迹测量的准确性,提高了对质量体效能的评估准确度。此外,本发明还可以有效对不同质量、不同形状、不同体积、不同初速的质量体在各种区域实现轨迹模拟测量,通过机器学习方式获取潜在的轨迹模型,弥补目标区域无法实地测量带来的缺陷。通过本发明可以有效对不同质量、不同形状、不同体积、不同初速的质量体的投射过程进行模拟和反推,以获取测量数据,有效评测我方投射设备在目标地域各个季节各个环境下的潜在投射效能。同时根据本发明申请,可以有效根据质量体的落点来计算如何发挥我方投射设备的潜在最佳投射位置。本发明的场景模拟方法可以有效根据质量体的中段飞行轨迹拟合出该质量体的体积、质量、潜在型号、投射设备的潜在型号、数量、潜在投射位置及质量体的潜在落点,提高我方应对不明来袭质量体的反应时间。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (6)
1.一种质量体轨迹测量方法,用于对投射的高速质量体进行轨迹采集测量,其特征在于,质量体运行轨迹采集过程包括前段采集、中段采集和末段采集,通过所述前段采集、所述中段采集和所述末段采集数据计算出轨迹曲线,所述前段采集、末段采集过程均采用高速相机,所述中段采集过程采用雷达;
所述前段采集过程包括连续拍摄质量体飞行图像,将每张飞行图像均转化为灰度图像,根据预设差值提取灰度图像中质量体中心数据,将提取的每张灰度图像中的质量体中心数据按照时间排序并拟合成曲线,构成质量体的前段飞行轨迹;
根据预设差值提取灰度图像中质量体中心数据过程包括,从灰度图像提取出至少一片灰度值在预设差值范围且灰度值稳定的图像区域构成参考图像,将每个所述参考图像与所述质量体形状进行比对,若形状相符则视为质量体图像并提取其几何中心,若形状均不相符,则调整预设差值范围直至提取出符合要求的质量体图像,根据所述质量体的几何中心确定质量体中心数据。
2.根据权利要求1所述的质量体轨迹测量方法,其特征在于,所述高速相机至少有两个,同时采集至少两个方向的质量体运行轨迹。
3.根据权利要求2所述的质量体轨迹测量方法,其特征在于,所述至少两个方向分别设置在投射设备与预测落点之间连线的两侧。
4.根据权利要求2所述的质量体轨迹测量方法,其特征在于,根据所述质量体的几何中心确定质量体中心数据过程包括:
(1)以质量体脱离投射设备起点作为原点,以投射设备与预测落点之间的连线为X轴,以水平垂直X轴的方向为Y轴,以纵向垂直X轴的方向为Z轴构建三维坐标系;
(2)将每个所述高速相机位置都代入三维坐标系;
(3)根据每个所述高速相机坐标系位置及拍摄方向,获取每个所述高速相机在同一时刻拍摄到的质量体几何中心;
(4)将每个所述几何中心都代入三维坐标系,获取该时间的质量体几何中心簇;
判断所述几何中心簇密集度是否在阈值范围内,若是,则以所述几何中心簇的几何中心作为原点,以最外侧几何中心点为半径的球形范围视为质量体中心数据;若否则更改时间重新进行步骤(3)-(4),直至获取到质量体中心数据。
5.根据权利要求4所述的质量体轨迹测量方法,其特征在于,所述质量体中心数据按照时间排序并拟合成曲线过程包括:
将各个质量体中心数据按时间顺序代入所述三维坐标系获取到多个不连续的三维点集;
根据所述三维点集各个点的位置构建多条三维曲线;
筛选所述三维曲线中与所述质量体理论模型最为接近的一条作为轨迹曲线输出。
6.根据权利要求1所述的质量体轨迹测量方法,其特征在于,还包括飞行轨迹校验过程,所述飞行轨迹校验过程包括根据所述质量体的脱离速度计算所述质量体的理论前段飞行轨迹,将所述前段飞行轨迹与所述理论前段飞行轨迹拟合,判断其误差是否在阈值内,若是则将该前段飞行轨迹输出,若否则调整预设差值重新提取质量体中心数据,若多次调整后依然无法拟合理论前段飞行轨迹则视为该次取样无效。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109930.6A CN116840833B (zh) | 2023-08-31 | 2023-08-31 | 质量体轨迹测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109930.6A CN116840833B (zh) | 2023-08-31 | 2023-08-31 | 质量体轨迹测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116840833A CN116840833A (zh) | 2023-10-03 |
CN116840833B true CN116840833B (zh) | 2023-11-10 |
Family
ID=88172906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109930.6A Active CN116840833B (zh) | 2023-08-31 | 2023-08-31 | 质量体轨迹测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116840833B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2042583C1 (ru) * | 1991-12-24 | 1995-08-27 | Летно-исследовательский институт им.М.М.Громова | Летно-моделирующий комплекс исследования посадочных систем летательных аппаратов корабельного базирования |
WO2018227757A1 (zh) * | 2017-06-16 | 2018-12-20 | 华为技术有限公司 | 一种提示方法以及vr设备 |
CN114019485A (zh) * | 2021-10-09 | 2022-02-08 | 北京控制工程研究所 | 一种用于激光雷达的mems扫描镜在线训练及标定方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8157205B2 (en) * | 2006-03-04 | 2012-04-17 | Mcwhirk Bruce Kimberly | Multibody aircrane |
WO2016176487A1 (en) * | 2015-04-28 | 2016-11-03 | Henri Johnson | Systems to track a moving sports object |
EP3866056A1 (en) * | 2020-02-17 | 2021-08-18 | Touchless Animal Metrics, SL | Method, system and computer programs for traceability of living specimens |
-
2023
- 2023-08-31 CN CN202311109930.6A patent/CN116840833B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2042583C1 (ru) * | 1991-12-24 | 1995-08-27 | Летно-исследовательский институт им.М.М.Громова | Летно-моделирующий комплекс исследования посадочных систем летательных аппаратов корабельного базирования |
WO2018227757A1 (zh) * | 2017-06-16 | 2018-12-20 | 华为技术有限公司 | 一种提示方法以及vr设备 |
CN114019485A (zh) * | 2021-10-09 | 2022-02-08 | 北京控制工程研究所 | 一种用于激光雷达的mems扫描镜在线训练及标定方法 |
Non-Patent Citations (1)
Title |
---|
空间目标运动轨迹提取算法研究;张健;周晓东;张春华;;红外技术(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116840833A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459750B (zh) | 一种毫米波雷达与深度学习视觉融合的前方多车辆跟踪方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
CN108107911B (zh) | 一种太阳能飞机自主寻优航迹规划方法 | |
CN110320495A (zh) | 一种基于Wi-Fi、蓝牙和PDR融合定位的室内定位方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN103353988B (zh) | 异源sar景象特征匹配算法性能评估方法 | |
CN109977871A (zh) | 一种基于宽带雷达数据和gru神经网络的卫星目标识别方法 | |
CN111445522A (zh) | 被动式夜视智能探雷系统及智能探雷方法 | |
CN104166127B (zh) | 一种多波束交错投影与多假设抛物线Hough变换的高速滑跃式目标积累检测方法 | |
CN109978275B (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
CN111901749A (zh) | 一种基于多源融合的高精度三维室内定位方法 | |
CN115980742B (zh) | 一种用于无人飞行器的雷达探测方法及装置 | |
CN116840833B (zh) | 质量体轨迹测量方法 | |
CN117132870B (zh) | 一种CenterNet与混合注意力相融合的机翼结冰检测方法 | |
CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
CN109657679B (zh) | 一种应用卫星功能类型识别方法 | |
CN115031585B (zh) | 一种双阵列声学立靶斜入射弹着点定位方法 | |
CN116341377A (zh) | 一种基于lstm神经网络的下投式探测组件轨迹预测方法 | |
CN114354082B (zh) | 一种基于仿鲟鱼吻须的海底管道智能循迹系统和循迹方法 | |
CN114399707A (zh) | 一种单兵战术训练与考核智能系统及方法 | |
CN112700423B (zh) | 基于深度学习的机身表面损伤缺陷自动检测方法及系统 | |
CN114937134A (zh) | 基于无人机和多视角几何的飞机蒙皮缺陷识别与定位方法 | |
Tang et al. | Target recognition method of laser imaging fuze based on deep transfer learning | |
CN115147392A (zh) | 一种基于改进YOLOv4的煤矸石检测方法和装置 |
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 |