一种适用于不同水质机载激光测深的深度学习方法

作     者：黄宜帆 贺岩 朱小磊 徐广袖 Huang Yifan;He Yan;Zhu Xiaolei;Xu Guangxiu

作者机构：中国科学院上海光学精密机械研究所空间激光信息传输与探测技术实验室上海201800 中国科学院大学材料与光电研究中心北京100049 海军研究院天津300061 

出 版 物：《中国激光》 (Chinese Journal of Lasers)

年 卷 期：2025年第52卷第1期

页      面：214-220页

核心收录：

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081105[工学-导航、制导与控制] 081001[工学-通信与信息系统] 081002[工学-信号与信息处理] 0825[工学-航空宇航科学与技术] 0811[工学-控制科学与工程] 

基　　金：国家重点研发计划(2022YFB3901700) 上海市“科技创新行动计划”社会发展科技攻关项目(21DZ1205400) 

主　　题：机载测深激光雷达 深度学习 波形处理 图像语义分割 

摘      要：为提升机载测深激光雷达水深探测能力,提出了一种反演水深的深度学习方法。该方法先将雷达采集波形转换为图像,再使用深度学习模型对图像进行语义分割,从而实现水深反演。将雷达采集波形转换为图像的好处是:相较于单条波形处理,可以利用相邻帧的波形信息,有利于微弱海底信号的提取。在数据预处理方面,提出了一种快速消除不同水质回波差异的方法,使得模型训练集的构建简单,不需要考虑不同水质回波特性的差异。深度学习模型的整体结构为U-net,结合了道路线检测模型空间卷积神经网络(SCNN),提升了模型的语义分割能力。利用大洲岛、大埕湾、北礁三地采集的数据对该方法进行了验证,结果表明:模型适用于不同水质,具有良好的鲁棒性;相较于波形处理方法,该方法的水深提取的正确率平均提升了27%,大洲岛最大测量水深提升了3.2 m,大埕湾提升了1.6 m,北礁提升了6.0 m。