新型机载激光测深系统及其飞行实验结果

新研制的机载激光测深系统与第一代机载激光测深系统相比,在探测信号采集率、浅水测量能力、测点定位精度和系统的自动化方面都有较大的提高。新系统采用1000 Hz激光器以提高测量密度,分设深水浅水双通道接收回波信号以提高浅水探测能力,装配高精度的惯性导航系统(IMU)和全球定位系统(GPS)提高了测点的定位精度和深度精度,数据后处理进行了潮汐改正和波浪改正提高深度测量的精度。系统在某海域进行了多次飞行实验,实验数据经过分析和处理,得到了比较满意的结果,表明该激光测深系统在测深精度和测量效率等方面,已经接近实用化。     

机载激光雷达测深系统定位模型与视准轴误差影响分析

根据机载激光测深系统扫描部分结构,针对圆镜偏轴卵形扫描方式,从光束发射方向出发,基于扫描结构轴向关系利用光线反射定律推导出激光出射方向向量,结合激光出射位置到海表点距离获得海面激光点坐标;依据光线折射定律,利用变折射率光线追踪算法推导出海底测深点坐标计算公式,建立海面激光入射点及海底测深点坐标严密计算模型。根据模型定位公式,分析扫描系统视准轴误差影响,通过数值模拟,分析扫描系统视准轴误差对定位精度影响,为扫描系统单体设备加工、装调、集成检校提供依据,为机载雷达测深系统提供海底测点精确计算、改正提供参考。     

机载双频激光雷达系统设计和研制

针对林业、建筑、近海、岛礁和滩涂的测绘要求,中国科学院上海光学精密机械研究所开发了具有自主知识产权的机载双频激光雷达产品样机,可以同时完成对陆地地形和海底地形进行测绘。该样机在三亚蜈支洲岛进行了飞行试验,最大探测深度达到30 m,等效一类水质条件下可达50 m,最小探测深度达到0.22 m,测深数据和单波束声呐数据对比中误差为0.108 m,实地测量数据和陆地点云量测数据比对中误差为0.18 m,试验结果基本符合设计预期,为进一步产品定型打下了良好的基础。     

海洋激光雷达图像处理提取海水深度的方法

机载激光雷达已经应用于浅海地形测绘,与激光器、接收望远镜和探测器一样,水深提取算法也是决定系统最大测深能力的关键环节。常规的水深提取算法是对单个激光雷达采集的波形数据进行处理,通过提取波形中的海表和海底位置实现水深测量,这种方法在提取水深较深的海底微弱回波信号时,易受海水散射层强信号的影响,导致水深提取能力和准确度下降。为了解决这一问题,将一维回波波形数据按采集顺序组合成二维的回波强度图像,图像的每一列代表一条回波波形,图像的灰度值对应着回波信号强度。利用图像的横向相关性,通过双边滤波、局部阈值二值化等图像处理方法,提取出海底回波信号廓线。该方法一方面提升了海底回波的提取能力,一方面避免散射层信号对海底微弱信号的干扰,为浅海地形、水下目标一体化探测提供新的数据处理方式。     

基于声光扫描的三维视频激光雷达技术

提出一种基于声光扫描技术实现三维视频激光雷达系统,克服了基于传统扫描方式的三维成像激光雷达应用中所面临的成像速度慢、体积大、质量大等问题。采用二维声光扫描技术,大大提高了扫描速度;同时,采用高精度的时间差检测芯片,精确测量激光脉冲飞行时间,从而获得高精度的距离值,实现高精度的三维视频成像。详细描述了系统的原理、组成部分以及实验结果。在图像分辨率为63pixel×63pixel时,该系统三维成像速度达到25frame/s,实现视频三维成像,能够满足对成像速度要求较高的特殊场合的需求。     

地基全视景三维成像激光扫描仪

作为一项高效的测量测绘技术,三维成像激光扫描技术具有快速高效性、非接触性、穿透性、主动性、高精度和高密度 等特点,正在被逐渐应用于我国国家建设的各个领域。介绍了三维扫描技术的应用和市场上已有产品的性能情况。着重介绍了研制的地基全视景 三维成像激光扫描仪工程样机,包括工作原理、系统组成、采用的主要技术以及最终达到的性能指标。最后分析了当前市场存在的问题,并对 下一步的工作作出了展望。     

目标反射特性对激光测距的影响

针对非合作小目标激光测距系统,目标表面的反射特征对激光回波信号有很大的影响。建立测量表面双向反射分布函数(BRDF)的装置,对常用的两种热控材料——白漆涂层和F36多包层,测量了其在1064 nm波长下的双向反射分布函数。得出了白漆涂层镜面反射很小,散射角较大,利于各方向接收回波信号;而F36多包层镜面反射很强,散射角-2°~2°,不利于探测。通过由表面BRDF与由朗伯散射计算得到的最小接收功率的比较,得出了入射角大于45°入射白漆涂层时,回波信号较小;大于2°入射F36多包层时,没有回波信号。     

基于深度学习的机载激光海洋测深海陆波形分类

机载激光雷达的海陆波形分类对于沿海地区及其变化性质的研究至关重要。提出了一种在原始的机载激光雷达回波上使用深度学习进行分类的方法。构建全连接神经网络和一维卷积神经网络（CNN）,在一个测量海域的数据集上进行训练和测试,最优模型获得了99.6%的分类精度。该最优模型对来自不同测量海域的数据进行分类,分类精度达到了95.6%,相比支持向量机方法,处理速度提高了约52%。结果表明:深度学习方法对机载激光雷达回波波形的分类具有较高的精度和速度,它可以进一步作为通过机载激光测深技术对海底种类进行分类的候选方法。