[发明专利]一种基于学习架构的激光雷达测深方法、装置及电子设备

权利要求书

1.一种基于学习架构的激光雷达测深方法，其特征在于，包括：

获取第一高精度全波形激光雷达数据；

根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置；

将所述第一高精度全波形激光雷达数据转化为第一二维图片数据，其中，基于第一公式对所述第一高精度全波形激光雷达数据进行格拉姆角差场处理，确定所述第一二维图片数据；

所述第一公式包括：

式中，GADF表示经过格拉姆角差场处理后得到的所述第一二维图片数据，表示所述第一高精度全波形激光雷达数据中按时间排列的第1个数据归一化后的反余弦，表示所述第一高精度全波形激光雷达数据中第n个数据归一化后的反余弦；

将所述第一二维图片数据、所述第一水面回波信号位置以及所述第一水底回波信号位置作为深度学习网络的训练集进行网络训练，确定训练后的网络模型；

获取第二高精度全波形激光雷达数据，根据所述第二高精度全波形激光雷达数据确定对应的第二二维图片数据；

将所述第二二维图片数据输入所述网络模型，输出第二水面回波信号位置以及第二水底回波信号位置；

根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深。

2.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述深度学习网络为Resnet_CBAM网络。

3.根据权利要求2所述的基于学习架构的激光雷达测深方法，其特征在于，所述Resnet_CBAM网络的构建过程包括：

在Resnet-18网络中的每个原始block和残差结果中增加一个CBAM注意力模块，得到Resnet_CBAM网络，其中，所述CBAM注意力模块包括通道注意力模块和空间注意力模块；

其中，所述Resnet_CBAM网络的输入为二维图片数据，输出为水面回波信号位置以及水底回波信号位置。

4.根据权利要求3所述的基于学习架构的激光雷达测深方法，其特征在于，所述Resnet_CBAM网络中的损失函数采用均方误差函数；

所述均方误差函数的公式为：

式中，MSE表示所述均方误差函数，表示第j次预测的水面信号位置，表示第j次水面信号的真实位置，表示第j次预测的水底信号位置，表示第j次水底信号的真实位置，M表示训练批次的数量。

5.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述获取第一高精度全波形激光雷达数据包括：

获取第一激光雷达测深波形数据，对所述第一激光雷达测深波形数据进行有效波形提取和滤波处理，确定所述第一高精度全波形激光雷达数据。

6.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述根据所述第一高精度全波形激光雷达数据确定对应的第一水面回波信号位置和第一水底回波信号位置包括：

采用高斯分解法确定所述第一高精度全波形激光雷达数据对应的所述第一水面回波信号位置和所述第一水底回波信号位置。

7.根据权利要求1所述的基于学习架构的激光雷达测深方法，其特征在于，所述根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定对应水深包括：

根据所述第二水面回波信号位置以及所述第二水底回波信号位置确定第二水面回波信号位置以及第二水底回波信号位置的时间差；

根据所述时间差确定水深。