绝对重力测量异常值的局部异常因子检测算法

自主研发绝对重力仪的测量结果中出现的离群程度不同的异常值会直接影响测量结果的准确度和测量精度。目前一般采用的一元正态分布异常值检测算法漏检率高,容易造成测量结果的偏差和测量精度的下降。利用人工智能算法中的局部异常因子异常值检测算法,可以在线、快速、高效地完成自主研发绝对重力测量数据的异常值检测。首先,根据实测数据构建测试数据集,利用数值模拟确定局部异常因子算法邻域宽度参数的取值;然后,基于实测数据进行异常值检测并进行结果评估。评估结果表明,局部异常因子异常值检测算法对离群程度不同、连续出现异常值等情况检测效果明显优于一元正态分布异常值检测算法,组测量精度平均提高9.37μGal,可以作为自主研发绝对重力仪异常值检测的通用算法完成组测量结果的异常值检测。     

基于错位格雷码的动态三维形貌测量方法

格雷码辅助相移技术可以实现具有较强鲁棒性与抗噪能力的三维（3D）形貌测量。为解决由待测物体不均匀的表面反射率、噪声和物体运动等因素造成的级次边沿误码问题，提出了一种基于错位格雷码的动态3D形貌测量方法。将传统格雷码图案在投影前预先移动半个条纹周期得到错位格雷码图案，再采用传统格雷码解码方法对二值化后的错位格雷码图案解码，可得到与截断相位完全错开的解码结果。对该解码结果进行修正后即可利用得到的正确的相位级次辅助截断相位成功展开。同时，为了提高测量精度，引入了一个虚拟相位平面以进一步拓展投影条纹周期数。实验结果表明，所提方法在使用N帧格雷码图案的情况下，可以编码周期数为2^N+1的投影条纹进行3D测量，其无需任何附加图案即可避免级次边沿误码问题，并有效提升了测量精度。复杂动态场景的3D重建结果证明，所提方法能够以2381 frame/s的速率实现高精度、高效率和高速的3D形貌测量。     

结合Sage-Husa滤波的合成孔径声呐多传感器组合运动补偿算法

在运动测量设备噪声统计特性不确定的情况下,提出结合Sage-Husa滤波的合成孔径声呐多传感器组合运动补偿方法。使用Sage-Husa卡尔曼滤波处理多种异类运动传感器的数据,自适应估计声呐速度的最优值,计算实际航迹与理想航迹之间的横荡误差和升沉误差,最后通过时延校正原始回波数据。仿真结果表明,Sage-Husa滤波对运动误差估计精度至少提高37%,运动补偿后,目标峰值旁瓣比和积分旁瓣比有所降低,峰值旁瓣比接近理论值.湖试数据处理结果表明,目标能量分散的情况有所改善,能量集中在主瓣,散焦得到抑制。Sage-Husa滤波在多传感器系统噪声先验知识缺失的条件下,能减小运动数据估计误差,提高运动补偿的准确性。      

光谱辐射测量仪器温度修正方法的研究及验证

光谱辐射定标是光学遥感仪器研制中的关键环节。深入分析实验室定标的光谱辐射测量仪器至户外应用的不确定度来源，环境温度是限制仪器户外高精度测量的最主要因素之一。传统的光谱辐射度实验室定标通常在室温（~25 ℃）下进行，而户外光谱辐射测量处于不同温度环境，严重影响仪器测量的准确度。设计搭建实验测量系统，采用遥感辐射领域常用的光谱辐射测量仪器，研究环境温度对光谱辐射测量的影响。实验结果显示：常用光谱辐射计（CR-280）的测量结果受温度影响明显，在10～40 ℃之间变化时，仪器光谱辐射亮度测量值在400～700nm波段内的偏差为±5%左右，而700～1 050 nm内的偏差高达±15%左右。这主要由于仪器采用硅探测器，红外波段恰好与硅的带边接近，硅探测器易受温度影响，温度增加硅的带边会向长波方向移动，光谱辐射计的响应度也随之增加。基于实验数据统计分析，提出一种适用于不同类型光谱辐射计的温度修正方法，相对于传统的斜率/截距（S/B）算法适用性更广，还可由公式计算出任意温度下的修正结果。修正后CR-280红外波段的偏差（950 nm左右）由±10%降低为±1%，明显减小了因户外使用与实验室定标温度不同造成的测量结果偏差。此外，利用不同类型光谱辐射测量仪器（Avantes及SVC HR-1024）对温度修正方法进行验证。环境温度变化时光谱仪Avantes（VIS/NIR）的测量结果存在较大偏差（1 060 nm高达±17%）。通过温度修正方法运算，仪器修正值与定标值的偏差在±1%以内。光谱辐射计（SVC HR-1024）不同波段的测量值，与定标值的偏差受温度影响不同。这主要由于：仪器由Si、制冷型InGaAs及扩展InGaAs探测器组成，Si探测器受温度影响大，950～1 000 nm波段测量值与定标值的偏差高达±10%。而制冷型InGaAs可有效控制探测器温度，受温度的直接影响相对小。但随温度增加，InGaAs探测器制冷效果受限（制冷最佳工作温度为20 ℃），测量结果产生偏差（1%~3%）。同样，利用温度修正公式对不同温度下SVC HR-1024的测量结果进行修正运算，仪器因温度变化引起的偏差可降低至±1%以内。     

行车环境下钢轨轮廓激光条纹中心的提取方法

研究了行车环境下激光条纹图像中心线快速、准确且可靠的提取方法。基于ENet深度学习模型实现了激光条纹的多区段快速分割;通过统计各区段内光条梯度方向的直方图来确定各分段光条的法线主方向,并构造了相应的方向模板;利用分区域多模板匹配的灰度重心法实现了光条中心的亚像素坐标提取。研究结果表明,该方法可以有效克服室外行车环境中各类干扰信息对光条中心提取的影响,单幅钢轨轮廓图像的光条提取时间仅为2.1 ms,误差均值约为0.082 pixel,标准差为0.047 pixel,兼顾了光条中心提取的时效性和准确率。