基于深度学习的多波束前视三维声纳数据压缩方法和系统

本发明属于三维声呐，具体涉及一种基于深度学习的多波束前视三维声纳数据压缩方法和系统。

背景技术：

1、在海洋探测的广阔领域中，多波束前视三维声呐技术的崛起标志着水下探测技术的一次重大飞跃。这项技术不仅极大地拓宽了人类对海洋未知世界的认知边界，还在多个关键领域如水下地形测绘、海洋环境监测、以及海底资源勘探中发挥着不可替代的作用。随着科技的进步和需求的日益增长，多波束前视三维声呐系统正逐步向更高精度、更快响应、更强实时性的方向发展，这离不开对海量声呐数据的有效处理与高效传输。

2、多波束前视三维声呐系统通常分为两个主要模块，分别是采集并处理声呐数据的下位机和显示声呐数据的上位机，二者间通过网线或者是无线网络进行交互。相较于传统测扫式声呐，多波束前视三维声呐能够提供实时性更强的数据，基本能实现每秒一帧及以上的扫描速率，不需要拼接线束图像的等待延时。同时，相较于多波束二维前视声呐，多波束三维前视声呐需要探测的数据会增加一个维度，能够提供高分辨率的三维建模数据，比二维平面数据更加清晰直观。然而，随之而来的庞大数据量对计算和传输能力提出了严峻挑战。为了实现实时性的数据处理和传输，亟需有效的数据压缩算法和系统。

3、当前，多波束前视三维声呐数据压缩算法及其系统是三维声呐领域研究的重要内容，具体压缩方式众多，但是存在如下问题：

4、(1)压缩算法效率与效果并存难题：目前广泛应用的基于二进制流序列化的压缩算法，虽然简单易行，但往往难以达到理想的压缩率，特别是对于具有特定分布特性的三维声呐数据而言，其压缩效果更为有限，压缩率较低，而部分复杂的压缩技术虽然能够在一定程度上提高压缩率，但是对硬件的利用率较低，可能会影响实时性；

5、(2)数据稀疏性与恢复质量矛盾：三维声呐数据通常具有高度的稀疏性，即大部分区域可能并无有效信号或信号强度极低，这种特性在压缩过程中若处理不当则极易导致恢复后的数据出现失真，影响后续分析应用；

6、(3)反射强度保留的重要性：在三维声呐数据中，反射强度是反映水下物体性质的重要参数之一，在压缩过程中如何有效保留高反射强度数据，避免其在压缩过程中被过度平滑或丢失，是确保数据质量的关键。

7、因此，未来的研究应聚焦于开发专门针对多波束前视三维声呐数据的压缩算法与系统，通过对压缩过程进行智能优化，以进一步提升压缩率和恢复质量。

技术实现思路

1、鉴于上述，本发明的目的是提供一种基于深度学习的多波束前视三维声纳数据压缩方法和系统，通过将深度学习与三维声呐数据中降采样压缩过程和上采样解压过程相结合，能够实现高效和不失真的点云压缩、传输和解压，从而为海洋勘探和水下地形检测等应用领域提供有力支持。

2、为实现上述发明目的，本发明提供的技术方案如下：

3、第一方面，本发明实施例提供的一种基于深度学习的多波束前视三维声纳数据压缩系统，包括：三维声呐数据压缩下位机平台和三维声呐数据解压上位机平台；

4、三维声呐数据压缩下位机平台用于将获取的三维声呐数据进行反射强度归一化和点云分块后，通过包括第一mlp层、第一attention层和第一point transformer层的第一深度学习网络进行降采样，得到压缩后的三维声呐数据并传输至三维声呐数据解压上位机平台；

5、三维声呐数据解压上位机平台用于将接收到的压缩后的三维声呐数据通过包括第二mlp层、第二attention层和第二point transformer层的第二深度学习网络进行上采样后进行强度数据恢复，得到解压还原后的三维声呐数据。

6、优选地，获取的三维声呐数据为三维点云的形式，在输入第一深度学习网络进行降采样前，首先对三维点云进行反射强度归一化，然后对归一化后的三维点云进行分块操作得到点云块。

7、优选地，在第一深度学习网络中进行降采样时，首先对点云块进行最远点采样得到保留点和删除点，然后使用第一mlp层、第一attention层和第一point transformer层分别提取删除点的特征后进行融合得到删除点的聚合信息，将删除点的聚合信息和保留点构建为压缩后的三维声呐数据。

8、优选地，将压缩后的三维声呐数据构建为用于传输的数据帧，数据帧的格式包括帧号、当前帧的反射强度最大值、当前帧的反射强度最小值和压缩后的三维声呐数据。

9、优选地，三维声呐数据压缩下位机平台和三维声呐数据解压上位机平台之间通过udp协议进行数据帧的传输，在进行传输前，将数据帧切分为udp协议的网络数据包，之后将网络数据包发送到三维声呐数据解压上位机平台，三维声呐数据解压上位机平台根据网络数据包的包头信息进行识别和合并，还原为一整帧的数据帧。

10、优选地，数据包的格式包括帧号、包号、总包数和压缩后的三维声呐数据的切分数据。

11、优选地，在第二深度学习网络中进行上采样时，使用第二mlp层、第二attention层和第二point transformer层分别将压缩后的三维声呐数据中的删除点的聚合信息进行还原，将还原数据经第三mlp层进行融合得到解压缩的删除点，基于当前帧的反射强度最大值和当前帧的反射强度最小值对保留点和解压缩的删除点进行反射强度数据恢复，最终得到解压还原后的三维声呐数据。

12、第二方面，为实现上述发明目的，本发明实施例还提供了一种基于深度学习的多波束前视三维声纳数据压缩方法，利用上述的基于深度学习的多波束前视三维声纳数据压缩系统实现，包括以下步骤：

13、利用三维声呐数据压缩下位机平台将获取的三维声呐数据进行反射强度归一化和点云分块后，通过包括第一mlp层、第一attention层和第一point transformer层的第一深度学习网络进行降采样，得到压缩后的三维声呐数据并传输至三维声呐数据解压上位机平台；

14、利用三维声呐数据解压上位机平台将接收到的压缩后的三维声呐数据通过包括第二mlp层、第二attention层和第二point transformer层的第二深度学习网络进行上采样后进行强度数据恢复，得到解压还原后的三维声呐数据。

15、第三方面，为实现上述发明目的，本发明实施例还提供了一种基于深度学习的多波束前视三维声纳数据压缩设备，包括存储器和一种或多种处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现上述的基于深度学习的多波束前视三维声纳数据压缩方法。

16、第四方面，为实现上述发明目的，本发明实施例还提供了一种计算机可读的存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被计算机执行时，实现上述的基于深度学习的多波束前视三维声纳数据压缩方法。

17、与现有技术相比，本发明具有的有益效果至少包括：

18、本发明基于包括mlp层、attention层和point transformer层的深度学习网络分别构建了的三维声呐数据的降采样数据压缩和上采样数据解压部分，应用在三维声呐数据压缩下位机平台和三维声呐数据解压上位机平台，实现了上下位机分离的数据获取、压缩、传输及解压功能，能够同时保证质量和效率的点云压缩，并在解压后有效保留反射强度信息。