基于深度学习的三分量感应线圈姿态测量系统及方法与设计方案

本技术公开了一种基于深度学习的三分量感应线圈姿态测量系统及方法。

该系统包括接收吊舱、视频采集模块、姿态测量模块、三分量感应线圈和控制终端，控制终端、视频采集模块和三分量感应线圈均设置在接收吊舱内，姿态测量模块设置在三分量感应线圈上，姿态测量模块用于采集三分量感应线圈的姿态，三分量感应线圈用于接收地下矿物返回的磁场，三分量感应线圈骨架的标记点上粘贴有荧光贴，视频采集模块用于采集三分量感应线圈骨架标记点的标记图像，视频采集模块、姿态测量模块与控制终端连接，控制终端内设有LabVIEW平台搭建的深度学习神经网络模型。

本技术提供的基于深度学习的三分量感应线圈姿态测量方法，测量准确且操作简单，极大的提高了测量效率。

技术要求1.一种基于深度学习的三分量感应线圈姿态测量系统，其特征在于，包括接收吊舱、视频采集模块、姿态测量模块、三分量感应线圈和控制终端，所述控制终端、视频采集模块和三分量感应线圈均设置在所述接收吊舱内，所述姿态测量模块设置在所述三分量感应线圈上，所述姿态测量模块用于采集所述三分量感应线圈的姿态，所述三分量感应线圈用于接收地下矿物返回的磁场，所述三分量感应线圈骨架的标记点上粘贴有荧光贴，所述视频采集模块用于采集所述三分量感应线圈骨架标记点的标记图像，所述视频采集模块、姿态测量模块均与所述控制终端相连接，所述控制终端内设有对视频采集模块、姿态测量模块进行处理的LabVIEW平台搭建的深度学习神经网络模型。

2.根据权利要求1所述的基于深度学习的三分量感应线圈姿态测量系统，其特征在于，所述姿态测量模块包括三轴陀螺仪、三轴加速度计、三轴磁阻传感器。

3.根据权利要求1所述的基于深度学习的三分量感应线圈姿态测量系统，其特征在于，所述系统还包括视频采集模块和姿态测量模块同步控制模块。

4.根据权利要求1所述的基于深度学习的三分量感应线圈姿态测量系统，其特征在于，所述视频采集模块为摄像头。

5.根据权利要求1所述的基于深度学习的三分量感应线圈姿态测量系统，其特征在于，所述控制终端包括平板电脑或者微型计算机。

6.一种基于深度学习的三分量感应线圈姿态测量方法，其特征在于，所述方法包括：步骤1：确定三分量感应线圈骨架标记点，并在每个标记点上粘贴荧光贴；步骤2：将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型；步骤3：通过视频采集模块获取待测三分量感应线圈骨架标记点的标记图像，将三分量感应线圈标记点的标记图像输入到所述深度学习神经网络模型中，从而获取三分量感应线圈骨架标记点的标记图像中三分量感应线圈的姿态信息。

7.根据权利要求6所述的基于深度学习的三分量感应线圈姿态测量方法，其特征在于，所述步骤2：将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型，具体包括：通过姿态测量模块对三分量感应线圈通过骨架驱动进行姿态变换，得到三分量感应线圈任意姿态的图像；通过视频采集模块对三分量感应线圈骨架标记点的标记图像进行采集，得到三分量感应线圈骨架标记点的标记图像；建立三分量感应线圈的任意姿态图像及对应该姿态图像的三分量感应线圈骨架标记点的标记图像的对应关系列表，并根据三分量感应线圈骨架标记点的标记图像的对应关系列表构建深度学习神经网络模型。

技术说明书一种基于深度学习的三分量感应线圈姿态测量系统及方法技术领域本技术涉及航空物探技术领域，特别是涉及一种基于深度学习的三分量感应线圈姿态测量系统及方法。

背景技术航空电磁勘探方法目前广泛应用于矿产资源勘查、环境监测、地质调查等领域。

航空电磁系统根据机载形式分为固定翼航空电磁系统和直升机航空电磁系统，固定翼航空电磁系统测量原理图如图1所示。

固定翼时间域航空电磁系统，为了解决飞机干扰问题，多采用机载大回线发射、远离飞机的长吊挂吊舱接收的系统配置形式。

数匝发射回线围绕飞机机首、两个翼尖及机尾固定安装在飞机上。

安装了三分量电磁感应线圈的接收吊舱，在测量飞行中拖挂于飞机后下方约130米处。

与直升机时间域航空电磁系统相比，固定翼航空电磁系统在实际情况中飞机受到外界及自身的影响，线圈的方向和位置发生非自主变化，这种变化通常称为线圈的姿态变化。

姿态变化导致线圈与大地之间的耦合发生改变，给数据测量带来误差，引起不必要的假异常，同时降低系统测量的分辨率，对后期的数据处理和资料解释也会造成较大的影响。

姿态变化的研究最早起源于他主要研究了航空电磁系统三种线圈的单一姿态变化，随后很多科学家从各个角度对姿态的变化及校正进行了研究，也得出了很有价值的结论。

将姿态变化对航空电磁系统的影响分为两个部分，一部分是几何效应，该部分表明收发系统关于地球坐标系发生的变化，与发射频率和大地电导率无关，另外一部分是感应效应，该效应与发射频率、大地电导率、飞行高度、收发距等有关。

同时在研究中发现姿态变化的影响95％来自几何效应。

一些文献对直升机中心回线吊舱装置的单一姿态变化进行了研究并给予校正。

对吊舱摆动、发射和接收线圈姿态对航空电磁响应做了分析并给出了校正方法。

一些文献研究时间域航空电磁系统的姿态变化并给出了校正因子，同时指出由于航空电磁数据量大，该方法需要多次重量复迭代才能达到理想效果，在实际测量中，最好根据记录的姿态变化信息并使用文中提到的校正因子即可达到校正效果。

这些方法大部分都是从理论角度分析了姿态改变给数据测量带来的影响。

很少提到如何测量线圈的姿态。

本技术提出使用计算机视觉和深度学习相结合的方式来测量接收吊舱内的三分量感应线圈。

技术内容本技术提供一种基于深度学习的三分量感应线圈姿态测量系统及方法，提出了一种使用计算机视觉和深度相结合的方式来测量接收吊舱内的三分量感应线圈运行姿态的方法，测量准确且操作简单，极大的提高了测量效率。

为实现上述目的，本技术提供了如下方案：一种基于深度学习的三分量感应线圈姿态测量系统，包括接收吊舱、视频采集模块、姿态测量模块、三分量感应线圈和控制终端，所述控制终端、视频采集模块和三分量感应线圈均设置在所述接收吊舱内，所述姿态测量模块设置在所述三分量感应线圈上，所述姿态测量模块用于采集所述三分量感应线圈的姿态，所述三分量感应线圈用于接收地下矿物返回的磁场，所述三分量感应线圈骨架的标记点上粘贴有荧光贴，所述视频采集模块用于采集所述三分量感应线圈骨架标记点的标记图像，所述视频采集模块、姿态测量模块均与所述控制终端相连接，所述控制终端内设有对视频采集模块、姿态测量模块进行处理的LabVIEW平台搭建的深度学习神经网络模型。

可选的，所述姿态测量模块包括三轴陀螺仪、三轴加速度计、三轴磁阻传感器。

可选的，所述系统还包括视频采集模块和姿态测量模块同步控制模块。

可选的，所述视频采集模块为摄像头。

可选的，所述控制终端包括平板电脑或者微型计算机。

一种基于深度学习的三分量感应线圈姿态测量方法，所述方法包括：步骤1：确定三分量感应线圈骨架标记点，并在每个标记点上粘贴荧光贴；步骤2：将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型；步骤3：通过视频采集模块获取待测三分量感应线圈骨架标记点的标记图像，将三分量感应线圈标记点的标记图像输入到所述深度学习神经网络模型中，从而获取三分量感应线圈骨架标记点的标记图像中三分量感应线圈的姿态信息。

可选的，所述步骤2：将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型，具体包括：通过姿态测量模块对三分量感应线圈通过骨架驱动进行姿态变换，得到三分量感应线圈任意姿态的图像；通过视频采集模块对三分量感应线圈骨架标记点的标记图像进行采集，得到三分量感应线圈骨架标记点的标记图像；建立三分量感应线圈的任意姿态图像及对应该姿态图像的三分量感应线圈骨架标记点的标记图像的对应关系列表，并根据三分量感应线圈骨架标记点的标记图像的对应关系列表构建深度学习神经网络模型。

该技术与现有技术相比，具有如下有益效果：本技术提供的一种基于深度学习的三分量感应线圈姿态测量系统及方法，所述摄像头与姿态测量模块在同步控制模块的控制下能够做时间上的同步，即每个时间戳都会对应一个摄像头采集到三分量感应线圈标记点的标记图像和姿态测量模块采集到三分量感应线圈的姿态。

将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型，姿态测量模块采集到的姿态信息相当于摄像头采集的图像信息的标注。

然后在实验室环境下尽量复现三分量感应线圈在飞行过程中所出现的姿态，将这些姿态信息保存下来做为深度学习的训练数据。

最后将深度学习训练好的网络存入微型计算机中，放置在接收吊仓里，供飞行时用摄像头采集姿态信息。

飞行时不再使用姿态测量模块来直接测三分量感应线圈的姿态，防止姿态测量模块在工作时会对线圈产生干扰，提高测量的准确率。

附图说明为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本技术实施例基于深度学习的三分量感应线圈姿态测量方法的流程图；图2为本技术实施例基于深度学习的三分量感应线圈姿态测量系统的结构示意图。

具体实施方式下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。

基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。

本技术提供一种基于深度学习的三分量感应线圈姿态测量方法，提出了一种使用计算机视觉和深度相结合的方式来测量接收吊舱内的三分量感应线圈运行姿态的方法，测量准确且操作简单，极大的提高了测量效率。

为使本技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本技术作进一步详细的说明。

图1为本技术实施例基于深度学习的三分量感应线圈姿态测量方法的流程图，如图1所示，一种基于深度学习的三分量感应线圈姿态测量方法，所述方法包括：步骤101：确定三分量感应线圈骨架标记点，并在每个标记点上粘贴荧光贴；标记点的确定主要是找一些骨架上的关键的点，如每个边的中点，或者骨架上三个边的交点等，确定标记点没有一个严格的算法，一个重要的依据就是能够让摄像头很好的观测到。

步骤102：将三分量感应线圈任意姿态图像和对应三分量感应线圈骨架标记点的标记图像作为训练数据，训练深度学习神经网络模型；步骤103：通过视频采集模块获取待测三分量感应线圈骨架标记点的标记图像，将三分量感应线圈标记点的标记图像输入到所述深度学习神经网络模型中，从而获取三分量感应线圈骨架标记点的标记图像中三分量感应线圈的姿态信息。