Селекция полезного сигнала на основе анализа эхолокационной трассы с использованием методов машинного обучения

Введение. При измерении расстояния лазерным дальномером на пути следования луча встречаются помехи, влияющие на точность измерения расстояния. Классические алгоритмы фильтрации, анализирующие характеристики полученного сигнала, не могут отделить сигналы от естественных помех и целей. В рамках описываемой работы был предложен алгоритм классификации объектов с использованием методов обработки сигналов эхолокационной трассы, полученных при вертикальном зондировании с помощью лазерного дальномера. Основной задачей является селекция полезных сигналов на фоне естественных помех, таких, как атмосферные аэрозоли, дымка и облака. Для решения проблемы предложен метод выделения пиков интенсивности на эхолокационной трассе с последующей их классификацией с использованием методов машинного обучения. Благодаря предобработке сигнала возможна работа алгоритма с системами, имеющими разные параметры излучателя и приемного канала.

Цель работы. Разработать алгоритм выделения и классификации объектов на эхолокационной трассе, полученной при вертикальном зондировании с помощью лазерного дальномера.

Материалы и методы. Вертикальное зондирование осуществлялось с помощью экспериментального стенда, включающего в себя лазерный дальномер с источником излучения 100 мДж, длиной волны 1064 нм, что позволило собрать данные в различных метеорологических условиях. В выборку вошли эхолокационные трассы, полученные от разных объектов с различными характеристиками, например монолитные конструкции, решетчатые конструкции и естественные помехи, встречающиеся при вертикальном зондировании. В статье проведен сравнительный анализ алгоритмов: логистической регрессии, случайного леса, градиентного бустинга и нейросетевого алгоритма. Для оценки качества предсказания моделей были выбраны метрики accuracy и F1-score. Обучение моделей выполнялось на датасете, включающем облачные структуры, с разделением на обучающую и тестовую выборки.

Результаты. Модель градиентного бустинга продемонстрировала сопоставимый результат с нейросетевым алгоритмом, показав результат F1-score 0.89 на тестовой выборке, что позволяет использовать его в менее производительных системах без потери качества предсказания.

Заключение. Результаты подтверждают эффективность алгоритма для выделения полезного сигнала, полученного от объектов в условиях помех, что актуально для геодезии, навигации и спутникового зондирования.

1. Methods of Precise Distance Measurements for Laser Rangefinders with Digital Acquisition of Signals / M. Muzal, M. Zygmunt, P. Knysak, T. Drozd, M. Jakubaszek // Sensors. 2021. Vol. 21, iss. 19. Art. № 6426. doi: 10.3390/s21196426

2. Достоверность измерений импульсного лазерного дальномера / В. Вильнер, В. Волобуев, А. Ларюшин, А. Рябокуль // Фотоника. 2013. № 3. С. 42–60.

3. Писарев И. С., Ухов А. А. Классификация целей на основе анализа лазерного излучения с использованием новой методики разметки графиков // 80-я Науч.-техн. конф. Санкт-Петерб. НТО РЭС им. А. С. Попова, посвященная Дню радио, СПбГЭТУ "ЛЭТИ", Санкт-Петербург, 2025. С. 32–35.

4. The Evolution of Meteorological Satellite CloudDetection Methodologies for Atmospheric Parameter Retrievals / F. Romano, D. Cimini, F. Di Paola, D. Gallucci, S. Larosa, S. T. Nilo, E. Ricciardelli, B. D. Iisager, K. Hutchison // Remote Sens. 2024. Vol. 16, iss. 14. Art. № 2578. doi: 10.3390/rs16142578

5. A Review of Machine Learning and Deep Learning for Object Detection, Semantic Segmentation, and Human Action Recognition in Machine and Robotic Vision / N. Manakitsa, G. S. Maraslidis, L. Moysis, G. F. Fragulis // Technologies. 2024. Vol. 12, iss. 2. Art. № 15. doi: 10.3390/technologies12020015

6. Pinto A. M., Rocha L. F., Moreira A. P. Object recognition using laser range finder and machine learning techniques // Robotics and Computer-Integrated Manufacturing. 2013. Vol. 29, iss. 1. P. 12–22. doi: 10.1016/j.rcim.2012.06.002

7. Optimized Interference Suppression for TCSPC LiDAR / S. Grollius, S. Grosse, M. Ligges, A. Grabmaier // IEEE Sensors J. 2022. Vol. 22, № 24. P. 24094–24101. doi: 10.1109/JSEN.2022.3216810

8. Reguiegue M., Chouireb F. Automatic day time cloud detection over land and sea from MSG SEVIRI images using three features and two artificial intelligence approaches // Signal, Image and Video Processing. 2018. Vol. 12. P. 189–196. doi: 10.1007/s11760-017-1145-0

9. Direct TOF Scanning LiDAR Sensor With TwoStep Multievent Histogramming TDC and Embedded Interference Filter / H. Seo, H. Yoon, D. Kim, J. Kim, S.-J. Kim, J.-H. Chun // IEEE J. of Solid-State Circuits. 2021. Vol. 56, № 4. P. 1022–1035. doi: 10.1109/JSSC.2020.3048074

10. Kurihana T., Moyer E. J., Foster I. T. AICCA: AI-Driven Cloud Classification Atlas // Remote Sensing. 2022. Vol. 14, iss. 22. Art. № 5690. doi: 10.3390/rs14225690

11. Rossow W. B., Schiffer R. A. ISCCP cloud data products // Bull. Amer. Meteorol. Soc. 1991. Vol. 71. P. 2–20.

12. Рыбакова Ж. В. Облака и их трансформация / науч. ред. И. В. Кужевская. Томск: Изд. Дом Томского гос. ун-та, 2020. 234 с.

13. Вильнер В. Г., Ларюшин А. И., Рябокуль А. С. Оптико-электронные высотомеры-скоростемеры на основе полупроводниковых лазеров для БПЛА // Изв. вузов. Проблемы энергетики. 2015. № 5–6. С. 127–133. doi: 10.30724/1998-9903-2015-0-5-6-127-133

14. Pisarev S., Uhov A. A. Development of a Photodetector Device Based on an Avalanche Photodiode with a Thermal Compensation System // IEEE 3rd Intern. Conf. on Problems of Informatics, Electronics and Radio Engineering, Novosibirsk, Russia, 15–17 Nov. 2024. IEEE, 2024. P. 560–563. doi: 10.1109/PIERE62470.2024.10804907

15. Differential optical-path approach to improve signal-to-noise ratio of pulsed-laser range finding / Qun Hao, Jie Cao, Yao Hu, Yunyi Yang, Kun Li, Tengfei Li // Optics Express. 2014. Vol. 22, iss. 1. P. 563–575. doi: 10.1364/OE.22.000563