CN120214769A 基于水下机器人的海底地形地貌测绘方法及系统

(10)申请公布号CN120214769A(71)申请人广东电网有限责任公司阳江供电局地址529500广东省阳江市漠江路110号(72)发明人林斌吴荣基林良健胡树彬方登华冯炎炯黎如欣B63C(74)专利代理机构深圳市胜远威知识产权代理事务所(普通合伙)44979专利代理师公茂海(54)发明名称基于水下机器人的海底地形地貌测绘方法及系统本发明公开了基于水下机器人的海底地形地貌测绘方法及系统，涉及水下机器人技术领域，基于原始测点声波数据集S,为测量提供了可靠的基础数据，提取了每个声呐扫描点的多径扰动特征集F,有效地识别并表征了水下环境中的多路径干扰，通过密度聚类分析对数据进行聚类，成功识别了密集簇与离散点，进而获取了扰动残差Cc,并与预设的干扰判定阈值0map进行对比，为每个声呐扫描点赋予了多路径标签，结合了声呐扫描点的时间序列和波幅序列，准确地获取了每个测点的主路径回波时间，有效判断地貌的连续性，确保了水下地形勘测的高精度与稳定S5、基于声波传播速度v对主路径时间集合Hmain转换为21.基于水下机器人的海底地形地貌测绘方法，其特征在于：包括以下步骤：S1、基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，在每个声呐扫描点获取时间序列反射数据，组成原始测点声波数据集S;S2、对原始测点声波数据集S进行特征提取，获取每一个声呐扫描点的多径扰动高度相关特征参数，组成多径扰动特征集F;S3、对多径扰动特征集F映射至三维特征空间中，使用密度聚类算法进行聚类分析，识别密集簇与离散点，获取扰动残差Cc,并与预设的干扰判定阈值0map进行对比，对每一个声呐扫描点进行多路径标签赋值，获取残差集合A和多路径标签集合Lmp;S4、提取多路径标签集合Lmp中每个声呐扫描点的原始测点声波数据集S中的时间序列和波幅序列，重新计算主路径回波时间Tmain,组成主路径时间集合Hmain;S5、基于声波传播速度v对主路径时间集合Hmain转换为深度坐标Z,获取高度差序列△Z和水平距离差△D,进行评估地貌的一致性指标G,并基于一致性指标G判断触发主路径的重构。2.根据权利要求1所述的基于水下机器人的海底地形地貌测绘方法，其特征在于：所述S1包括S11和S12;S11、基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，依次确定声呐扫描点i,获取声呐扫描点集合P={1,2,……,i|i∈N},其中，N表示声呐扫描点总数；S12、基于声呐扫描点集合P对每个声呐扫描点i进行高分辨率定向扫描，获取完整的时间序列回波数据，组成每个声呐扫描点i的原始声波数据S(i),整合声呐扫描点集合P中所有声呐扫描点的原始声波数据S,获取原始测点声波数据集S={S(1),S(2),……,S(i)|i∈N}。3.根据权利要求2所述的基于水下机器人的海底地形地貌测绘方法，其特征在于：其中，时间序列回波数据包括声呐扫描点i的回波时间序列T(i)、声呐扫描点i的波幅序列A(i)、声呐扫描点i的有效信号持续时间D(i)、主回波峰值时间Tpeak和声呐扫描点i的波形震荡系数γ(i);声呐扫描点i的原始声波数据S(i)={T(i),A(i),D(i),Tpeak(i),γ(i)};声呐扫描点i的回波时间序列T(i)具体表示整个回波接收窗口的时间轴，构成时间域横坐标，声呐扫描点i的回波时间序列T(i)={t1,t2,……,tjlj∈k},其中，tj表示第j个采样时间点的回波时间序列，k表示时间点总数；声呐扫描点i的波幅序列A(i)具体表示与声呐扫描点i的回波时间序列T(i)匹配的声波回波幅度，声呐扫描点i的波幅序列A(i)={a1,a2,……,ajlj∈k},其中，aj表示第j个采样时间点波幅序列；声呐扫描点i的有效信号持续时间D(i)具体表示回波信号的时间持续长度，声呐扫描点i的有效信号持续时间D(i)通过tk-t1计算公式获取；主回波峰值时间Tpeak具体表示主路径反射信号的最大波幅时间点，用于多径反射对比，通过提取声呐扫描点i的波幅序列A(i)中的最大值获取；声呐扫描点i的波形震荡系数γ(i)具体表示波形的突变程度，声呐扫描点i的波形震荡系数γ(i)通过以下计算公式获取：3式中，A(i,j+1)和A(i,j)分别表示声呐扫描点i的在第j+1个采样点的波幅序列和第jS21、对原始测点声波数据集S进行特征提取，获取原始测点声波数据集S={S(1),S特征集F={F(1),F(2),……,F(i式中，max(T(i))表示声呐扫描点i的回波时间序列T中最大值，具体表示序列最后一描点的多径扰动高度相关特征参数密度进行划分簇，互相靠近的声呐扫描点聚集成一个声呐扫描点i的扰动残差Cc(i),并与预设的干扰判定阈值0map进行对比，对每一个声呐扫6.根据权利要求5所述的基于水下机器人的海底地形地貌测绘方法，其特征在于：其欧几里得距离标记为扰动残差Cc,反映每个声呐扫描点i与正常的声呐扫描点簇中心的偏4当声呐扫描点i的扰动残差Cc(i)>干扰判定阈值0map时，进行声呐扫描点i的多路径当声呐扫描点i的扰动残差Cc(i)<干扰判定阈值0map时，不进行声呐扫描点i的多路S41、提取多路径标签集合Lmp中每个声呐扫描点的原始测点声波数据集S中每个声呐扫描点的时间序列T和波幅序列A,重新计算声呐扫描点i的主路径回波时间Tmain(i),组成主路径时间集合Hmain={Tmain(1),Tmain(2),……,Tmai声呐扫描点i的主路径回波时间Tmain(i)通过以下计算公式获取：式中，argmax(A(i,j))表示取声呐扫描点i的最大采样时间点j的波幅序列，对获取的波幅序列采样时间点j作为声呐扫描点i的回对获取声呐扫描点i的回波时间序列的采样时间点j判定为最大波幅对应的采样时间呐扫描点i的深度坐标Z(i),基于所有转换后的深度坐标Z计算每对相邻声呐扫描点之间的水平距离差△D通过提取预设的绘测路径上的固定间隔第(i+1)个声呐扫描点和第i个基于分析相邻声呐扫描点i获取的高度差序列△Z(i)和水平距离差△D(i)的线性关系，构建评估地貌的一致性指标G,用于衡量地貌的连续性和稳定性，并基于一致性指标G与预设510.基于水下机器人的海底地形地貌测绘系统，应用于权利要求1~9任一项所述的基于水下机器人的海底地形地貌测绘方法，其特征在于：包括扫描数据采集模块、扫描特征提取模块、特征映射标记模块、主路径获取模块和决策优化模块；扫描数据采集模块基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，在每个声呐扫描点获取时间序列反射数据，组成原始测点声波数据集S;扫描特征提取模块对原始测点声波数据集S进行特征提取，获取每一个声呐扫描点的多径扰动高度相关特征参数，组成多径扰动特征集F;特征映射标记模块对多径扰动特征集F映射至三维特征空间中，使用密度聚类算法进行聚类分析，识别密集簇与离散点，获取扰动残差Cc,并与预设的干扰判定阈值Omap进行对比，对每一个声呐扫描点进行多路径标签赋值，获取残差集合A和多路径标签集合Lmp;主路径获取模块提取多路径标签集合Lmp中每个声呐扫描点的原始测点声波数据集S中的时间序列和波幅序列，重新计算主路径回波时间Tmain,组成主路径时间集合Hmain;决策优化模块基于声波传播速度v对主路径时间集合Hmain转换为深度坐标Z,获取高度差序列△Z和水平距离差△D,进行评估地貌的一致性指标G,并基于一致性指标G判断触发主路径的重构。6基于水下机器人的海底地形地貌测绘方法及系统技术领域[0001]本发明涉及水下机器人技术领域，具体为基于水下机器人的海底地形地貌测绘方法及系统。背景技术[0002]在广义的海洋信息感知与智能探测领域中，水下测绘作为核心技术分支之一，长期承担着对海底空间结构与地貌形态的认知任务。随着深海资源开发、海底通信布设、海洋生态监测等场景需求的增多，水下空间测绘的自动化程度和数据精度需求呈现快速增长趋[0003]为适应复杂海底环境的三维测绘挑战，水下机器人逐渐成为主要作业平台，尤其是在海底峡谷、断层带、珊瑚礁和沉船残骸等地貌区域中，这类具备自主运动能力和高精度传感器集成能力的系统，能实现大范围、细粒度的地貌数据获取。[0004]尽管当前的海底测绘系统通过高分辨率多波束声呐等装备，可在水下环境中构建复杂地形条件下，由声波传播路径的多样性所引起的“多路径干扰”现象，这类干扰尤其在存在陡峭断崖、悬空结构、裂缝缝隙等几何特征剧烈变化区域中表现得更加明显，在这些场景下，声波除了从机器人发出后直达海底目标点的“主路径”外，还会经过不同的水下界面或结构反射，形成一系列延迟抵达的“次路径”回波，这些多径回波会被误判为实际存在的目标结构，造成测绘数据中出现伪造的高地、断层甚至连续的山脊或槽谷，从而导致最终的三维地貌图谱产生结构性虚假内容，尤其在自动处理建模过程中，由于数据滤波策略依赖于时间窗口和信号幅度判别，当前方法尚难以有效剔除多径噪声所带来的伪地貌信息。发明内容[0005]针对现有技术的不足，本发明提供了基于水下机器人的海底地形地貌测绘方法及系统，解决了背景技术中提到的问题。[0006]为实现以上目的，本发明通过以下技术方案予以实现：基于水下机器人的海底地S1、基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，在每个声呐扫描点获取时间序列反射数据，组成原始测点声波数据集S;S2、对原始测点声波数据集S进行特征提取，获取每一个声呐扫描点的多径扰动高度相关特征参数，组成多径扰动特征集F;S3、对多径扰动特征集F映射至三维特征空间中，使用密度聚类算法进行聚类分析，识别密集簇与离散点，获取扰动残差Cc,并与预设的干扰判定阈值0map进行对比，对每一个声呐扫描点进行多路径标签赋值，获取残差集合A和多路径标签集合Lmp;S4、提取多路径标签集合Lmp中每个声呐扫描点的原始测点声波数据集S中的时间序列和波幅序列，重新计算主路径回波时间Tmain,组成主路径时间集合Hmain;7列△Z和水平距离差△D,进行评估地貌的一致性指标G,并基于一致性指标G判断触发主路径的重构。的时间序列回波数据，组成每个声呐扫描点i的原始声波数据S(i),整合声呐扫描点集合P中所有声呐扫描点的原始声波数据S,获取原始测点声波数据集描点i的波幅序列A(i)、声呐扫描点i的有效信号持续时间D(i)、主回波峰值时间Tpeak和声呐扫描点i的波形震荡系数γ(i);声呐扫描点i的原始声波数据S(i)={T(i),A(i),D(i),Tpeak(i),γ(i)};声呐扫描点i的回波时间序列T(i)具体表示整个回波接收窗口的时间轴，构成时声呐扫描点i的波幅序列A(i)具体表示与声呐扫描点i的回波时间序列T(i)匹配声呐扫描点i的有效信号持续时间D(i)具体表示回波信号的时间持续长度，声呐扫描点i的有效信号持续时间D(i)通过tk-t1计算公式获取；主回波峰值时间Tpeak具体表示主路径反射信号的最大波幅时间点，用于多径反声呐扫描点i的波形震荡系数γ(i)具体表示波形的突变程度，声呐扫描点i的波形震荡系数γ(i)通过以下计算公式获取：式中，A(i,j+1)和A(i,j)分别表示声呐扫描点i的在第j+1个采样点的波幅序列和(2),……,S(i)|i∈N}中每一个声呐扫描点i的多径扰动高度相关特征参数，组成多径扰动特征集F={F(1),F(2),……,F(i声呐扫描点i的最大回波延迟时间偏移量8T(i)通过以下计算公式获取：8每个声呐扫描点i的扰动残差Cc(i),并与预设的干扰判定阈值0map进行对比，对每一个声当声呐扫描点i的扰动残差Cc(i)>干扰判定阈值0map时，进行声呐扫描点i的多路径干扰点标签赋值，标记声呐扫描点i为多路径干扰，生成声呐扫描点i的多路径标签L(i)=1;当声呐扫描点i的扰动残差Cc(i)<干扰判定阈值0map时，不进行声呐扫描点i的多路径干扰点标签赋值，标记声呐扫描点i为非干扰点，生成声呐扫描点i的多路径标签LS41、提取多路径标签集合Lmp中每个声呐扫描点的原始声呐扫描点的时间序列T和波幅序列A,重新计算声呐扫描点i的主路径回波时间Tmain(i),组成主路径时间集合Hmain={Tmain(1),Tmain(2),……,Tmain(i)|i∈N};声呐扫描点i的主路径回波时间Tmain(i)通过以下计算公式获取：式中，argmax(A(i,j))表示取声呐扫描点i的最大采样时间点j的波幅序列，对获取的波幅序列采样时间点j作为声呐扫描点i的回波时间序列的采样时间点；对获取声呐扫描点i的回波时间序列的采样时间点j判定为最大波幅对应的采样9取声呐扫描点i的深度坐标Z(i),基于所有转换后的深度坐标Z计算每对相邻声呐扫描点之声呐扫描点i的深度坐标Z(i)通过以下计算公式获取：水平距离差△D通过提取预设的绘测路径上的固定间隔第(i+1)个声呐扫描点和扫描数据采集模块基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描特征提取模块对原始测点声波数据集S进行特征提取，获取每一个声呐扫描特征映射标记模块对多径扰动特征集F映射至三维特征空间中，使用密度聚类算集S中的时间序列和波幅序列，重新计算主路径回波时间Tmain,组成主路径时间集合Hmain;决策优化模块基于声波传播速度v对主路径时间集合Hmain转换为深度坐标Z,获取高度差序列△Z和水平距离差△D,进行评估地貌的一致性指标G,并基于一致性指标G判断(1)基于原始测点声波数据集S,为测量提供了可靠的基础数据，提取了每个声呐扫描点的多径扰动特征集F,有效地识别并表征了水下环境中的多路径干扰，通过密度聚类分析对数据进行聚类，成功识别了密集簇与离散点，进而获取了扰动残差Cc,并与预设的干扰判定阈值Omap进行对比，为每个声呐扫描点赋予了多路径标签，最终生成了残差集合A和多路径标签集合Lmp。在主路径回波时间Tmain的计算中，结合了声呐扫描点的时间序列和波幅序列，准确地获取了每个测点的主路径回波时间，有效判断地貌的连续性，进而基于一致性指标G判断是否触发主路径的重构，确保了水下地形勘测的高精度与稳定性，特别是在多路径干扰的剔除、主路径的重构判断以及最终的地形准确反映方面，提供了有效的技术[0017](2)通过高分辨率定向扫描获取完整的回波数据，并整合形成原始测点声波数据集S,为数据的精确处理打下了扎实基础，尤其是波形震荡系数γ(i)的计算，能够捕捉到声波信号中由于多路径干扰带来的波形突变，从而有效识别潜在的多路径干扰区域，通过这一系列精确的数据采集和处理，提供了对海底地形的全面、准确的描述，同时有效地避免了传统方法中可能出现的误差，提高了测量结果的精确度，确保了水下测绘的高效性和高质量。这种方法不仅提升了数据的完整性和细节捕捉能力，还优化了对多路径干扰的检测和处理，减少了由于信号噪声引起的错误，从而保证了最终结果的可靠性和稳定性。[0018](3)通过密度聚类算法DBSCAN,有效区分了核心点、边界点和噪声点，利用其高效的聚类能力，能在复杂的水下环境中识别出潜在的多路径干扰，并对噪声点进行剔除处理，这一措施提高了后续扰动残差计算的准确性。通过对剔除处理后的声呐扫描点簇进行扰动残差计算，进一步结合预设的干扰判定阈值Omap,为每个声呐扫描点赋予了准确的多路径标签，确保了多路径干扰点和非干扰点的精确区分。附图说明[0019]图1为本发明基于水下机器人的海底地形地貌测绘方法步骤示意图；图2为本发明基于水下机器人的海底地形地貌测绘系统框图示意图；图3为深度坐标(Z(i))与声呐扫描点的关系示意图。具体实施方式[0020]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，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[0021]实施例1本发明提供基于水下机器人的海底地形地貌测绘方法，请参阅图1,包括以下步S1、基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，在每个声呐扫描点获取时间序列反射数据，组成原始测点声波数据集S;S2、对原始测点声波数据集S进行特征提取，获取每一个声呐扫描点的多径扰动高度相关特征参数，组成多径扰动特征集F;S3、对多径扰动特征集F映射至三维特征空间中，使用密度聚类算法进行聚类分11析，识别密集簇与离散点，获取扰动残差Cc,并与预设的干扰判定阈值0map进行对比，对每一个声呐扫描点进行多路径标签赋值，获取残差集合A和多路径标签集合Lmp;S4、提取多路径标签集合Lmp中每个声呐扫描点的原始测点声波数据集S中的时间序列和波幅序列，重新计算主路径回波时间Tmain,组成主路径时间集合Hmain;S5、基于声波传播速度v对主路径时间集合Hmain转换为深度坐标Z,获取高度差序列△Z和水平距离差△D,进行评估地貌的一致性指标G,并基于一致性指标G判断触发主路径的重构。[0022]本实施例中，基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，系统能够在每个声呐扫描点获取时间序列反射数据，组成原始测点声波数据集S,为测量提供了可靠的基础数据，提取了每个声呐扫描点的多径扰动特征集F,有效地识别并表征了水下环境中的多路径干扰，通过密度聚类分析对数据进行聚类，成功识别了密集簇与离散点，进而获取了扰动残差Cc,并与预设的干扰判定阈值Omap进行对比，为每个声呐扫描点赋予了多路径标签，最终生成了残差集合A和多路径标签集合Lmp。在主路径回波时间Tmain的计算中，结合了声呐扫描点的时间序列和波幅序列，准确地获取了每个测点的主路径回波时间，并通过声波传播速度v将主路径时间集合Hmain转换为深度坐标Z,进而计算了高度差序列△Z和水平距离差△D。通过评估地貌一致性指标G,有效判断地貌的连续性，进而基于一致性指标G判断是否触发主路径的重构，确保了水下地形勘测的高精度与稳定性，特别是在多路径干扰的剔除、主路径的重构判断以及最终的地形准确反映方面，提供了有效的技术保障。通过这种方法，不仅提高了水下测量的精度和效率，还解决了多路径干扰导致的测量误差问题，确保了海底地形数据的可靠性和完整性。本实施例是在实施例1中进行的解释说明，请参照图1,具体的：所述S1包括S11和S11、基于水下机器人在预设的绘测路径上按照固定间隔进行声呐扫描，依次确定声呐扫描点i,获取声呐扫描点集合P={1,2,……,i|i∈N},其中，N表示声呐扫描点总数；S12、基于声呐扫描点集合P对每个声呐扫描点i进行高分辨率定向扫描，获取完整的时间序列回波数据，组成每个声呐扫描点i的原始声波数据S(i),整合声呐扫描点集合P中所有声呐扫描点的原始声波数据S,获取原始测点声波数据集S={S(1),S(2),……,S(i)|[0024]其中，时间序列回波数据包括声呐扫描点i的回波时间序列T(i)、声呐扫描点i的波幅序列A(i)、声呐扫描点i的有效信号持续时间D(i)、主回波峰值时间Tpeak和声呐扫描点i的波形震荡系数γ(i);声呐扫描点i的原始声波数据S(i)={T(i),A(i),D(i),Tpeak(i),γ(i)};声呐扫描点i的回波时间序列T(i)具体表示整个回波接收窗口的时间轴，构成时间域横坐标，声呐扫描点i的回波时间序列T(i)={t1,t2,……,tj|j∈k},其中，tj表示第j个采样时间点的回波时间序列，k表示时间点总数；声呐扫描点i的波幅序列A(i)具体表示与声呐扫描点i的回波时间序列T(i)匹配的声波回波幅度，声呐扫描点i的波幅序列A(i)={a1,a2,……,aj|j∈k},其中，aj表示第j个采样时间点波幅序列；声呐扫描点i的有效信号持续时间D(i)具体表示回波信号的时间持续长度，声呐扫描点i的有效信号持续时间D(i)通过tk-t1计算公式获取；主回波峰值时间Tpeak具体表示主路径反射信号的最大波幅时间点，用于多径反式中，A(i,j+1)和A(i,j)分别表示声呐扫描点i的在第j+1个采样点的波幅序列和主回波峰值时间Tpeak和波形震荡系数γ(i),通过高分辨率定向扫描获取完整的回波数声呐扫描点i的最大回波延迟时间偏移量8T(i)通过以下计算公式获取：S31、对多径扰动特征集F映射至三维特征空间中，使用密度聚类算法进行聚类分析，识别密集簇与离散点；其中，密集簇和离散点通过DBSCAN密度聚类算法对多径扰动特征集F中每一个声呐扫描点的多径扰动高度相关特征参数密度进行划分簇，互相靠近的声呐扫描点聚集成一个簇，而离散的声呐扫描点标记为噪声，同步对标记为噪声的声呐扫描点从三维特征空间中进行剔除处理，不参与扰动残差的计算；DBSCAN密度聚类算法会根据邻域半径bj和最小点数minPts来区分核心点、边界点和噪声点；核心点如果某个声呐扫描点在半径bj范围内有至少最小点数minPtsd的个点，则声呐扫描点被标记为核心点；边界点邻域内的声呐扫描点数小于最小点数minPtsd,但位于核心点的邻域内；噪声点不属于任何核心点的邻域内的声呐扫描点，DBSCAN密度聚类算法会标记为噪声；S32、对剔除处理后的三维特征空间中的声呐扫描点簇进行扰动残差的计算，获取每个声呐扫描点i的扰动残差Cc(i),并与预设的干扰判定阈值0map进行对比，对每一个声呐扫描点进行多路径标签赋值，获取残差集合A和多路径标签集合Lmp;其中，残差集合A={Cc(1),Cc(2),……,Cc(i)多路径标签集合Lmp={L(1),L(2),……,L(i)|i∈N}。[0028]其中，扰动残差的计算具体计算每个声呐扫描点到声呐扫描点簇中心的欧几里得距离，所述欧几里得距离标记为扰动残差Cc,反映每个声呐扫描点i与正常的声呐扫描点簇中心的偏离程度；多路径标签通过以下对比方式进行赋值：路径干扰点标签赋值，标记声呐扫描点i为多路径干扰，生成声呐扫描点i的多路径标签L当声呐扫描点i的扰动残差Cc(i)<干扰判定阈值0map时，不进行声呐扫描点i的多路径干扰点标签赋值，标记声呐扫描点i为非干扰点，生成声呐扫描点i的多路径标签L[0029]本实施例中，通过对原始测点声波数据集S的特征提取，提取了每个声呐扫描点i的多径扰动高度相关特征参数，包括最大回波延迟时间偏移量δT(i)、波幅标准差σA(i)和波形跳变密度η(i),并组成了多径扰动特征集F。这一过程通过准确捕捉每个测点的波形特征，能够有效识别和表征水下环境中的多路径干扰，特别是通过波形跳变密度η(i)来衡量信号的变化，从而对干扰源的检测更加精确。通过密度聚类算法DBSCAN,有效区分了核心点、边界点和噪声点，利用其高效的聚类能力，能在复杂的水下环境中识别出潜在的多路径干扰，并对噪声点进行剔除处理，这一措施提高了后续扰动残差计算的准确性。通过对剔除处理后的声呐扫描点簇进行扰动残差计算，进一步结合预设的干扰判定阈值Omap,为每个声呐扫描点赋予了准确的多路径标签，确保了多路径干扰点和非干扰点的精确区分。最终，整个过程确保了测量结果的准确性，并在多路径干扰影响下保持较高的稳定性与可信度，S41、提取多路径标签集合Lmp中每个声呐扫描点的原始声呐扫描点的时间序列T和波幅序列A,重新计算声呐扫描点i的主路径回波时间Tmain(i),组成主路径时间集合Hmain={Tmain(1),Tmain(2),……,Tmain(i)|i∈N};声呐扫描点i的主路径回波时间Tmain(i)通过以下计算公式获取：式中，argmax(A(i,j))表示取声呐扫描点i的最大采样时取的波幅序列采样时间点j作为声呐扫描点i的回波时间序列的采样时间点；对获取声呐扫描点i的回波时间序列的采样时间点j判定为最大波幅对应的采样取声呐扫描点i的深度坐标Z(i),基于所有转换后的深度坐标Z计算每对相邻声呐扫描点之声呐扫描点i的深度坐标Z(i)通过以下计算公式获取：水平距离差△D通过提取预设的绘测路径上的固定间隔第(