[發明專利]基于人工智能的飛機油量測量方法及系統

在審

• 申請號: 202010810185.8
• 申請日: 2020-08-13
• 公開（公告）號: CN111968171A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 羅明強;梁新剛;馮喆;劉麒
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/60
• 分類號: G06T7/60;G06T7/62;G06T7/11;G06T5/00;G01F23/292;G01F22/00;G06N3/04;G06N3/08
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 張乾楨;賈玉忠

1.一種基于人工智能的飛機油量測量方法，其特征在于，包括以下步驟：

步驟一，預先獲取油箱內的連續油面照片和對應的油量數據；

步驟二，將所述連續油面照片進行預處理；

步驟三，獲得油箱油面高度與油量關系的先驗，即獲得H-V關系曲線，其中，H為油箱內油面高度，V為油箱內的油量體積；

步驟四，通過H-V關系曲線插值及搜索，利用所述H-V關系曲線對新獲得的油箱內油面照片進行油量測量；

步驟五，基于上述步驟一至三，獲取多幅油箱內油面照片及對應的油量數據，獲得深度卷積神經網絡模型DCNN的訓練樣本集，通過訓練該模型獲得油箱內油面照片的特征圖；

步驟六，利用哈希函數的深度神經卷積網絡DCNN，以步驟五所述特征圖為輸入獲得深度監督哈希編碼序列DSH，序列匯總得到樣板集所有照片哈希編碼序列庫；

步驟七，對任何新的油面照片，通過特征提取及哈希化后，通過檢索步驟六哈希編碼序列庫獲得哈希值相似度為零的列表隊列，接著在列表隊列中進行聚類計算獲得最大類的哈希編碼序列，接著得到該哈希序列對應的照片以及該照片對應的標簽即為新的油面照片的油量測量值；

步驟八，將上述先驗及深度卷積神經網絡模型DCNN部署至飛機上，實現通過隨機拍照獲得單幅油面照片實時計算出油箱剩余油量。

2.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟一中，油箱內照片通過設置于油箱內或油箱透明孔洞的多個TCP/IP標準接口的攝像頭及能同步控制的Led冷光源獲得。

3.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟一中，油量數據通過以下三種方法的一種或多種獲取：(1)對于地面驗證仿真試驗油箱，通過加油或排油的流量計進行油量測量；(2)通過地面或飛機上的油箱3D數字模型的數據切片獲得；(3)通過飛機上油箱中的正在使用的電容傳感器數據獲得。

4.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟二中，照片的預處理包括以下步驟：對照片進行灰度化、圖像增強、濾波去噪、二值化、圖像分割、輪廓提取處理。

5.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟三中，H-V曲線獲取方法為三次樣條插值法補點或3D模型切片數據法。

6.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟三和四中，在一個固定的拍攝場景下，事先定義一個比率來測量每個給定度量單位的像素數，將其稱為像素比例，即每單位長度對應的像素數；測量前，需要選取一個參照物作為“校準”點，參照物應該有三個重要的屬性：一是已知其真實尺寸；二是該參照物能夠在圖像上被識別，三是參照物在圖像上的畸變小于預設值；測量時先識別參照物，再計算得到像素比例，進一步獲得油面高度數據或油面線夾角數據。

7.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：油箱照片樣本數據經過圖像像素級標注、分類、掩模、灰度化處理，變成能夠在深度神經卷積網絡模型中訓練的樣本數據集，通過訓練后輸出帶圖像語義分割并用于多分類或回歸的高維特征向量。

8.根據權利要求7的所述的基于人工智能的飛機油量測量方法，其特征在于：利用獲得的高維特征向量，通過深度神經網絡模型訓練，獲得一維稀疏哈希編碼序列，并匯總獲得哈希編碼序列庫，以備檢索之用。

9.根據權利要求1所述的基于人工智能的飛機油量測量方法，其特征在于：所述步驟五、六、七、八中，基于深度卷積神經網絡DCNN實現圖像特征提取，利用深度卷積神經網絡DCNN的哈希函數模型對提取的圖像特征執行哈希編碼，接下來通過哈希相似度距離計算方法，實現對任意新的圖像進行檢索。