[發明專利]基于深度學習的機場道面病害異物檢測方法及系統

有效

• 申請號: 202110228059.6
• 申請日: 2021-03-02
• 公開（公告）號: CN113111704B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 郭文彤;方宏遠;王念念;鐘山;朱銳;陳家將;曹順林;張高翼
• 申請（專利權）人: 鄭州大學
• 主分類號: G06V20/56
• 分類號: G06V20/56;G06V20/58;G06V10/26;G06V10/762;G06V10/764;G06V10/82;G06N3/045;G06N3/0464;G06N3/08
• 代理公司: 長沙楚為知識產權代理事務所(普通合伙) 43217
• 代理人: 李大為

1.一種基于深度學習的機場道面病害異物檢測方法，其特征在于，其步驟包括：

S1：分別優化改進YOLOv3算法和Mask?R-CNN算法，搭建YOLOv3和Mask?RCNN卷積神經網絡并設置超參數進行訓練；

S2：將訓練好后的YOLOv3、Mask?R-CNN卷積神經網絡分別部署在檢測車輛圖像識別系統和工作站服務器上；

S3：依據待檢測區域環境部署檢測車輛，并通過導航定位系統規劃巡檢路徑，向檢測車輛下發巡檢任務；

S4：檢測車輛依據規劃路徑進入待檢測區域執行巡檢任務；

S5：檢測車輛通過圖像采集系統采集機場道面圖像并啟用圖像識別系統上的YOLOv3目標檢測模型進行第一階段檢測，得到病害與異物的類型，并將原采集圖像與第一階段檢測結果上傳至工作站，所述YOLOv3目標檢測模型采用K-Means算法對機場道面病害和FOD樣本進行聚類分析并在原有特征層基礎上增加一個104×104尺度特征層；

S6：搭載在工作站上的Mask?R-CNN語義分割模型對采集圖像進行第二階段檢測并提取分割后的語義信息，獲得圖像病害與FOD的詳細信息，所述Mask?R-CNN語義分割模型的坐標損失函數采用DIoU坐標損失函數，并采用DIoU-NMS算法對網絡進行改進、優化；

S7：車載控制系統依據檢測車輛任務完成情況判定后續工作；

S8：工作站將最終檢測結果上傳至用戶終端系統。

2.根據權利要求1所述的一種基于深度學習的機場道面病害異物檢測方法，其特征在于，步驟S5中，檢測處理圖像方法的步驟包括：

S5.1：所述圖像識別系統接收檢測車輛采集的機場道面和異物圖像；

S5.2：所述YOLOv3目標檢測模型對步驟S5.1采集的圖像進行第一階段檢測；

S5.3：將第一階段檢測結果上傳至工作站。

3.根據權利要求1或2所述的一種基于深度學習的機場道面病害異物檢測方法，其特征在于，步驟S6中，檢測處理圖像的方法步驟包括：

S6.1：工作站接收檢測車輛上傳的原采集圖像以及第一階段檢測結果；

S6.2：工作站上搭建的Mask?R-CNN語義分割模型對采集圖像進行第二階段檢測；

S6.3：工作站對第二階段檢測結果進行評價，若平均準確度及誤差損失值滿足要求，則將最終檢測結果上傳至用戶終端系統；若不滿足要求，則通過后臺控制系統調整并繼續進行巡檢任務。

4.一種基于深度學習的多階段機場道面病害異物檢測系統，其特征在于，包括：

搭載在檢測車輛上的圖像采集系統、圖像識別系統、信息傳輸系統和車載控制系統；所述圖像采集系統、圖像識別系統、信息傳輸系統依次通訊連接；所述圖像采集系統用于采集機場道面圖像；所述圖像識別系統包括YOLOv3目標檢測模型，用于第一階段檢測以得到病害與異物的類型；所述信息傳輸系統，用于上傳第一階段檢測結果；所述車載控制系統與所述圖像采集系統，用于檢測車輛的運動控制、圖像采集、初步檢測、任務評估和結果傳輸；

搭載在工作站上的Mask?R-CNN語義分割模型，所述Mask?R-CNN語義分割模型用于對采集圖像進行第二階段檢測并提取分割后的語義信息，獲得圖像病害與FOD的詳細信息；

用戶終端系統，所述工作站與所述用戶終端通訊連接，所述工作站用于將最終檢測結果上傳至用戶終端系統；

后臺控制系統，用于規劃檢測車輛巡檢任務以及實時監控檢測車輛運行狀況；

所述車載控制系統還包括：

導航定位系統，用于實現移動平臺定位和檢測車輛運動控制；

任務評估系統，用于判定巡航任務是否完成，決定檢測車輛后續工作；

所述后臺控制系統包括：

任務管理器，用于規劃檢測車輛巡檢任務，劃定作業區域、設定檢測車輛速度以及檢測時間；

遠程控制管理系統，與檢測車輛、工作站通信連接，用于實時監控檢測車輛和所述系統運行狀況，同時可管理工作站工作并發布任務指令。