[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

本發明提供一種基于深度學習的機場道面病害異物檢測方法及系統，其中方法包括：搭建YOLOv3和Mask?RCNN卷積神經網絡并設置超參數進行訓練；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；第一階段啟用檢測車輛圖像識別系統中YOLOv3目標檢測模型對原始采集圖像進行初步檢測，第二階段啟用工作站中Mask?R?CNN語義分割模型對圖像進行二次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；工作站將最終檢測結果上傳至用戶終端系統。本發明提出的基于深度學習的多階段機場道面病害異物檢測方法及系統，既能夠同時智能檢測機場道面病害與異物，又能保證檢測精度和效率。

技術領域

本發明屬于機場道面病害異物無損檢測技術領域，尤其涉及一種基于深度學習的機場道面病害異物檢測方法及系統。

背景技術

隨著航空科學技術的發展，機場、乘客數量以及飛機班次大幅度增加。由于荷載和環境因素的反復作用，機場道面逐漸出現大量結構病害，嚴重影響機場的安全運營。裂縫和坑槽作為大多數結構病害的早期表現形式對飛機起降構成極大的安全隱患。FOD(ForeignObject?Debris)，是指所有出現在機場跑道上可能損傷飛機，對運行安全造成危害的外來物體。異物一旦被吸入機械裝置內，不僅會影響飛機正常運行，更嚴重的是導致發動機受損，造成重大經濟損失，嚴重危害機上人員的生命安全。

目前機場仍采用以人工巡檢為主的道面病害異物檢測方法，耗時費力、主觀性強且成本高，無法滿足機場快速發展的需求。受機場運行要求的制約，只能在夜間進行道面檢測，使得機場道面病害異物檢測更加困難。

為了彌補人工巡檢的不足，雷達探測技術與視頻圖像識別技術在機場道面病害與FOD檢測領域被廣泛使用。基于雷達技術的檢測方法往往操作困難，而且造價高、精度較低，中小機場難以負擔。如今一些特殊的機場對異物檢測精度要求達到5mm及以下，主流的毫米波雷達技術完全不能達到這樣的精度要求。而目前視頻圖像技術容易受到夜晚檢測環境的影響，且提取的圖像數據信息少，容易產生誤判。隨著計算機視覺技術與深度學習的開發運用，一些學者們基于此開發了各種檢測系統用于機場道面病害異物檢測領域。其中基于傳統機器學習的目標檢測方法難以保證充分提取圖像數據信息，通用性與精度較低；而基于深度學習的目標檢測方法又難以同時保證檢測精度和檢測效率。目前針對機場道面病害和異物檢測的方法及系統存在智能化與可靠度低、精度低、易造成誤判，亦或是難以滿足機場實際需求、檢測精度與檢測效率難以兩全，并且不能實現病害與異物同時檢測的缺陷與問題。

因此，亟需一種基于深度學習的機場道面病害異物檢測方法，既能夠按照實際需求同時智能檢測機場道面病害與異物，又能保證檢測的精度和效率，進而保障機場的正常運行和飛機、乘客的安全。

發明內容

為了解決上述問題，本發明提供一種基于深度學習的機場道面病害異物檢測方法及系統，既能夠按照實際需求同時智能檢測機場道面病害與異物，又能保證檢測的精度和效率，進而保障機場的正常運行和飛機、乘客的安全。

為了實現上述目的，本發明提供一種基于深度學習的機場道面病害異物檢測方法，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，并將原采集圖像與第一階段檢測結果上傳至工作站；