[發明專利]一種基于SF-SSD算法的機場跑道地下病害檢測方法

有效

• 申請號: 202110585531.1
• 申請日: 2021-05-27
• 公開（公告）號: CN113298155B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 李海豐;潘夢夢;黎嘉誠
• 申請（專利權）人: 中國民航大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/11;G06T7/62;G06V10/774;G06V10/80
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

一種基于SF?SSD算法的機場跑道地下病害檢測方法。其包括構建機場跑道地下病害數據集；對數據集中圖像進行預處理；構建基于SF?SSD算法的機場跑道地下病害網絡模型并輸入訓練集中的預處理圖像進行訓練；生成分為六種不同尺度的病害先驗框；對基于SF?SSD算法的機場跑道地下病害網絡模型進行優化；獲得基于SF?SSD算法的最終機場跑道地下病害網絡模型；將任意探地雷達采集的圖像輸入基于SF?SSD算法的最終機場跑道地下病害網絡模型，獲得四類機場跑道地下病害類型及位置等步驟。本發明方法可以有效地用于機場跑道地下病害檢測，且平均檢測精度較現有公知方法高。

技術領域

本發明屬于圖像識別技術領域，特別涉及一種基于SF-SSD(Scale-Fusion-SingleShot MultiBox Detector)算法的機場跑道地下病害檢測方法。

背景技術

機場跑道地下會存在諸如脫空、疏松、裂縫等多種結構病害，一方面這些病害對飛機起降造成安全隱患，同時也會進一步發展到跑道表面，從而影響機場運行甚至飛行安全。

基于探地雷達的地下病害檢測兼具準確性和全面性，但是目前探地雷達的圖像解釋分析以人工為主，很大程度上要依賴檢測人員的經驗，因此存在解釋周期長的缺點；而且面對海量數據，需要投入大量的人力，效率不高。而魯棒性和自動特征提取是深度學習和卷積神經網絡在圖像識別、定位和測量領域最為突出的優勢。使用深度學習的方法檢測機場跑道地下病害，無需人工參與或進行圖像的大量預處理工作，能有效減弱圖像中物體旋轉、傾斜、扭曲以及背景干擾的影響，因此其對于提高檢測速度和精確率具有重大意義。

但由于機場道面結構的復雜性，生成的地下病害雷達B-scan圖像具有強噪性、模糊性的特點；而且病害的生成具有動態性、流動性，往往需要現場專家才能正確識別出地下病害。基于現有的研究中，大部分研究者是基于現代信號處理技術的地下病害自動識別方法；Karem等人使用探地雷達檢測埋地物體，引用尺度不變特征變換(SIFT)算法，對每個位置的特征進行提取；陶向華等通過用探地雷達信號特征進行脫空識別，進一步定義了脫空邊界，但是對于路面脫空的識別需要人工的參與。Borgioli等人利用霍夫變換和基于梯度直方圖法提取B-scan圖像特征，采用廣義隨機HT方法尋找雙曲線模式，但是在強噪聲情況下的檢測效果很差。雖然已有文獻中有一些方法已經實現了病害識別，但并不能完全檢測到，而且需要進行大量的預處理和計算，很大程度上依賴于人工解釋和個人經驗，且準確性得不到可靠的保障。

深度學習中目標檢測算法在圖像識別領域取得了巨大突破。目前主流目標檢測方法中一種是基于區域的two-stage算法，主要包括R-CNN、Fast R-CNN和Faster R-CNN；另一種是基于回歸的one-stage算法，主要有YOLO和SSD。Besaw等人應用CNN從B-scan圖像中提取有意義的特征并對BEH進行分類，并采用交叉驗證，網絡權重正則化等幾種啟發式方法用于防止過度訓練；LEI等人利用Faster RCNN來識別灰度GPR B-scan圖像的雙曲線特征，不僅能判斷出B-scan圖像中是否包含埋藏目標，而且還能框定出候選目標所在區域；但這些基于two-stage的算法一般精度高，但速度慢，實時性較差。

發明內容

為了解決上述問題，本發明的目的在于提供一種基于SF-SSD算法的機場跑道地下病害檢測方法。

為了達到上述目的，本發明提供的基于SF-SSD算法的機場跑道地下病害檢測方法包括按順序進行的下列步驟：

步驟一：利用探地雷達采集多張機場跑道真實的B-scan圖像，然后裁剪成448*448像素的單通道灰色圖像，之后根據專家經驗進行人工標注而制成相應的PASCAL VOC數據集格式，并從中選出含裂縫、脫空、沉降和疏松四類機場跑道地下病害的B-scan圖像而構建成機場跑道地下病害數據集；