[發明專利]基于改進SPCNN模型的機場跑道膠痕檢測方法

有效

• 申請號: 202110602906.0
• 申請日: 2021-05-31
• 公開（公告）號: CN113205517B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 劉曉琳;吳佳敏
• 申請（專利權）人: 中國民航大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/194;G06T7/136;G06N3/0464;G06N3/006
• 代理公司: 西安銘澤知識產權代理事務所(普通合伙) 61223
• 代理人: 張舉

1.基于改進SPCNN模型的機場跑道膠痕檢測方法，其特征在于，包括以下步驟：

將SPCNN模型中的反饋輸入部分更改為通過鄰域灰度關系確定；將SPCNN模型中的神經元點火閾值指數衰減機制更改為線性分層步長衰減方法，在線性分層步長衰減方法中根據神經元點火區域與未點火區域的統計特性設計分層步長；

采用CS算法并結合最小交叉熵準則在解空間里對更改后的SPCNN模型中的連接系數β和放大系數V_θ進行尋優，獲取改進后的SPCNN模型；

將機場跑道原始圖像輸入改進后的SPCNN模型中進行迭代，每次迭代點火區域映射在原圖上的區域平均灰度值增長量小于預設值，停止迭代，輸出分割后的跑道膠痕圖像，計算圖中的膠痕占比，輸出膠痕檢測結果；

所述反饋輸入的值根據當前像素灰度值與鄰域內像素的均值灰度值的大小關系來決定，當前像素灰度值較大，則當前像素灰度值取鄰域內最大的灰度值，反之則取值鄰域內最小的灰度值；

式中：F_ij為神經元反饋輸入部分，S_kl為神經元點(i,j)8鄰域內像素點的灰度值；為8鄰域內像素點的平均灰度值；

所述神經元點火閾值的改進方法包括以下步驟：

所述神經元點火閾值的公式為：

θ_ij[n]＝θ_ij[n-1]-kΔ+V_θY_ij[n-1]

式中：V_θ為放大系數；Y_ij為神經元脈沖輸出；Δ為基礎衰減步長；k為分層比例系數；

確定點火區域和未點火的區域的平均灰度值：

式中：Ω₀＝{(i,j)|Y_ij(n-1)＝0}，Ω₁＝{(i,j)|Y_ij(n-1)＝1}；T₀[n]和T₁[n]將灰度直方圖分為[0,T₀[n]]，[T₀[n],T₁[n]]，[T₁[n],255]3種區域，分別對應目標區，目標和背景的混合區以及背景區；

所述神經元點火閾值的公式中的k的取值如下式：

所述SPCNN模型中的連接系數β和放大系數V_θ尋優方法包括以下步驟：

S1：設置鳥巢數量num＝15，搜索空間維度dim＝2，最大迭代次數time＝500，發現概率Pa＝0.25；β范圍為0～1，V_θ范圍為0～99；隨機初始化鳥窩的位置x_i，定義目標函數f(x)為最小交叉熵；

S2：利用預定義的適應度函數計算初始化鳥窩適應度值f(x_i)，記錄當前整個鳥窩位置并比較得到當前最優f_best；

S3：保留上代最優鳥窩位置，利用下式更新其他鳥窩位置；杜鵑尋窩的路徑和位置按Levy更新：

式中，x_i(t+1)是第i個杜鵑在第t+1代的鳥巢位置；x_i(t)是第t代的鳥窩位置，α是步長，α＝1；Levy(λ)為隨機搜索路徑：

Levy～u＝t^-λ(1＜λ≤3)

將新生成的鳥窩與上一代鳥窩位置進行比較，更新除最優鳥窩外的位置和狀態，計算f_new再與f_best進行比較，更新f_best；

S4：位置更新后，生產隨機數r并與Pa比較，若r≥Pa則隨機更新一次鳥窩位置；

S5：當前熵值小于上一次的熵，或者算法執行到最大更新次數，CS算法終止，得到最優鳥窩；否則回到所述S3；

S6：重復步驟S1-S5，將最佳鳥窩位置的兩個參數所述連接系數β和放大系數V_θ代入改進的所述SPCNN模型中。