【技术实现步骤摘要】
一种机场道面缺陷检测与状态评估方法
[0001]本专利技术涉及计算机图像分割
,尤其是涉及一种机场道面缺陷检测与状态评估方法。
技术介绍
[0002]由于大量的旅客运输和货邮运输,机场道面不可避免地出现各类病害,根据病害的严重程度计算机场道面状况,并由计算出的路面状况指数(Pavement Condition Index,PCI)指数提醒并辅助道面的查验,以保障飞机的安全起降等。
[0003]路面状况指数(PCI)是一项评价道路破损程度的指标,该指标综合了道面缺陷的类型、损坏程度、损坏范围或密度三方面的定量状况。道面损坏等级评定标准如表1所示。
[0004]表1道面结构损坏等级评定标准
[0005]道面损坏等级差次中良优PCI范围[0,40)[40,55)[55,70)[70,85)[85,100)
[0006]传统的机场道面缺陷检测需要专业人员实地测量,存在以下问题:
[0007](1)由于机场道面承载大量的起飞降落,造成道面外观对比度相对较低,因此增加了检测难度,限制了检测效率;
[0008](2)由于人工检测期间需暂停飞机的起飞降落活动,因此进一步增加了检测成本。
[0009]近年来深度学习快速发展,使用基于深度学习的方法代替人工检测,成为机场道面缺陷检测的趋势之一。目前主流方法是采集2D图片数据,通过基于神经网络的语义分割方法,检测机场道面缺陷。但此类方法只能利用表观特征对不同缺陷进行辨别,在针对纹理特征差异小、但深度特征差异大的缺陷时(例如裂缝与 ...
【技术保护点】
【技术特征摘要】
1.一种机场道面缺陷检测与状态评估方法,其特征在于,包括以下步骤:S1:确定目标机场道面范围,获取目标机场道面视频,并抽取视频帧,获取视频帧图像;S2:将S1获取的所有视频帧图像依次输入深度估计网络,获取所有视频帧图像各自对应的深度图;S3:将S1获取的所有视频帧图像拼接为全尺寸道面RGB图,将S2获取的深度图拼接成全尺寸道面深度图;S4:将S3获取的全尺寸道面RGB图和全尺寸道面深度图分别处理为局部RGB图和局部灰度图,并输入语义分割网络,获取分割结果掩码图;S5:将S4获取的分割结果掩码图拼接为全尺寸缺陷掩码图,并结合S3获取的全尺寸道面深度图,判断目标机场道面不同缺陷的严重程度,再根据路面状况指数对道面质量状况进行评估。2.根据权利要求1所述的一种机场道面缺陷检测与状态评估方法,其特征在于,S2中所述深度估计网络采用基于PackNet的单目无监督深度估计网络,所述单目无监督深度估计网络包括用以生成2D图像深度信息的PackNet网络分支和用以生成相邻视频帧图像之间位姿信息的Pose Convnet网络分支。3.根据权利要求2所述的一种机场道面缺陷检测与状态评估方法,其特征在于,所述S2包括以下步骤:S2.1:将d时刻的视频帧图像I
d
输入至PackNet网络分支,生成I
d
的初始深度图,将s时刻和d时刻的视频帧图像I
s
和I
d
输入到Pose ConvNet网络分支,生成s时刻和d时刻的视频帧图像之间的位姿信息;S2.2:根据S2.1获取的I
d
的初始深度图、s时刻和d时刻的视频帧图像之间的位姿信息以及s时刻的视频帧图像I
s
,获取d时刻的重构图片数据S2.3:根据S2.2获取的d时刻的重构图片数据和d时刻的视频帧图像I
d
计算PackNet网络分支的Loss函数,根据平移向量t
d
‑
>s
、单目相机在d时刻的瞬时速度v以及s时刻和d时刻之间的时间差Δt
d
‑
>s
获取Pose ConvNet网络分支的Loss函数,使得深度估计网络自行更新迭代,生成d时刻的视频帧图像对应的深度图;S2.4:重复S2.1~S2.3,获取所有视频帧图像对应的深度图。4.根据权利要求1所述的一种机场道面缺陷检测与状态评估方法,其特征在于,所述S3包括以下步骤:S3.1:分别提取相邻两个视频帧图像,即第一视频帧图像和第二视频帧图像的特征点,生成特征描述子,并进行快速近似最邻近匹配,获取相邻两张视频帧图像对应的匹配点;S3.2:剔除S3.1中误差较大的匹配点,获取多组可靠匹配点对;S3.3...
【专利技术属性】
技术研发人员:姜晓燕,王柏涵,方志军,黄哲栩,
申请(专利权)人:上海工程技术大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。