基于人工智能的飞机油量测量方法及系统技术方案

本发明专利技术公开了一种基于人工智能的飞机油量测量方法及系统，该方法包括以下步骤：预先获取油箱内多幅照片和其对应的油箱内此照片拍摄时油量数据；然后对照片预处理；获得油箱油面高度与油量关系的先验：油面高度与照片对应油量的H‑V关系曲线；基于上述步骤通过以下任一一种方法进行油量测量：方法一，获得曲线可以用于对新的照片通过曲线插值搜索获得油箱油量。方法二，获取数万幅油面照片及对应的照片油量数据作为深度学习模型的训练样本。通过基于深度卷积神经网络DCNN图像语义分割及哈希函数编码及其哈希编码对比技术实现图像检索方法得到油量测量数据。本发明专利技术能够降低油箱重量，并扩展油量测量飞机姿态范围以及方便油量测量设备维护。

【技术实现步骤摘要】
基于人工智能的飞机油量测量方法及系统
本专利技术属于航空
，特别涉及一种飞机油量测量系统及方法。
技术介绍
飞机上油箱中剩余油量测量并读数给飞行员是飞行管理中的重要参数，传统的飞机油箱剩余油量测量大多数基于电容传感器技术测量。通过多个传感器组合测量获得油面高度，通过类似查表计算获得对应油量。其中还要考虑飞行姿态等系列问题。这种测量系统结构简单、技术成熟、可靠，传感器对油箱环境的耐受性好，受油面波动影响较小，是目前国内外飞机广泛采用的油量测量方式。但是由于电容式油量测量原理和特性，电缆分布电容、传感器设计和制造、测量电路的元器件差异以及环境条件的变化均会影响油量测量系统精度和有效测量范围。并需要定期拆开油箱进行维护。为消除这些的影响因素，以往飞机的油量测量系统均采用机上校准的方式，即油量测量系统成附件装机后，需要进行零位和满位校准，以此作为油量测量计算机的计算基准。
技术实现思路
本专利技术的目的是提供一种基于人工智能的飞机油量测量方法及系统，以提升油量测量的量程范围及准确率，并实现油箱免维护及油箱减重。为实现上述目的，本专利技术采用的技术方案为：一种基于人工智能的飞机油量测量方法，包括以下步骤：步骤一，预先获取油箱内的连续多幅油面照片和对应的油量数据；步骤二，将所述连续油面照片进行预处理；步骤三，获得油箱油面高度与油量关系的先验，即获得H-V关系曲线，其中，H为油箱内油面高度，V为油箱内的油量体积；步骤四，通过H-V关系曲线插值及搜索，利用所述H-V关系曲线对新获得的油箱内油面照片进行油量测量；步骤五，基于上述步骤一至三，获取多幅油箱内油面照片及对应的油量数据，获得深度卷积神经网络模型DCNN的训练样本集，通过训练该模型获得油箱内油面照片的特征图；步骤六，利用哈希函数的深度神经卷积网络DCNN，以步骤五所述特征图为输入获得深度监督哈希编码序列DSH，序列汇总得到样板集所有照片哈希编码序列库；步骤七，对任何新的油面照片，通过特征提取及哈希化后，通过检索步骤六哈希编码序列库获得哈希值相似度为零的列表队列，接着在列表队列中进行聚类计算获得最大类的哈希编码序列，接着得到该哈希序列对应的照片以及该照片对应的标签即为新的油面照片的油量测量值；步骤八，将上述先验及深度卷积神经网络模型DCNN部署至飞机上，实现通过随机拍照获得单张油面照片实时计算出油箱剩余油量。进一步的，所述步骤一中，油箱内照片通过设置于油箱内或油箱透明孔洞的多个TCP/IP标准接口摄像头及能同步控制的Led冷光源获得。进一步的，所述步骤一中，油量数据通过以下三种方法的一种或多种获取：(1)对于地面验证仿真试验油箱，通过加油或排油的流量计进行油量测量；(2)通过地面或飞机上的油箱3D数字模型的数据切片获得；(3)通过飞机上油箱中的正在使用的电容传感器数据获得。进一步的，所述步骤二中，照片的预处理包括以下步骤：对照片进行灰度化、图像增强、滤波去噪、二值化、图像分割、轮廓提取处理。进一步的，所述步骤三中，H-V曲线获取方法为三次样条插值法补点或3D模型切片数据法。进一步的，所述步骤三和四中，在一个固定的拍摄场景下，事先定义一个比率来测量每个给定度量单位的像素数，将其称为像素比例，即每单位长度对应的像素数；测量前，需要选取一个参照物作为“校准”点，参照物应该有三个重要的属性：一是已知其真实尺寸；二是该参照物能够在图像上被识别，三是参照物在图像上的畸变小于预设值；测量时先识别参照物，再计算得到像素比例，进一步获得油面高度数据或油面线夹角数据。进一步的，油箱照片样本数据经过图像像素级标注、分类、掩模、灰度化处理，变成能够在深度神经卷积网络模型中训练的样本数据集，通过训练后输出带图像语义分割并用于多分类或回归的高维特征向量。进一步的，利用获得的高维特征向量，通过深度神经网络模型训练，获得一维稀疏哈希编码序列，并汇总获得哈希编码序列库，以备检索之用。进一步的，所述步骤五、六、七、八中，基于深度卷积神经网络DCNN实现图像特征提取，利用深度卷积神经网络DCNN的哈希函数模型对提取的图像特征执行哈希编码，接下来通过哈希相似度距离计算方法，实现对任意新的图像进行检索。进一步的，对新的待检索图像提取得到图像的哈希编码，通过进行哈希编码之间对比分析间接实现图像之间的对比分析，接着根据训练样板图像已经预先标记的油量标签数据。具体方法如下：首先对新的油面照片通过哈希序列数据之间的欧式距离或汉明距离分析，查找最大相的似样板照片，其次通过样板照片对应的标签油量数据判定新的油面照片油量读数，即获得实时油箱剩余油量数据。根据本专利技术的另一方面，还提供一种用于实现前述任一所述的基于人工智能的飞机油量测量方法的系统，其特征在于包括：图像数据采集模块，用于获取油箱内连续多幅照片数据；油量数据采集模块，用于获取油箱内多幅照片对应的油量数据；图像数据预处理模块，用于对照片进行预处理；照片解析模块，用于得到照片的像素比例，再基于像素比例测量并计算图像上的物体尺寸或距离，从而获得H-V关系曲线；油量检索测量模块，用于通过照片像素参数搜索曲线获得油箱余量的测量数据；深度学习模型油量测量模块，用于通过深度学习训练油量测量模型，实现通过单张照片获取油箱剩余油量的测量数据，油量测量模型模块为DCNN深度卷积神经网络模型。进一步的，深度学习模型油量测量模块还包括：特征图获取模块，获取多幅油箱内油面照片及对应的油量数据，获得深度卷积神经网络模型DCNN的训练样本集，通过训练该模型获得油箱内油面照片的特征图；哈希编码序列库汇总模块，利用哈希函数的深度神经卷积网络DCNN，以所述特征图为输入获得深度监督哈希编码序列DSH，序列汇总得到样板集所有照片哈希编码序列库；哈希编码对比模块，对任何新的油面照片，通过特征提取及哈希化后，通过检索哈希库获得哈希值相似度为零的列表队列，接着在列表队列中进行聚类计算获得最大类的哈希编码序列，接着得到该哈希序列对应的照片以及该照片对应的标签即为新的油面照片的油量测量值；部署模块，用于将先验及深度卷积神经网络模型DCNN部署至飞机上，实现通过随机拍照获得单张油面照片实时计算出油箱剩余油量。有益效果：本专利技术的基于人工智能的飞机油量测量方法及系统，实现了免维护油箱需求，减少了油箱内部件及油箱重量，扩大了油量测量有效幅度范围，提升了油量测量准确率。附图说明图1为本专利技术的方法流程；图2为照片预处理流程；图3(a)为3D数模切片数据H-V关系曲线；图3(b)为手工采集数据H-V关系曲线；图4为计算机视觉模式油量测量流程；图5为油面高度H计算示意图；图6为深度学习模式油量测量总体思路；图7为特征提取深度卷积网络模型DCNN分割效果可视化示例。具体实施方式下面将结合本专利技术实施例中的附本文档来自技高网...

【技术保护点】
1.一种基于人工智能的飞机油量测量方法，其特征在于，包括以下步骤：/n步骤一，预先获取油箱内的连续油面照片和对应的油量数据；/n步骤二，将所述连续油面照片进行预处理；/n步骤三，获得油箱油面高度与油量关系的先验，即获得H-V关系曲线，其中，H为油箱内油面高度，V为油箱内的油量体积；/n步骤四，通过H-V关系曲线插值及搜索，利用所述H-V关系曲线对新获得的油箱内油面照片进行油量测量；/n步骤五，基于上述步骤一至三，获取多幅油箱内油面照片及对应的油量数据，获得深度卷积神经网络模型DCNN的训练样本集，通过训练该模型获得油箱内油面照片的特征图；/n步骤六，利用哈希函数的深度神经卷积网络DCNN，以步骤五所述特征图为输入获得深度监督哈希编码序列DSH，序列汇总得到样板集所有照片哈希编码序列库；/n步骤七，对任何新的油面照片，通过特征提取及哈希化后，通过检索步骤六哈希编码序列库获得哈希值相似度为零的列表队列，接着在列表队列中进行聚类计算获得最大类的哈希编码序列，接着得到该哈希序列对应的照片以及该照片对应的标签即为新的油面照片的油量测量值；/n步骤八，将上述先验及深度卷积神经网络模型DCNN部署至飞机上，实现通过随机拍照获得单幅油面照片实时计算出油箱剩余油量。/n...

【技术特征摘要】
1.一种基于人工智能的飞机油量测量方法，其特征在于，包括以下步骤：
步骤一，预先获取油箱内的连续油面照片和对应的油量数据；
步骤二，将所述连续油面照片进行预处理；
步骤三，获得油箱油面高度与油量关系的先验，即获得H-V关系曲线，其中，H为油箱内油面高度，V为油箱内的油量体积；
步骤四，通过H-V关系曲线插值及搜索，利用所述H-V关系曲线对新获得的油箱内油面照片进行油量测量；
步骤五，基于上述步骤一至三，获取多幅油箱内油面照片及对应的油量数据，获得深度卷积神经网络模型DCNN的训练样本集，通过训练该模型获得油箱内油面照片的特征图；
步骤六，利用哈希函数的深度神经卷积网络DCNN，以步骤五所述特征图为输入获得深度监督哈希编码序列DSH，序列汇总得到样板集所有照片哈希编码序列库；
步骤七，对任何新的油面照片，通过特征提取及哈希化后，通过检索步骤六哈希编码序列库获得哈希值相似度为零的列表队列，接着在列表队列中进行聚类计算获得最大类的哈希编码序列，接着得到该哈希序列对应的照片以及该照片对应的标签即为新的油面照片的油量测量值；
步骤八，将上述先验及深度卷积神经网络模型DCNN部署至飞机上，实现通过随机拍照获得单幅油面照片实时计算出油箱剩余油量。


2.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤一中，油箱内照片通过设置于油箱内或油箱透明孔洞的多个TCP/IP标准接口的摄像头及能同步控制的Led冷光源获得。


3.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤一中，油量数据通过以下三种方法的一种或多种获取：(1)对于地面验证仿真试验油箱，通过加油或排油的流量计进行油量测量；(2)通过地面或飞机上的油箱3D数字模型的数据切片获得；(3)通过飞机上油箱中的正在使用的电容传感器数据获得。


4.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤二中，照片的预处理包括以下步骤：对照片进行灰度化、图像增强、滤波去噪、二值化、图像分割、轮廓提取处理。


5.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤三中，H-V曲线获取方法为三次样条插值法补点或3D模型切片数据法。


6.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤三和四中，在一个固定的拍摄场景下，事先定义一个比率来测量每个给定度量单位的像素数，将其称为像素比例，即每单位长度对应的像素数；测量前，需要选取一个参照物作为“校准”点，参照物应该有三个重要的属性：一是已知其真实尺寸；二是该参照物能够在图像上被识别，三是参照物在图像上的畸变小于预设值；测量时先识别参照物，再计算得到像素比例，进一步获得油面高度数据或油面线夹角数据。


7.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在...

【专利技术属性】
技术研发人员：罗明强，梁新刚，冯喆，刘麒，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11