基于深度卷积神经网络的飞机加油场景识别方法及系统技术方案

本发明专利技术涉及一种基于深度卷积神经网络的飞机加油场景识别方法及系统，其中方法包括步骤：收集飞机加油场景和非飞机加油场景的图像数据形成训练数据集；根据飞机加油场景，设计深度卷积神经网络结构；参考所述训练数据集，选择模型训练参数；根据所述训练数据集合和所述模型训练参数对所述深度卷积神经网络结构训练，形成深度卷积神经网络模型；利用所述深度卷积神经网络模型对特征数据进行识别检测。根据本发明专利技术的方案，实现了基于深度神经网络自动化的飞机加油场景识别，提升了机场安全生产监管人员的工作效率。本发明专利技术算法训练需要的数据少，减少了数据收集的工作量。本发明专利技术对飞机加油场景识别准确率（mAP）高，能够匹配业务需要。要。要。

【技术实现步骤摘要】
基于深度卷积神经网络的飞机加油场景识别方法及系统


[0001]本专利技术涉及视频安全监管
，尤其涉及一种基于深度卷积神经网络的飞机加油场景识别方法及系统。

技术介绍

[0002]随着视频监控技术的迅猛发展以及国家和行业对安全生产监管日益重视，各大机场均建设了覆盖加油作业区域的视频监控系统，实现了安全生产管理人员实时查看各现场视频，监督机坪加油作业等关键生产作业活动。视频监控技术为安全生产监管便利性的同时，也对安全生产管理模式提出了新的课题和挑战。海量的视频流数据的接入，可以支持全方面实时查看机坪各停机位的情况。但是实际生产作业中，在某一时间段内，只有少数停机位正在开展加油作业，需要重点监管。鉴于各种现实条件的限制，监管人员无法直接获取到加油作业对应的摄像机信息，需要人工查找加油作业的视频流，效率相对低下。
[0003]目前国内外对深度卷积神经网络进行了较为深入的研究，广泛应用于安全生产、医疗等各大领域中。在特定场景的视频数据和图像数据的支持下，技术人员可以基于不同类型的深度卷积神经网络，训练出识别吸烟、值班人员脱岗等安全生产人员关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，包括以下步骤：收集飞机加油场景和非飞机加油场景的图像数据形成训练数据集；根据飞机加油场景，设计深度卷积神经网络结构；参考所述训练数据集，选择模型训练参数；根据所述训练数据集合和所述模型训练参数对所述深度卷积神经网络结构训练，形成深度卷积神经网络模型；利用所述深度卷积神经网络模型对特征数据进行识别检测。2.根据权利要求1所述的基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，收集所述图像数据时，利用摄像机每间隔1小时拍摄一次图片。3.根据权利要求1所述的基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，所述图像数据包括多种天气、时间和日照条件的图片。4.根据权利要求1所述的基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，所述飞机加油场景的图像数据和所述非飞机加油场景的图像数据相同或者相近。5.根据权利要求1所述的基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，所述深度卷积神经网络结构基于Inception V3网络进行修改，取Inception V3 mix 7的输出，将其降维为一维向量，并使用完全连接的层减少输出参数的数量到128个，并使用ReLU函数激活输出，最后，将128个输出参数通过完全连接层连接到1个参数，并通过Sigmoid函数进行激活；Sigmoid函数将输出的结果转换为0到1之间的数值，代表所述深度卷积神经网络结构判断输入图像为飞机加油场景的概率；所述深度卷积神经网络结构训练时使用公开的已经完成训练的Inception V3网络参数，仅训练新增的Flatten层和2个Full Conn层的参数。6.根据权利要求1所述的基于深度卷积神经网络的飞机加油场景识别方法，其特征在于，所述模型训练参数...

【专利技术属性】
技术研发人员：贺然，付利红，肖军，王永伟，张永威，王诗慧，刘翔宇，温高能，曹景超，
申请(专利权)人：航天神舟智慧系统技术有限公司，
类型：发明
国别省市：