一种道面异物检测系统技术方案

本发明专利技术公开了一种道面异物检测系统，包括：道面异物检测装置，道面异物检测装置包含雷达扫描单元和光电监控设备，雷达扫描单元用于对跑道异物进行检测并获取道面异物位置信息，光电监控设备用于基于异物所在位置对所述异物进行拍照，获取道面异物图像；主控平台，主控平台分别与雷达扫描单元和光电监控设备连接，用于接收来自于雷达扫描单元的异物的位置信息，并将异物的位置信息输出至光电监控设备，接收来自于光电监控设备的道面异物图像，优化道面异物图像并判别异物的种类，基于异物种类，评价异物的危险等级。本发明专利技术可以提高检测精度；能检测不同尺度的异物，能够精确检测异物的种类；提高检测速度，实现实时检测。实现实时检测。实现实时检测。

【技术实现步骤摘要】
一种道面异物检测系统


[0001]本专利技术属于目标检测领域，具体涉及一种道面异物检测系统。

技术介绍

[0002]机场跑道异物指的是不属于飞机跑道工作区域但又会因各种原因而出现在跑道上的一切"小物体"(Foreign Object Debris，简称FOD)。FOD包括发动机连接件(螺帽、螺钉、垫圈、保险丝等)、机械工具、飞行物品(钉子、私人证件、钢笔、铅笔等)、野生动物、树叶、石头和沙子、道面材料、木块、塑料或聚乙烯材料、纸制品、运行区的冰碴儿等。FOD可以很容易被吸入发动机，导致发动机失效。碎片也会堆积在机械装置中，影响起落架、襟翼等设备的正常运行。外来物不仅会造成巨大的直接损失，还会造成航班延误、中断起飞、关闭跑道等间接损失，间接损失至少为直接损失的4倍。
[0003]目前，全球绝大多数的机场的FOD监测仍然是靠人工完成的，这种方法不但效率低，会占用了宝贵的跑道使用时间；而且对微小目标的检测能力差，比如不能检测到微小目标，或者对微小目标的分类不精确等。
[0004]因此，急需提出一种道面异物检测系统，以实现对微小目标的高精度、高可靠性检测。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术提供了一种道面异物检测系统。本专利技术要解决的技术问题通过以下技术方案实现：
[0006]本专利技术提供了一种道面异物检测系统，包括：
[0007]道面异物检测装置，所述道面异物检测装置包含雷达扫描单元和光电监控设备，所述雷达扫描单元用于对跑道异物进行检测并获取道面异物位置信息，所述光电监控设备用于基于异物所在位置对所述异物进行拍照，获取道面异物图像；
[0008]主控平台，所述主控平台分别与所述雷达扫描单元和光电监控设备连接，用于接收来自于所述雷达扫描单元的异物的位置信息，将所述异物位置信息输出至所述光电监控设备，接收来自于所述光电监控设备的道面异物图像，优化所述道面异物图像并判别所述异物的类别，基于所述异物的种类，评价所述异物的危险等级。
[0009]在本专利技术的一个实施例中，所述优化所述道面异物图像并判别异物的种类是通过使用道面异物检测方法来实现的。
[0010]在本专利技术的一个实施例中，所述道面异物检测方法，包括：
[0011]获取待检测的目标道面异物图像；
[0012]将所述目标道面异物图像输入预先训练得到的改进型YOLOv3网络中，利用密集连接形式的主干网络进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；
[0013]将所述x个不同尺度的特征图利用FPN网络，进行自顶向下、密集连接的方式进行特征融合，得到各尺度对应的预测结果；
[0014]将所有预测结果经由分类网络和非极大值抑制模块进行处理，得到所述目标道面异物图像中每个目标的识别结果，所述识别结果包括目标的类别；
[0015]其中，所述改进型YOLOv3网络包括顺次连接的主干网络、FPN网络、分类网络和非极大值抑制模块；所述改进型YOLOv3网络是在YOLOv3网络基础上，将主干网络中的残差模块更换为密集连接模块、增加特征提取尺度、优化FPN网络的特征融合方式后形成的；所述改进型YOLOv3网络是根据样本图像，以及所述样本图像中各个目标的类别训练得到的。
[0016]在本专利技术的一个实施例中，所述密集连接形式的主干网络，包括：
[0017]间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量为y；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、BN层、Leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密集连接单元包括多个采用密集连接形式连接的所述卷积网络模块，并采用级联方式融合多个卷积网络模块输出的特征图；其中，y为大于等于4的自然数，m为大于1的自然数。
[0018]在本专利技术的一个实施例中，所述利用主干网络进行特征提取，得到x个不同尺度的特征图，包括：
[0019]利用串接的y个密集连接模块对所述目标道面异物图像进行特征提取，得到沿输入逆向的x个密集连接模块输出的、尺度依次增大的x个特征图。
[0020]在本专利技术的一个实施例中，所述过渡模块包括所述卷积网络模块和最大池化层；所述卷积网络模块的输入和所述最大池化层的输入共用，所述卷积网络模块输出的特征图和所述最大池化层输出的特征图采用级联方式融合。
[0021]在本专利技术的一个实施例中，所述过渡模块包括的所述卷积网络模块的数量为两个或三个，且各个卷积网络模块之间采用串接方式。
[0022]在本专利技术的一个实施例中，所述FPN网络包括尺度依次增大的x个预测支路Y1～Y
x
；其中，所述预测支路Y1～Y
x
的尺度与所述x个特征图的尺度一一对应；
[0023]所述将所述x个不同尺度的特征图利用FPN网络，进行自顶向下、密集连接的方式进行特征融合，包括：
[0024]针对预测支路Y
i
，从所述x个特征图中，获取对应尺度的特征图并进行卷积处理，将卷积处理后的特征图，与预测支路Y
i-1
～Y1分别经上采样处理后的特征图进行级联融合；其中，预测支路Y
i-j
的上采样倍数为2
j
；i＝2、3，
…
，x；j为小于i的自然数。
[0025]在本专利技术的一个实施例中，对所述改进型YOLOv3网络进行训练之前还包括：
[0026]确定针对所述样本图像中锚盒尺寸的待聚类数量；
[0027]获取已标注目标框尺寸的若干样本图像；
[0028]基于已标注目标框尺寸的若干样本图像，利用K-Means聚类方法，获得样本图像中锚盒尺寸的聚类结果；
[0029]将所述聚类结果写入所述改进型YOLOv3网络的配置文件中。
[0030]本专利技术的有益效果：
[0031]本专利技术将YOLOv3网络的主干网络中的残差模块更换为密集连接模块，将特征融合方式从并行改为了串行，使得主干网络在进行特征提取时，能够直接将早期的特征图作为后面每一层的输入，获得的特征图的信息量更多，强化了特征的传递，因此在进行机场道面异物检测时，能够提高检测精度。
[0032]本专利技术将特征图由浅到深进行传递，提取至少四个尺度的特征图，通过增加细粒度的特征提取尺度，让网络能够检测到不同尺度的异物，尤其是微小异物，同时实现对异物的精确分类。
[0033]本专利技术通过利用FPN网络，进行自顶向下、密集连接方式进行特征融合，将深层特征直接进行不同倍数的上采样，以此来使得传递的所有特征图具有相同的尺寸，将这些特征图和浅层的特征图通过级联的方式融合起来，可以利用到更多的原始信息，在浅层网络中也有高维语义信息的参与，有助于提高检测的精度；同时通过直接接收更浅层网络的特征，可以得到更加具体的特征，将有效的减少特征的损失，可以减少需要运算的参数量，提高检测速度，实现实时检测。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道面异物检测系统，其特征在于，包括：道面异物检测装置，所述道面异物检测装置包含雷达扫描单元和光电监控设备，所述雷达扫描单元用于对跑道异物进行检测并获取道面异物位置信息，所述光电监控设备用于基于异物所在位置对所述异物进行拍照，获取道面异物图像；主控平台，所述主控平台分别与所述雷达扫描单元和光电监控设备连接，用于接收来自于所述雷达扫描单元的异物的位置信息，将所述异物的位置信息输出至所述光电监控设备，接收来自于所述光电监控设备的道面异物图像，优化所述道面异物图像并判别所述异物的种类，基于所述异物的种类，评价所述异物的危险等级。2.根据权利要求1所述的道面异物检测系统，其特征在于，所述优化所述道面异物图像并判别异物的种类是通过使用道面异物检测方法来实现的。3.根据权利要求2所述的道面异物检测系统，其特征在于，所述道面异物检测方法，包括：获取待检测的目标道面异物图像；将所述目标道面异物图像输入预先训练得到的改进型YOLOv3网络中，利用密集连接形式的主干网络进行特征提取，得到x个不同尺度的特征图；x为大于等于4的自然数；将所述x个不同尺度的特征图利用FPN网络，进行自顶向下、密集连接方式的特征融合，得到各尺度对应的预测结果；将所有预测结果经由分类网络和非极大值抑制模块进行处理，得到所述目标道面异物图像中每个目标的识别结果，所述识别结果包括目标的类别；其中，所述改进型YOLOv3网络包括顺次连接的密集连接形式的主干网络、FPN网络、分类网络和非极大值抑制模块；所述改进型YOLOv3网络是在YOLOv3网络基础上，将主干网络中的残差模块更换为密集连接模块、增加特征提取尺度、优化FPN网络的特征融合方式后形成的；所述改进型YOLOv3网络是根据样本道面异物图像，以及所述样本道面异物图像中各个目标的类别训练得到的。4.根据权利要求3所述的道面异物检测系统，其特征在于，所述密集连接形式的主干网络，包括：间隔串接的密集连接模块和过渡模块；所述密集连接模块的数量为y；所述密集连接模块包括串行连接的卷积网络模块和密集连接单元组；所述卷积网络模块包括串行连接的卷积层、BN层、Leaky relu层；所述密集连接单元组包括m个密集连接单元；每个密...

【专利技术属性】
技术研发人员：赵巧芝，岳庆冬，
申请(专利权)人：西安科锐盛创新科技有限公司，
类型：发明
国别省市：