[发明专利]基于卷积神经网络的航空器尾涡识别方法及系统

权利要求书

1.一种基于卷积神经网络的航空器尾涡识别方法，其特征在于，包括步骤：

接收待识别的航空器尾涡探测图像，利用预先训练好的卷积神经网络模型对所述航空器尾涡探测图像进行识别，输出得到识别到尾涡的概率值和未识别到尾涡的概率值；

比较输出结果，若识别到尾涡的概率值大于未识别到尾涡的概率值，则识别出所述待识别的航空器尾涡探测图像中存在尾涡，反之则识别出所述待识别的航空器尾涡探测图像中不存在尾涡。

2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型通过以下步骤训练得到：

步骤1，随机初始化卷积神经网络模型中的学习参数；

步骤2，将训练集中的部分样本图像输入已初始化的卷积神经网络模型中，得到当前模型参数下，样本图像中识别到尾涡的概率值和未识别到尾涡的概率值；所述样本图像为经人工标签的航空器尾涡探测图像；

步骤3，对步骤2中的输出结果进行损失计算，并求取所述部分样本图像的平均损失；

步骤4，求解最小化平均损失，并更新卷积神经网络模型中的学习参数；

步骤5，循环执行步骤2～步骤4，直至卷积神经网络收敛。

3.一种基于卷积神经网络的航空器尾涡识别方法，其特征在于，包括以下步骤：

采集用于模型训练的航空器尾涡探测图像；

将采集的航空器尾涡探测图像进行分类，分为识别到尾涡和未识别到尾涡两类，且对分类后的航空器尾涡探测图像进行相应标签，作为训练集；

随机初始化卷积神经网络模型中的学习参数，并训练得到卷积神经网络模型：将训练集中的部分样本图像输入已初始化的卷积神经网络模型中，输出得到当前模型参数下，样本图像中识别到尾涡的概率值和未识别到尾涡的概率值，并对输出结果进行损失计算，根据损失计算结果更新卷积神经网络模型中的学习参数；循环执行本步骤，直至卷积神经网络收敛。

4.根据权利要求3所述的方法，其特征在于，还包括步骤：

采集待识别的航空器尾涡探测图像；

利用训练好的卷积神经网络模型对所述待识别的航空器尾涡探测图像进行识别，输出得到识别到尾涡的概率值和未识别到尾涡的概率值，根据输出结果确定所述待识别的航空器尾涡探测图像中是否存在尾涡。

5.一种基于卷积神经网络的航空器尾涡识别系统，其特征在于，包括：

集成有预先训练好的卷积神经网络模型的电子设备，用于对输入的待识别的航空器尾涡探测图像进行识别，输出得到识别到尾涡的概率值和未识别到尾涡的概率值。

6.根据权利要求5所述的系统，其特征在于，还包括图像采集设备，用于采集所述待识别的航空器尾涡探测图像，或者采集用于训练所述卷积神经网络模型的样本图像。

7.根据权利要求6所述的系统，其特征在于，所述图像采集设备为多普勒激光雷达。

8.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时使处理器执行权利要求1-2任一所述方法中的操作。

9.一种电子设备，其特征在于，所述的设备包括：

存储器，存储程序指令；

处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-2任一所述方法中的步骤。