[发明专利]基于FOD影像对飞机目标的识别方法、设备、存储介质

说明书

本发明公开了一种基于FOD影像对飞机目标的识别方法、设备、存储介质，方法包括以下步骤：步骤S1、采集机场的跑道图，所述跑道图包括了指示灯、跑道标识线及飞机轮胎痕迹，建立多个正样本图像集合；步骤S2、采集FOD图像，建立一负样本图像集合；步骤S3、以所述负样本图像集合与正样本图像集合、预先收集的实时跑道图为输入，将已标记FOD目标的跑道图像作为输出，对卷积神经网络进行训练；步骤S4、采集跑道的实时跑道图，对每张图像进行疑似目标探测，根据卷积神经网络标出图像中FOD目标。本方法通过构建正样本图像集合与负样本图像集合，通过卷积神经网络训练以自动识别出跑道内图像中FOD目标。

技术领域

本发明涉及图像识别技术领域，尤其涉及基于FOD影像对飞机目标的识别方法、电子设备、存储介质。

背景技术

随着现在民用机场航班客运量的大幅增加，外来物体(国际通称：Foreign ObjectDebris，FOD)掉落机场跑道的事件大量增加，外来物体的典型例子有：混凝土沥青碎块、金属器件、橡胶碎片、塑料制品、动植物。

当前主流探测FOD的方法是图像探测。图像探测的优势在于对和跑道道面外貌差异较大的物体有很好的探测能力，不论物体的形状和雷达波反射率。同时图像探测面临的技术难点主要来自跑道外观细节和FOD的多样性。首先，跑道本身有多种结构。跑道上有跑道标识线、跑道指示灯等结构；其次，FOD的种类繁多，常见的就涉及扳手、铁链、金属板、轮胎橡胶等十余个种类，因遗落姿态不同带来的外观差异更无法统计，甚至机场出现的一些FOD是不可预知的。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于FOD影像对飞机目标的识别方法，构建正样本图像集合与负样本图像集合，通过卷积神经网络训练以自动识别出跑道内图像中FOD目标。

本发明的目的之二在于提供一种电子设备，执行基于FOD影像对飞机目标的识别方法，构建正样本图像集合与负样本图像集合，通过卷积神经网络训练以自动识别出跑道内图像中FOD目标。

本发明的目的之三在于提供一种存储介质，执行上述基于FOD影像对飞机目标的识别方法，构建正样本图像集合与负样本图像集合，通过卷积神经网络训练以自动识别出跑道内图像中FOD目标。

本发明的目的之一采用如下技术方案实现：

基于FOD影像对飞机目标的识别方法，包括以下步骤：

步骤S1、采集机场的跑道图，所述跑道图包括了指示灯、跑道标识线及飞机轮胎痕迹，建立多个正样本图像集合；

步骤S2、采集FOD图像，建立一负样本图像集合；

步骤S3、以所述负样本图像集合与正样本图像集合、预先收集的实时跑道图为输入，将已标记FOD目标的跑道图像作为输出，对卷积神经网络进行训练；

步骤S4、采集跑道的实时跑道图，对每张图像进行疑似目标探测，根据卷积神经网络标出图像中FOD目标。

进一步地，所述步骤S3中对所述卷积神经网络进行训练包括以下步骤：

步骤S31、对所述实时跑道图与正样本图像集合、负样本图像集合预处理；

步骤S32、所述卷积神经网络包括了图像处理卷积神经网络及FOD目标卷积神经网络，将经预处理的正样本图像集合与负样本图像集合作为输入，将黑白二值图作为输出，训练图像处理卷积神经网络；将所述黑白二值图作为输入，将预先收集的已经圈定了FOD目标的图像作为输出，训练所述FOD目标卷积神经网络；

步骤S33、将所述正样本图像集合与负样本图像集合作为输入，预先收集的已经圈定了FOD目标的图像作为输出，对所述图像处理卷积神经网络、FOD目标卷积神经网络进行合并训练。