[发明专利]机场跑道上的小尺度FOD的检测装置及检测方法

权利要求书

1.一种基于进化随机森林方法ERFA进行机场跑道小尺度FOD的检测方法，其特征在于具体有下列步骤：

步骤A，获取外来物的图像信息；

采集到的FOD图像数据集采用集合形式表示为MFOD＝{PF₁,PF₂,…,PF_w,…,PF_W}；

PF₁为第1张FOD图像；

PF₂为第2张FOD图像；

PF_w为第w张FOD图像；

PF_W为最后一张FOD图像；

下角标w为FOD图像的标识号，下角标W为FOD图像的总张数；

对于任意一张FOD图像是由多个像素点构成，每一个像素点采用亮度V、色调H和饱和度S以及空间信息E作为特征元素；像素点也称为采样点；

第1张FOD图像PF₁中的任意一个像素点记为所述的特征元素记为

第2张FOD图像PF₂中的任意一个像素点记为所述的特征元素记为

第w张FOD图像PF_w中的任意一个像素点记为所述的特征元素记为为了方便说明，下角标σ表示任意图像的像素点标识号；所述像素点σ的位置表示为σ(x,y)；

最后一张FOD图像PF_W中的任意一个像素点记为所述的特征元素记为

小尺度FOD是指图像中的像素小于10个像素的情形；

步骤B，图像预处理；

步骤B1，获取RGB颜色分量；

采用RGB颜色模型对任意一张FOD图像PF_w中的任意一个像素点进行红色red、绿色green和蓝色blue的分量提取，记为像素点的RGB颜色分量

同理，的RGB颜色分量记为

同理，的RGB颜色分量记为

同理，的RGB颜色分量记为

步骤B2，获取HSV颜色分量；

应用像素点的RGB颜色分量计算HSV模型中亮度V、色调H和饱和度S的分量；

C_max＝max(red,green,blue)                            (1)

C_min＝min(red,green,blue)                            (2)

V＝C_max                                        (3)

C_max表示选取出像素点中RGB颜色分量的最大值，简称最大选取值；

C_min表示选取出像素点中RGB颜色分量的最小值，简称最小选取值；

步骤B3，获取像素点的空间信息E；

在亮度层上，通过对当前像素与其局部邻域内像素关系的描述可以得到空间信息E；

XS_i表示3×3窗口内的第i个像素点的亮度值；

XS_平均表示3×3窗口内的9个像素点的亮度平均值；

步骤C，采用ERFA方法进行决策树的构建；

决策树为二叉树树型，设置了树深，树组数；每一棵决策树上有根节点、叶节点和叶子节点；

在到达最大树深时的所有节点将作为叶子节点；

步骤C1，基于进化随机森林构建一个空的决策树；

将FOD图像数据集MFOD作为决策树的根节点，即SS_总＝{MFOD}；

步骤C2，将像素点集合作为决策树的子节点或叶子节点上的数据集；

将FOD图像数据集MFOD＝{PF₁,PF₂,…,PF_w,…,PF_W}作为进化随机森林方法ERFA的输入层信息；然后提取出每张图像中的各个像素点；

对于第1张FOD图像PF₁中的像素点集合，记为

为图像PF₁中的第1个像素点；

为图像PF₁中的第2个像素点；

为图像PF₁中的任意一个像素点；下角标η为图像PF₁中像素点的标识号；

对于第2张FOD图像PF₂中的像素点集合，记为

为图像PF₂中的第1个像素点；

为图像PF₂中的第2个像素点；

为图像PF₂中的任意一个像素点；下角标为图像PF₂中像素点的标识号；

对于第w张FOD图像PF_w中的像素点集合，记为

为图像PF_w中的第1个像素点；

为图像PF_w中的第2个像素点；

为图像PF_w中的任意一个像素点；下角标σ为图像PF_w中像素点的标识号；

对于最后一张FOD图像PF_W中的像素点集合，记为

为图像PF_W中的第1个像素点；

为图像PF_W中的第2个像素点；

为图像PF_W中的任意一个像素点；下角标ψ为图像PF_W中像素点的标识号；

步骤C3，构建决策树中节点的分类模型；

像素点特征响应关系记为其中，ω表示权重系数，α表示偏置；所述像素点特征响应关系是采用二次多项式构造的非线性组合；

在图像像素特征空间中，所有满足FPI＝1的采样点组成一个分割超曲面；该分割超曲面将图像像素特征空间划分为两个区域，即右子节点区域Right和左子节点区域Left；

当FPI＜1时，采样点被划分到决策树的右子节点；

当FPI＞1时，采样点被划分到决策树的左子节点；

步骤C4，确定损失函数Loss；

确定损失函数Loss，对不同的二次多项式分类模型进行评估；

定义损失函数Loss作为节点分类模型的评估函数；该评估函数由模型分类损失参数L_分类和模型参数的正则化两部分组成，如下公式(7)所示：

L_分类是模型分类损失参数；

λ是正则化系数；

||θ||是二范数的正则化项；

n是决策树上的节点标识号；

j是节点n的子节点标识号，j＝Left表示左子节点，j＝Right表示右子节点；

Q_n是节点n上的采样点数量；是节点n的子节点j上的采样点数量；

c是类别标识号，c＝0表示不是外来物，即FOD_非，c＝1表示是外来物，即FOD_是；

p_占比(c|j,n)是节点n的子节点j上第c类采样点所占的比例；

步骤C5，节点分类模型学习；

给定评估函数Loss之后，利用差分进化算法实现节点二次多项式分类模型的优化；

每一个节点二次多项式分类模型可以看作是种群P中的任意一个个体，记为p_i，其中1≤i≤N，则种群可表示为P＝{p₁,p₂,…,p_i,…,p_N}；使用随机数生成器来初始化种群中节点二次多项式分类模型的参数；影响进化过程的参数主要有缩放因子F、交叉率Cr以及最大迭代次数g_max；差分进化终止条件为连续迭代s次的损失函数Loss不变或者达到最大迭代次数g_max；差分进化的目的就是使每次迭代的损失函数减小，并选取当次迭代中损失函数最小的节点二次多项式分类模型作为本次迭代的最优节点二次多项式分类模型，如公式(8)所示；这样才能对节点二次多项式分类模型做出评估，不断改进节点二次多项式分类模型，最终找到一个最佳的节点二次多项式分类模型，使模型达到最优的分割效果；

p₁表示种群P中第1个个体；

p₂表示种群P中第2个个体；

p_i表示种群P中第i个个体；下角标i为种群P中个体的标识号；

所述p_i也称为种群的单个体；所述种群的单个体p_i包含的是由像素点特征响应关系中的权重系数ω和偏置α组成的向量，即种群向量

p_N表示种群P中最后一个个体；下角标N为种群P中个体的总数目，也是种群规模；

g_max表示最大迭代次数；

g表示迭代次数；位于所述g之前的迭代次数称为前一次迭代次数，记为g-1；位于所述g之后的迭代次数称为后一次迭代次数，记为g+1；

s表示连续迭代的次数；

标准差分进化算法的进化过程包含三部分：变异、交叉和选择；标准差分进化算法采用差分策略来实现个体p₁,p₂,…,p_i,…,p_N之间的变异、交叉和选择；

变异群体，记为MUT_P，属于变异群体MUT_P中的任意一个变异个体，记为

交叉群体，记为CRO_P，属于交叉群体CRO_P中的任意一个变异个体，记为

选择群体，记为SEL_P，属于选择群体SEL_P中的任意一个变异个体，记为

迭代g次后的目标个体，记为

交叉生成的试验个体，记为交叉次数记为h，所述h与像素点特征响应关系FPI中的权重系数ω和偏置α相关，即h＝9；虚线边框位置是随机选取的交叉起点，交叉起点的参数从继承；通过第h-1次独立试验来决定中剩下的参数来源，如果随机函数rand(0,1)≤Cr，参数从中获得；随机函数rand(0,1)＞Cr，从目标个体中获得；所述rand(0,1)是一个由随机数生成器均匀生成的随机数序列；Cr为交叉率；

目标个体的损失，记为交叉试验个体的损失，记为选择是比较与的损失大小；

其中，损失较低的个体被选择进入下一代种群，记为P+1，如公式(9)所示的下一代个体选择关系选择保证了种群在迭代过程中不会出现总体损失升高的情况；

步骤C6，叶子节点生成；

叶子节点身份确认条件一：

当决策树达到预先设定的决策树最大深度D时，位于所述D层的节点作为叶子节点；

叶子节点身份确认条件二：

当节点包含的采样点数量少于预先设定的最少采样点数量δ，所述节点作为叶子节点；

叶子节点身份确认条件三：

当节点包含的采样点属于同一类别c时，所述节点作为叶子节点；

c＝0表示不是外来物；c＝1表示是外来物；

采用进化随机森林方法对像素特征得到一个二次多项式分类模型后，决策树中非叶子节点的样本被划分到左子节点或右子节点；如果任意一个节点不符合成为叶子节点的确认条件时，则继续分裂成子节点然后根据所述子节点上的像素点学习二次多项式分类模型；

如果任意一个节点符合成为叶子节点的确认条件时，则停止分裂，所述节点作为一个叶子节点；

当节点被标记为叶子节点时，统计节点上像素点的分布情况，计算每一类c的类别概率并将其存储在叶子节点上；类别概率的公式(10)为：

表示叶子节点上第c类采样点的数量；

类别概率为0到1之间的浮点数。