[发明专利]基于视觉自监督学习机场运行核心区监测预警系统及方法

说明书

本发明公开了一种基于视觉自监督学习机场运行核心区监测预警系统及方法，包括中央数据处理模块和全景追踪采集单元，全景追踪采集单元包括全景视频采集传感器和追踪图像采集传感器；中央数据处理模块内部具有自监督学习模型、预告警模型与样本数据库，预告警模型中的超高障碍物数据库包括塔式构筑物标记数据集与建筑物标记数据集，中央数据处理模块建立有核心净空保护区坐标地图模型。本发明通过对机场运行核心区域进行视频或图像采集并得到核心净空保护区数据，在核心净空保护区坐标地图模型进行核心净空保护区数据的塔式构筑物、建筑物识别得出塔式构筑物变化数据、建筑物变化数据，实现了机场运行核心区域的超高自动实时监测，便于及时告警。

技术领域

本发明涉及机场运行核心净空保护区域管理领域，尤其涉及一种基于视觉自监督学习机场运行核心区监测预警系统及方法。

背景技术

近些年来，机场净空核心区频频出现建筑物超高或者塔式构筑物超高的现象，对机场航空器起降带来了巨大干扰，且由于发现不及时导致后续处理比较麻烦，也会出现处理时间长、影响大等问题。根据机场飞行区实际业务需求，需要对机场周边最核心净空保护区域(5公里半径范围内)进行塔式构筑物、建筑物监测，一般现在的监测主要是人工巡查为主，其工作量比较大，其判断依据也不太客观，如何实现对新出现的塔式构筑物或建筑物进行实时监测、推送通知给相关干系人，并抓拍取证，以便于机场终端区运行管理人员及时沟通处置，最小化超高对机场航空器运行带来的影响，减少当前人工巡查工作量，是当前机场运行核心净空保护管理的技术难点。

发明内容

针对现有技术存在的不足之处，本发明的目的在于提供一种基于视觉自监督学习机场运行核心区监测预警系统及方法，通过全景视频采集传感器对机场运行核心区域进行视频或图像采集并得到核心净空保护区数据，自监督学习模型通过样本数据训练学习得到基于卷积神经网络的塔式构筑物、建筑物自监督识别模型，在核心净空保护区坐标地图模型进行核心净空保护区数据的塔式构筑物、建筑物识别得出塔式构筑物变化数据、建筑物变化数据，能够对新增塔式构筑物、新增或已有塔式构筑物高度变化、新增建筑物、新增或已有建筑物高度变化进行告警输出，实现了机场运行核心区域的超高自动实时监测，便于及时告警，既减轻人工巡查工作量，又能反馈快速及时，有利于机场周边净空的科学、高效管理。

本发明的目的通过下述技术方案实现：

一种基于视觉自监督学习机场运行核心区监测预警系统，包括中央数据处理模块和若干个与中央数据处理模块连接的全景追踪采集单元，所述全景追踪采集单元包括全景视频采集传感器和追踪图像采集传感器，全景视频采集传感器用于视频或/和图像采集，追踪图像采集传感器用于最大清晰度地跟踪拍摄采集；所述中央数据处理模块内部具有自监督学习模型、预告警模型与样本数据库，样本数据库包括塔式构筑物样本数据集与建筑物样本数据集，自监督学习模型基于卷积神经网络对塔式构筑物样本数据集进行训练学习并识别全景视频采集传感器所采集视频或/和图像中的塔式构筑物并作出塔式构筑物标记，自监督学习模型基于卷积神经网络对建筑物样本数据集进行训练学习并识别全景视频采集传感器所采集视频或/和图像中的建筑物并作出建筑物标记；预告警模型中包含超高障碍物数据库，超高障碍物数据库包括塔式构筑物标记数据集与建筑物标记数据集，预告警模型用于将自监督学习模型标记的塔式构筑物标记与塔式构筑物标记数据集进行对比识别并得出塔式构筑物变化数据，塔式构筑物变化数据包括新增塔式构筑物、塔式构筑物高度变化数据，预告警模型还用于将自监督学习模型标记的建筑物标记与建筑物标记数据集进行对比识别并得出建筑物变化数据，建筑物变化数据包括新增建筑物、建筑物高度变化数据；预告警模型将塔式构筑物变化数据、建筑物变化数据反馈至追踪图像采集传感器，追踪图像采集传感器对塔式构筑物或建筑物进行跟踪清晰采集。

为了更好地实现本发明机场运行核心区监测预警系统，所述中央数据处理模块包括预告警输出模块，预告警输出模块用于将塔式构筑物变化数据、建筑物变化数据或跟踪采集数据进行输出或远距离通信传输、推送。