[发明专利]基于改进SPCNN模型的机场跑道胶痕检测方法

权利要求书

1.基于改进SPCNN模型的机场跑道胶痕检测方法，其特征在于，包括以下步骤：

将SPCNN模型中的反馈输入部分更改为通过邻域灰度关系确定；将SPCNN模型中的神经元点火阈值指数衰减机制更改为线性分层步长衰减方法，在线性分层步长衰减方法中根据神经元点火区域与未点火区域的统计特性设计分层步长；

采用CS算法并结合最小交叉熵准则在解空间里对更改后的SPCNN模型中的连接系数β和放大系数V_θ进行寻优，获取改进后的SPCNN模型；

将机场跑道原始图像输入改进后的SPCNN模型中进行迭代，每次迭代点火区域映射在原图上的区域平均灰度值增长量小于预设值，停止迭代，输出分割后的跑道胶痕图像，计算图中的胶痕占比，输出胶痕检测结果；

所述反馈输入的值根据当前像素灰度值与邻域内像素的均值灰度值的大小关系来决定，当前像素灰度值较大，则当前像素灰度值取邻域内最大的灰度值，反之则取值邻域内最小的灰度值；

式中：F_ij为神经元反馈输入部分，S_kl为神经元点(i,j)8邻域内像素点的灰度值；为8邻域内像素点的平均灰度值；

所述神经元点火阈值的改进方法包括以下步骤：

所述神经元点火阈值的公式为：

θ_ij[n]＝θ_ij[n-1]-kΔ+V_θY_ij[n-1]

式中：V_θ为放大系数；Y_ij为神经元脉冲输出；Δ为基础衰减步长；k为分层比例系数；

确定点火区域和未点火的区域的平均灰度值：

式中：Ω₀＝{(i,j)|Y_ij(n-1)＝0}，Ω₁＝{(i,j)|Y_ij(n-1)＝1}；T₀[n]和T₁[n]将灰度直方图分为[0,T₀[n]]，[T₀[n],T₁[n]]，[T₁[n],255]3种区域，分别对应目标区，目标和背景的混合区以及背景区；

所述神经元点火阈值的公式中的k的取值如下式：

所述SPCNN模型中的连接系数β和放大系数V_θ寻优方法包括以下步骤：

S1：设置鸟巢数量num＝15，搜索空间维度dim＝2，最大迭代次数time＝500，发现概率Pa＝0.25；β范围为0～1，V_θ范围为0～99；随机初始化鸟窝的位置x_i，定义目标函数f(x)为最小交叉熵；

S2：利用预定义的适应度函数计算初始化鸟窝适应度值f(x_i)，记录当前整个鸟窝位置并比较得到当前最优f_best；

S3：保留上代最优鸟窝位置，利用下式更新其他鸟窝位置；杜鹃寻窝的路径和位置按Levy更新：

式中，x_i(t+1)是第i个杜鹃在第t+1代的鸟巢位置；x_i(t)是第t代的鸟窝位置，α是步长，α＝1；Levy(λ)为随机搜索路径：

Levy～u＝t^-λ(1＜λ≤3)

将新生成的鸟窝与上一代鸟窝位置进行比较，更新除最优鸟窝外的位置和状态，计算f_new再与f_best进行比较，更新f_best；

S4：位置更新后，生产随机数r并与Pa比较，若r≥Pa则随机更新一次鸟窝位置；

S5：当前熵值小于上一次的熵，或者算法执行到最大更新次数，CS算法终止，得到最优鸟窝；否则回到所述S3；

S6：重复步骤S1-S5，将最佳鸟窝位置的两个参数所述连接系数β和放大系数V_θ代入改进的所述SPCNN模型中。