[发明专利]基于深度卷积神经网络的机场滑行道的缺陷检测方法

权利要求书

1.基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，包括以下步骤：

步骤1：启动巡检机器人在机场滑行道上运行，通过巡检机器人上的采集设备获取所述巡检机器人附近的滑行道的实时图像；

步骤2：巡检机器人上的处理器处理和无线通信模块将实时图像传送回终端，所述终端中存有训练好的缺陷识别模型；

步骤3：将所述实时图像作为输入发送至所述缺陷识别模型中，所述缺陷识别模型输出驱动缺陷预警模块响应，所述巡检机器人还包括有GPS模块，通过所述GPS模块获取所述巡检机器人的位置信息并通过所述缺陷预警模块显示。

2.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于,所述步骤2中，所述缺陷识别模型选用Tiny-yolo v3目标检测模型。

3.根据权利要求2所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述Tiny-yolo v3目标检测模型通过二元交叉熵损失函数进行类别预测，通过获取机场滑行道上的图像作为训练集，计算公式为，

式中，N是训练集的总数量；yi取值为0或1，yi取值为1表示第i张输入的图片包含缺陷的图像，yi取值为0则表示第i张输入的图片不包含缺陷的图像；pi值为对第i张输入的滑行道图片是否包含缺陷的图像的预测的概率，pi值在0至1之间。

4.根据权利要求3所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，所述Tiny-yolo v3目标检测模型采用Tiny-darknet网络作为特征提取网络，所述Tiny-darknet网络采用7层卷积池化层对滑行道图像进行特征提取。

5.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述步骤1中，所述巡检机器人还包括有驱动模块和行进装置，所述处理器接收用户端发送的启动指令，通过启动驱动模块带动所述行进装置工作。

6.根据权利要求3所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述Tiny-yolo v3目标检测模型的训练过程包括以下步骤，

步骤11：现场采集40000张机场滑行道缺陷图像，其中，36000张滑行道缺陷图像作为训练集，4000张滑行道缺陷图像作为验证集，通过机场滑行道缺陷图像对Tiny-yolo v3目标检测模型进行训练，获得Tiny-yolo v3目标检测模型，执行步骤22；

步骤22：以巡检机器人的初始位置为原点建立环境栅格地图，执行步骤33；

步骤33：获取多张实时的滑行道图像，执行步骤44；

步骤44：识别多张实时的滑行道图像中是否存在缺陷，若是，执行步骤55，若不是，执行步骤66；

步骤55：通过GPS模块获得巡检机器人的位置数据及其边框，继续行进，执行步骤66；

步骤66：移动至下一栅格内，执行步骤33。

7.根据权利要求6所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述步骤44还包括以下步骤，

步骤441:设置IOU阈值及置信度阈值，执行步骤442；

步骤442：对输入的滑行道图像进行尺寸的调整，执行步骤443；

步骤443：输入至Tiny-yolo v3目标检测模型进行特征提取，执行步骤444；

步骤444：通过类似FPN网络对滑行道凹陷或滑行道裂纹进行多尺度融合预测，将特征图划分为多个网格；使用K-means聚类方法对训练集的边界框做聚类，得到合适的anchorbox，并在每个网格上产生3个anchor box数来生成预测的目标边界框，通过二元交叉熵损失函数来预测类别。

8.根据权利要求1所述的基于深度卷积神经网络的机场滑行道的缺陷检测方法，其特征在于，所述巡检机器人的采集设备选用2M像素UVC协议高清USB摄像头。