[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

说明书

本发明涉及计算机视觉网络领域，目的是提供基于深度卷积神经网络的机场滑行道的缺陷检测方法，本发明用户端为电脑PC端，人工通过无线通信模块向巡检机器人发送启动命令，进行实时的机场滑行道的图像采集，本采集设备可以采集以巡检机器人为中心，0.3米为半径的周围地面的图像，通过将图像传回用户端，输入进缺陷识别模型，得出预警的信号，尽早的发现隐患，本发明结构合理，设计巧妙，适合推广。

技术领域

本发明涉及计算机视觉领域，具体涉及基于深度卷积神经网络的机场滑行道的缺陷检测方法。

背景技术

滑行道是连接跑道和停机坪的纽带，是大型机场航空器场面运行的关键资源，随着场面航空器数量的不断增加,机场滑行道区域涌现各种缺陷，影响机场交通，如果机场工作人员去检测，存在一定危险。

CN201811571505.8，一种机场沥青混凝土道面变形模拟的参数分析方法，该发明属于机场建筑技术领域，公开了一种机场沥青混凝土道面变形模拟的参数分析方法，采用有限元分析方法、道面板的CA数字模式构建；性态类似区域匹配准则，对典型破坏模式的机场沥青混凝土道面变形参数进行预测；获得机场道面变形破坏的规律。本发明取代部分昂贵试验，揭示机场道面变形破坏的规律和过程；通过有限元分析对两种典型破坏模式的预测进行检验分析。可以提高机场道面使用质量，为道面养护和维修提供必要的参考，为机场安全、顺畅、快捷运行提供保证，提高航空运输能力，促进经济的快速发展；延长机场跑道使用寿命，节省大量维修、养护费用。

因此,需要一种能够识别机场跑道的检测方法，能够快速的检测出跑道的缺陷，基于神经网络算法对于跑道上显示的裂缝、低洼、不平整的地方都能进行识别，机器人能够实现自动巡检。

发明内容

本发明目的在于提供基于深度卷积神经网络的机场滑行道的缺陷检测方法，通过自动巡检机器人对机场滑行道凹陷或者裂缝等缺陷进行采录和分析，得出缺陷预警信号，本发明结构合理，设计巧妙，适合推广；

本发明所采用的技术方案是：基于深度卷积神经网络的机场滑行道的缺陷检测方法，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。

优选的，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。

优选的，所述Tiny-yolo v3目标检测模型使用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。

优选的，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网络包括7层卷积池化层对滑行道图像进行特征提取。

优选的，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。

优选的，所述Tiny-yolo v3目标检测模型的训练包括以下步骤，