CN109614864A - 一种地基视角多机型飞机起落架收放状态检测方法 - Google Patents
一种地基视角多机型飞机起落架收放状态检测方法 Download PDFInfo
- Publication number
- CN109614864A CN109614864A CN201811313628.1A CN201811313628A CN109614864A CN 109614864 A CN109614864 A CN 109614864A CN 201811313628 A CN201811313628 A CN 201811313628A CN 109614864 A CN109614864 A CN 109614864A
- Authority
- CN
- China
- Prior art keywords
- undercarriage
- value
- image
- pixel
- aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种地基视角多机型飞机起落架收放状态检测方法,本发明利用地基长焦复合光电探测器(红外、可见光)获取飞机下滑降落正视画面;基于飞机着陆正视画面自动提取飞机机型结构特征,并利用匹配的机型图片库中提取出的机型结构特征参数,定位当前降落飞机起落架区域位置;最后通过特征分析与多帧综合决策处理自动确定飞机起落架收放状态。本发明基于地基长焦复合光电探测器,设备布设简单,主要算法流程均由软件完成,一套设备即可完成一个机场所有不同类机型飞机降落过程中飞机起落架收放状态监视。
Description
技术领域
本发明涉及一种地基视角多机型飞机起落架收放状态检测方法。
背景技术
当前的军民用飞机起落架收放状态指示主要依靠状态指示仪表、起落架信号灯、以及机身上外置摄像头等多种方式实现,但仍不能完全排除以上设施出现故障以及飞行员操作疏忽的可能性。往往需要在机场安排地面人员通过望远镜对飞机降落前起落架收放情况进行人工确认,以便在发现危险时提示机场塔台与飞行员及时应对,确保飞机安全降落。而人工观察的作业方式既会受到气候、光强、空气能见度等诸多因素的影响,又对观察人员的精力、集中力要求较高,耗费人力,难以全天候的提供起落架状态指示信息以供机场和飞行员进行及时的故障处置。
综上所述,需要有一种稳定可靠的自动化地面飞机起落架状态监测手段,来取代人工地面观察作业,为确保降落阶段飞机起落架安全放置提供保障。而实现该手段,则需要解决以下关键问题:(1)采用何种探测器以何种视角进行起落架观测可达到全天候探测目的。(2)如何有效提取飞机降落过程中的关键特征,并依据特征完成起落架收放状态的自动检测。(3)如何构建一整套对于不同尺寸、外形的多种型号飞机均有效的检测体系。(4)如何保证起落架收放状态自动检测精度和可靠性。
发明内容
发明目的:本发明针对现有技术手段的不足,提供降落飞机起落架收放状态全自动检测技术。可替代机场地面观察员,自动完成多种机型飞机降落过程中起落架收放状态监控工作,为危险应急决策提供全天候保障。
技术方案:
本发明设计了一种地基视角多机型飞机起落架收放状态检测技术。能够基于地基布设的复合光电探测器探测到的飞机正视降落图像(包含可见光探测器与红外探测器),自动识别多种机型飞机起落架收放状态。
本发明技术方案的实施步骤如下:
步骤1,利用地基光电成像设备采集N帧飞机降落下滑过程正视角图像,用Ik表示第k帧视频帧图像,k取值为1~N;
步骤2,对Ik进行自适应阈值的边缘特征提取得到边缘特征图Ek;
步骤3,提取边缘特征图Ek中飞机结构信息Fk;
步骤4,利用特征库中存在的机型结构信息F,定位飞机起落架数量Q与起落架区域位置,用Areai表示第i个起落架区域位置,i=1,2,…,Q;
步骤5,分别对每个起落架区域位置进行考察,通过区域内特征图的均线与腰线特征判定起落架收放状态,获得第k帧视频帧图像起落架状态判定的结果
步骤6,重复步骤1至步骤5,累计N帧起落架状态识别结果Ri,根据Ri给出最终判定结果。
步骤1包括:
采用地基视角的飞机下滑降落正视角度图进行飞机起落架收放状态检测,地基长焦复合光电探测设备(含可见光探测器与红外探测器)布设于机场跑道侧翼,布设点与跑道垂直距离保持在M米(一般为100米)范围内,使得获取到的图像为飞机降落正视图,复合光电探测设备红外与可见光探测器同时工作,同时采集图像,保证全时段、全天候目标图像获取,最终得到N帧飞机降落下滑过程正视角图像。
步骤2包括:
对于原始图像Ik(同时适用可见光与红外图像)进行算子大小为5的高斯滤波得到图像I′k,采用Canny边缘检测算法对I′k进行进行边缘提取得到边缘特征图Ek,其中Canny边缘检测算法两个参数HighParam与LowParam确定方法如下:
对图像I′k利用Sobel算子求取其x方向和y方向导数图像,并求取每个像素点的一阶范数梯度强度值得到梯度强图像I″k,获取I″k中最大像素点值MaxV,然后对I″k建立直方图Histk,直方图组数为HistSize,设定阈值参数ThresholdEdge(预设0.97),像素点总数为TotalPix=Width*Height,其中Width和Height分别为图像I″k的宽度和高度,计算Histk中每个Bin(Bin为直方图数值的分段区间,图像灰度值为0~255,将0~255分为HistSize个等段,那么每一段都是一个Bin)中的像素个数为binj,j=1,2,…,HistSize,累计像素点数之和求取一个j的值,使得SumPix≥ThresholdEdge·TotalPix成立,则Canny边缘检测高阈值参数HighParam=(j+1)·HistSize/MaxV,低阈值参数lowParam=0.4·HighParam。根据Canny边缘检测算法得到边缘特征图Ek。(Canny边缘检测算法是johnF.Canny于1986年开发出的一个多级边缘检测算法,是常用边缘检测算法的一种)。
步骤3包括:
步骤3-1,对二值图像Ek进行形态学滤波,选择直径为5的圆形算子进行闭运算得到二值图像E′k(闭运算为形态学滤波的一种操作,属于图像处理基础处理步骤),对二值图像E′k进行连通域分析(参考文献:Satoshi Suzuku,Keiichi Abe,TopoiogicalStructural Analysis of Digitized Binary Images by Border Following,COMPUTERVISION,GRAPHICS,AND IMAGEPROCESSING30,32-46(1985)),提取最大的联通区域,获取点迹集合Pnt={E′k(xn,yn),n=1,2,...,N},其中E′k(xn,yn)为二值图像E′k上像素值为1且属于最大联通区域的像素点,获取Pnt的外接矩形区域其中xmin,xmax分别为集合Pnt中像素点E′k(xn,yn)横坐标xn的最小取值、最大取值,ymin,ymax分别为集合Pnt中像素点E′k(xn,yn)横坐标yn的最小取值、最大取值,在中寻找左极点Pntleft=E′k(xmin,y′)与右极点Pntright=E′k(xmax,y″),确定轴长特征L,其中E′k(xmin,y′)代表集合Pnt中横坐标x值最小的像素点,y′为该点对应的纵坐标值。E′k(xmax,y″)代表集合Pnt中横坐标x值最大的像素点,y″为该点对应的纵坐标值。
步骤3-2,
计算中心点特征Pntcenter:
从而得到特征信息其中xcenter,ycenter分别表示中心点Pntcenter的横纵坐标值,E′k(xcenter,ycenter)表示集合Pnt中横坐标和纵坐标分别为xcenter,ycenter的像素点。
步骤4包括:
机型结构信息包涵起落架个数Q,各起落架的位置分布,结合当前图片特征信息得到起落架区域位置:
其中代表飞机的第i个起落架的区域位置(一般飞机起落架数量为3个或5个),为Areai在图像中左上顶点坐标值,为Areai在图像中右下顶点坐标值;代表计算第i个起落架区域左上顶点坐标的定位系数,代表计算第i个起落架区域右下顶点坐标的定位系数,例如用于求取左上顶点的横坐标的值,作用类似。皆包涵于特征库信息(即为存储了不同类型飞机不同位置起落架的定位特征信息,由人工标注确定)中。
步骤5包括:
在第i个起落架所在的图像区域Areai中,确认滤波后的二值图像E′k落入Areai区域内的像素点的集合:
中的像素点E′k(xs,ys)横纵坐标满足令Si为中的像素点个数。当前定轴长特征L<LThreshold(LThreshold为起落架识别最小像素尺寸,一般LThreshold取值40像素)时,目标图像过小,无法判定起落架收放状态,认定第k帧视频帧图像起落架i的收放状态为不确定,即当L≥LThreshold时,针对第i个起落架,利用中所有点的横坐标值计算水平均线
再挑选中y(y为中像素点在图像中的像素坐标系纵坐标值)最大的S′i=floor(Si/2)(floor为向下取整数操作,S′i实际上相当于中像素点个数的一半,再下取整后的数值)个点,组成新的点迹集合利用中的所像素点计算腰线最后计算yi averline与yi topline之差yi delta=yi topline-yi averline,当满足yi delta≥αi·L(其中αi为第i个起落架判定阈值门限,不同的起落架设置不同,中间起落架一般设定为0.03,侧翼起落架一般设定为0.05)则判定第k帧视频帧图像起落架i的收放状态为放下即否则起落架i的收放状态为收起,即
步骤6包括:
对于起落架i,累计N帧起落架状态识别结果Ri如下:
其中0<β≤1,Ri为-1代表起落架状为收起,Ri为0代表起落架状态不确定,Ri为1代表起落架状态为放下,当飞机进近到最小决策距离(最小决策距离由机场用户提供,为飞机进近过程机场最小处置反应距离,一般为2km~4km。)时飞机Q个起落架中(一般飞机起落架数量为3个或5个),有任意一个检测结果Ri不为1,则进行告警提示。
有益效果:本发明显著优点是:
1、全天候、全自动提供地面视角飞机起落架监控手段。
2、通过构建特征库,可针对机场具有多种机型的飞机进行识别,兼容性与可拓展性强,一套设备即可满足整个机场对所有类型飞机的监视需求。
3、采用自适应特征提取、特征图像分析与多帧综合决策,飞机起落架状态检测准确,可靠性高。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是本发明针对某一帧的飞机起落架状态的检测过程示意图。
图2为地基多机型飞机起落架收放状态检测系统组成图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明提供了一种地基视角多机型飞机起落架收放状态检测方法,包括如下步骤:
(1)利用地基光电成像设备采集飞机降落下滑过程正视角图像Ik,其中k为视频帧数编号。
采用地基视角的飞机下滑降落正视角度图进行飞机起落架收放状态检测,地基长焦复合光电探测设备(含可见光探测器与红外探测器)布设于机场跑道侧翼,布设点与跑道垂直距离保持在100米范围内,保证获取到的图像为飞机降落正视图。复合光电探测设备红外与可见光探测器同时工作,同时采集图像,保证全时段、全天候目标图像获取。
(2)对Ik进行自适应阈值的边缘特征提取得到边缘特征图Ek。
基本边缘特征图获取方式如下:
对于原始图像Ik(同时适用可见光与红外图像)进行算子大小为5的高斯滤波得到图像I′k,对I′k进行边缘检测,采用Canny边缘检测算法进行边缘提取,其中Canny边缘检测算法两个参数HighParam与LowParam确定方法如下,对图像I′k分别利用Sobel算子求取其x方向和y方向倒数图像,并求取每个像素点的一阶范数梯度强度值得到梯度强图像I″k,获取I″k中最大像素点值MaxV,然后对I″k建立直方图Histk,直方图组数为HistSize,设定阈值参数ThresholdEdge(预设0.97),像素点总数为TotalPix=Width*Height,(其中Width和Height分别为图像I″k的宽度和高度)计算Histk中每个Bin中的像素个数为binj,j=1,2,...,HistSize,累计像素点数之和求取一个j的值,使得SumPix≥ThresholdEdge·TotalPix刚好成立,则Canny边缘检测高阈值参数HighParam=(j+1)·HistSize/MaxV,低阈值参数lowParam=0.4·HighParam。
(3)提取图Ek中飞机结构信息Fk。
飞机结构特征提取过程如下:
对二值图像Ek进行形态学滤波,选择直径为5的圆形算子进行闭运算得到二值图像E′k,对二值图像E′k进行连通域分析,获取点迹集合Pntn=E′k(xn,yn),n=1,2,…,N,其中,获取外接矩形区域在中寻找左极点Pntleft=E′k(xmin,y′)与右极点Pntright=E′k(xmax,y″),确定轴长特征
再计算中心点特征:
最后得到特征信息
(4)利用特征库中存在的机型结构信息定位飞机起落架数量Q与起落架区域位置Areai,i=1,2,...,Q。
基于特征库的飞机起落架定位方式如下:
机型结构信息包涵起落架个数Q,各起落架的位置分布,是通过该机型标准降落图片离线人工标注得到,结合当前图片特征信息可知起落架区域位置Areai,i=1,2,...,Q,其计算方法为:
其中皆包涵于特征库信息(即为存储了不同类型飞机不同位置起落架的定位特征信息,由人工标注确定)中。
(5)分别对每个Areai区域进行考察,通过区域内特征图的均线与腰线特征判定起落架收放状态,获得第k帧起落架状态判定的结果
飞机起落架区域特征分析方法如下:
在第i个起落架所在的图像区域Areai中,确认滤波后的二值图像E′k落入Areai区域内的像素点的集合:
中的像素点E′k(xs,ys)横纵坐标满足令Si为中的像素点个数。当前定轴长特征L<LThreshold(LThreshold为起落架识别最小像素尺寸,一般LThreshold取值40像素)时,目标图像过小,无法判定起落架收放状态,认定第k帧视频帧图像起落架i的收放状态为不确定,即当L≥LThreshold时,针对第i个起落架,利用中所有点的横坐标值计算水平均线再挑选中y最大的S′i=floor(Si/2)(floor为向下取整数操作)个点,组成新的点迹集合利用中的所像素点计算腰线最后计算yi averline与yi topline之差yi delta=yi topline-yi averline,当满足yi delta≥αi·L(其中αi为第i个起落架判定阈值门限,不同的起落架设置不同,中间起落架一般设定为0.03,侧翼起落架一般设定为0.05)则判定第k帧视频帧图像起落架i的收放状态为放下即否则起落架i的收放状态为收起,即
(6)重复步骤(1)至步骤(5),累积N帧处理结果再综合决断起落架收放情况,给出最终判定结果Ri,1,2,...,Q,依据起落架识别结果进行告警提示。
起落架检测多帧综合决策方法如下:
对于起落架i,累计N帧起落架状态识别结果其中0<β≤1一般取β=0.8,其中-1代表起落架状为收起,0代表起落架状态不确定,1代表起落架状态为放下。当飞机进近到最小决策距离(最小决策距离由机场用户提供,为飞机进近过程机场最小处置反应距离,一般为2km~4km。)时飞机Q个起落架中,有任意一个检测结果Ri,1,2,...,Q不为1,则进行告警提示。
如图1为本发明针对某一帧的飞机起落架状态的检测过程示意图,过程示意图包括主图与左上角的子图,其中左上子图对应处理步骤(2)~(5),子图中飞机轮廓线即为步骤(2)自适应方法提取的特征边缘图,飞机轮廓下方的三个方框代表步骤(3)、(4)利用飞机特征信息以及特征库参数获取的飞机起落架潜在位置,方框中的两条横线分别代表步骤(5)中的均线与腰线。步骤(5)的处理结果显示在主图上,飞机下方的三个方框分别对应本帧图像飞机起落架收放状态检测结果(如果检测到起落架为放下状态则显示对应位置的方框,否则不显示方框),该帧图像前起落架与两测起落架检测到的状态均为放下。
如图2为地基多机型飞机起落架收放状态检测系统组成图。
本发明提供了一种地基视角多机型飞机起落架收放状态检测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (7)
1.一种地基视角多机型飞机起落架收放状态检测方法,其特征在于,包括如下步骤:
步骤1,利用地基光电成像设备采集N帧飞机降落下滑过程正视角图像,用Ik表示第k帧视频帧图像,k取值为1~N;
步骤2,对Ik进行自适应阈值的边缘特征提取得到边缘特征图Ek;
步骤3,提取边缘特征图Ek中飞机结构信息Fk;
步骤4,利用特征库中存在的机型结构信息定位飞机起落架数量Q与起落架区域位置,用Areai表示第i个起落架区域位置,i=1,2,…,Q;
步骤5,分别对每个起落架区域位置进行考察,通过区域内特征图的均线与腰线特征判定起落架收放状态,获得第k帧视频帧图像起落架状态判定的结果
步骤6,重复步骤1至步骤5,累计N帧起落架状态识别结果Ri,根据Ri给出最终判定结果。
2.根据权利要求1所述的方法,其特征在于,步骤1包括:
采用地基视角的飞机下滑降落正视角度图进行飞机起落架收放状态检测,地基长焦复合光电探测设备布设于机场跑道侧翼,布设点与跑道垂直距离保持在M米范围内,使得获取到的图像为飞机降落正视图,复合光电探测设备红外与可见光探测器同时工作,同时采集图像,最终得到N帧飞机降落下滑过程正视角图像。
3.根据权利要求2所述的方法,其特征在于,步骤2包括:
对于原始图像Ik进行算子大小为5的高斯滤波得到图像I′k,采用Canny边缘检测算法对I′k进行进行边缘提取得到边缘特征图Ek,其中Canny边缘检测算法两个参数HighParam与LowParam确定方法如下:
对图像I′k利用Sobel算子求取其x方向和y方向导数图像,并求取每个像素点的一阶范数梯度强度值得到梯度强图像I″k,获取I″k中最大像素点值MaxV,然后对I″k建立直方图Histk,直方图组数为HistSize,设定阈值参数ThresholdEdge,像素点总数为TotalPix=Width*Height,其中Width和Height分别为图像I″k的宽度和高度,计算Histk中每个Bin中的像素个数为binj,j=1,2,…,HistSize,累计像素点数之和Bin为直方图数值的分段区间,图像灰度值为0~255,将0~255分为HistSize个等段,则每一段都是一个Bin;
求取一个j的值,使得SumPix≥ThresholdEdge·TotalPix成立,则Canny边缘检测高阈值参数HighParam=(j+1)·HistSize/MaxV,低阈值参数lowParam=0.4·HighParam,根据Canny边缘检测算法得到边缘特征图Ek。
4.根据权利要求3所述的方法,其特征在于,步骤3包括:
步骤3-1,对二值图像Ek进行形态学滤波,选择直径为5的圆形算子进行闭运算得到二值图像E′k,对二值图像E′k进行连通域分析,提取最大的联通区域,获取点迹集合Pnt={E′k(xn,yn),n=1,2,…,N},其中E′k(xn,yn)为二值图像E′k上像素值为1且属于最大联通区域的像素点,获取Pnt的外接矩形区域其中xmin,xmax分别为集合Pnt中像素点E′k(xn,yn)横坐标xn的最小取值、最大取值,ymin,ymax分别为集合Pnt中像素点E′k(xn,yn)横坐标yn的最小取值、最大取值,在中寻找左极点Pntleft=E′k(xmin,y′)与右极点Pntright=E′k(xmax,y″),确定轴长特征L,其中E′k(xmin,y′)代表集合Pnt中横坐标x值最小的像素点,y′为该点对应的纵坐标值;E′k(xmax,y″)代表集合Pnt中横坐标x值最大的像素点,y″为该点对应的纵坐标值;
步骤3-2,计算中心点特征Pntcenter:
从而得到特征信息其中xcenter,ycenter分别表示中心点Pntcenter的横坐标值和纵坐标值,E′k(xcenter,ycenter)表示集合Pnt中横坐标和纵坐标分别为xcenter,ycenter的像素点。
5.根据权利要求4所述的方法,其特征在于,步骤4包括:
机型结构信息包涵起落架个数Q,各起落架的位置分布,结合当前图片特征信息得到起落架区域位置:
其中代表飞机的第i个起落架的区域位置(一般飞机起落架数量为3个或5个),为Areai在图像中左上顶点坐标值,为Areai在图像中右下顶点坐标值;代表计算第i个起落架区域左上顶点坐标的定位系数,代表计算第i个起落架区域右下顶点坐标的定位系数,皆包涵于特征库信息中。
6.根据权利要求5所述的方法,其特征在于,步骤5包括:在第i个起落架所在的图像区域Areai中,确认滤波后的二值图像E′k落入Areai区域内的像素点的集合:
中的像素点E′k(xs,ys)横纵坐标满足令Si为中的像素点个数,当前定轴长特征L<LThreshold时,目标图像过小,无法判定起落架收放状态,认定第k帧视频帧图像起落架i的收放状态为不确定,即LThreshold为起落架识别最小像素尺寸;当L≥LThreshold时,针对第i个起落架,利用中所有点的横坐标值计算水平均线再挑选中y最大的S′i个点,组成新的点迹集合S′i=floor(Si/2),floor为向下取整数操作,y为中像素点在图像中的像素坐标系纵坐标值,利用中的所像素点计算腰线最后计算yi averline与yi topline之差yi delta=yi topline-yi averline,当满足yi delta≥αi·L,其中αi为第i个起落架判定阈值门限,则判定第k帧视频帧图像起落架i的收放状态为放下即否则起落架i的收放状态为收起,即
7.根据权利要求6所述的方法,其特征在于,步骤6包括:
对于起落架i,累计N帧起落架状态识别结果Ri如下:
其中0<β≤1,Ri为-1代表起落架状为收起,Ri为0代表起落架状态不确定,Ri为1代表起落架状态为放下,当飞机进近到最小决策距离时飞机Q个起落架中,有任意一个检测结果Ri不为1,则进行告警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811313628.1A CN109614864B (zh) | 2018-11-06 | 2018-11-06 | 一种地基视角多机型飞机起落架收放状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811313628.1A CN109614864B (zh) | 2018-11-06 | 2018-11-06 | 一种地基视角多机型飞机起落架收放状态检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614864A true CN109614864A (zh) | 2019-04-12 |
CN109614864B CN109614864B (zh) | 2021-08-27 |
Family
ID=66002088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811313628.1A Active CN109614864B (zh) | 2018-11-06 | 2018-11-06 | 一种地基视角多机型飞机起落架收放状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852323A (zh) * | 2019-11-18 | 2020-02-28 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
CN113138382A (zh) * | 2021-04-27 | 2021-07-20 | 中国电子科技集团公司第二十八研究所 | 一种军民航机场全自动进近着陆监视方法 |
CN113837109A (zh) * | 2021-09-27 | 2021-12-24 | 桂林长海发展有限责任公司 | 一种飞机降落效果评估方法、装置以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102431644A (zh) * | 2011-11-22 | 2012-05-02 | 中航飞机起落架有限责任公司 | 一种飞机主起落架空间收放机构及收放方法 |
WO2013061066A2 (en) * | 2011-10-28 | 2013-05-02 | Bae Systems Plc | Identification and analysis of aircraft landing sites |
CN106951823A (zh) * | 2017-02-06 | 2017-07-14 | 中国电子科技集团公司第二十八研究所 | 一种红外图像起落架自动识别方法 |
-
2018
- 2018-11-06 CN CN201811313628.1A patent/CN109614864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013061066A2 (en) * | 2011-10-28 | 2013-05-02 | Bae Systems Plc | Identification and analysis of aircraft landing sites |
CN102431644A (zh) * | 2011-11-22 | 2012-05-02 | 中航飞机起落架有限责任公司 | 一种飞机主起落架空间收放机构及收放方法 |
CN106951823A (zh) * | 2017-02-06 | 2017-07-14 | 中国电子科技集团公司第二十八研究所 | 一种红外图像起落架自动识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852323A (zh) * | 2019-11-18 | 2020-02-28 | 南京莱斯电子设备有限公司 | 一种基于角点的空中目标探测方法 |
CN113138382A (zh) * | 2021-04-27 | 2021-07-20 | 中国电子科技集团公司第二十八研究所 | 一种军民航机场全自动进近着陆监视方法 |
CN113138382B (zh) * | 2021-04-27 | 2021-11-02 | 中国电子科技集团公司第二十八研究所 | 一种军民航机场全自动进近着陆监视方法 |
CN113837109A (zh) * | 2021-09-27 | 2021-12-24 | 桂林长海发展有限责任公司 | 一种飞机降落效果评估方法、装置以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109614864B (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203265B (zh) | 一种施工扬尘污染源自动监测及影响范围预测系统及方法 | |
CN103366374B (zh) | 基于图像匹配的消防通道障碍物检测方法 | |
CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及系统 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN109614864A (zh) | 一种地基视角多机型飞机起落架收放状态检测方法 | |
CN105719305B (zh) | 接触网中组件脱落缺陷识别方法及系统 | |
CN105158257B (zh) | 滑板测量方法及装置 | |
CN107392247A (zh) | 一种电力线下方地物安全距离实时检测方法 | |
CN105550670A (zh) | 一种目标物体动态跟踪与测量定位方法 | |
CN103745484B (zh) | 一种电力设施带电作业的人员目标安全预警方法 | |
CN103400379A (zh) | 一种基于图像的覆冰检测和厚度估计方法 | |
CN103632158A (zh) | 森林防火监控方法及森林防火监控系统 | |
CN105096305A (zh) | 绝缘子状态分析的方法及装置 | |
WO2012005461A2 (ko) | 자동 구름 정보 산출방법 | |
CN111342391A (zh) | 一种输电线路绝缘子和线路故障巡视方法及巡视体系 | |
CN103425959B (zh) | 一种识别火灾的火焰视频检测方法 | |
CN109300118A (zh) | 一种基于rgb图像的高压电力线路无人机巡检方法 | |
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
CN106023199B (zh) | 一种基于图像分析技术的烟气黑度智能检测方法 | |
CN109271861A (zh) | 多尺度融合的点云交通标识牌自动提取方法 | |
CN105335688B (zh) | 一种基于视觉图像的飞机机型识别方法 | |
CN106447699A (zh) | 基于卡尔曼滤波的高铁接触网目标检测与跟踪方法 | |
CN115035141A (zh) | 基于图像处理的隧道裂缝远程监测与预警方法 | |
CN105913464A (zh) | 一种基于视频的多人体目标在线测量方法 | |
CN104166836B (zh) | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |