CN109884620B - 一种基于深度学习的fod雷达异物检测方法 - Google Patents
一种基于深度学习的fod雷达异物检测方法 Download PDFInfo
- Publication number
- CN109884620B CN109884620B CN201910052972.8A CN201910052972A CN109884620B CN 109884620 B CN109884620 B CN 109884620B CN 201910052972 A CN201910052972 A CN 201910052972A CN 109884620 B CN109884620 B CN 109884620B
- Authority
- CN
- China
- Prior art keywords
- radar
- runway
- signal
- fod
- foreign matter
- 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.)
- Active
Links
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于深度学习的FOD雷达异物检测方法，包括如下步骤：a、调用雷达探测器对相应跑道检测区域进行连续扫描获得原始信号，调用注意力网络并输出需要注意的有用信息的位置；b、将有用信息的位置信号与输入的原始信号相乘，并将结果输入判别器中；c、确认判别器的判别信号中是否有需要检测的物体，如有，则注意力网络注意的位置就是有物体的信号位置，提取出注意力网络的输出，即是异物的位置；如没有，则表示无异物。
Description
技术领域
本发明涉及雷达检测技术领域，特别是一种基于深度学习的FOD雷达异物检测方法。
背景技术
在一些特殊的地方，需要进行异物探测，并且需要精度非常高。比如机场跑道，一串钥匙落在跑道上，都会带来非常大的危险。过去靠人员不断的来回检查跑道，这样带来的问题是不及时，成本高，容易出错。
在目标小的时候，由于地杂波的影响，正式的异物信号会被淹没在噪音中去。例如，一个打火机，站立的时候能被发现，波强度远远高于地杂波的强度，设置一个阀值及可解决。当打火机平放的时候，波的强度就和地杂波差不多了。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于深度学习的FOD雷达异物检测方法，利用深度学习的神经网络技术，将注意力网络的输出同原始的信号相乘，再通过判别器判别是否存在要检测的异物，本发明的检测精度更高、更及时、成本更低、不易出错。
本发明采用的技术方案是：
一种基于深度学习的FOD雷达异物检测方法，包括如下步骤：
a、调用雷达探测器对相应跑道检测区域进行连续扫描获得原始信号，调用注意力网络并输出需要注意的有用信息的位置；
b、将有用信息的位置信号与输入的原始信号相乘，并将结果输入判别器中；
c、确认判别器的判别信号中是否有需要检测的物体，如有，则注意力网络注意的位置就是有物体的信号位置，提取出注意力网络的输出，即是异物的位置；如没有，则表示无异物。
优选地，还包括如下步骤：
获取雷达探测器采集的跑道常见的FOD目标雷达信号，作为正样本集合；获取雷达采集的跑道常见的非FOD目标雷达信号，作为负样本集合；其中，FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道；非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面；
对正、负样本集合进行特征融合，然后在决策级训练，增强判别器的判别能力和精度。
优选地，所述特征融合的具体步骤如下：
令对跑道监测区域扫描采集的雷达信号为J，J为三维矩阵
J的第一列d为一个跑道检测区域中M个雷达反射波信号的距离，第二列θ为一个跑道检测区域中M个雷达反射波信号的方位角，第三列η为一个跑道检测区域中M个雷达反射波信号的强度值，每一行为一个雷达反射波信号，共M个雷达反射波信号；
令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射波信号强度值为ηmin，跑道监测区域内雷达最近探测距离上直径到10cm的金属物体雷达反射波信号强度值为ηmax；将J中所有雷达反射波信号按照雷达反射波信号的强度值分为(-∞,ηmin)，
(ηmax，∞)五个组；统计每个组中雷达反射波信号的数量、距离的最大最小值差，方位角的最大最小值差，每组3个数值，共计15个数值，记为特征向量VL；
令有用信息的位置信号为I，使用特征描述方法将I转化为特征向量VT；
将特征向量VL和VT相乘得融合特征向量V。
本发明的有益效果是：利用深度学习的神经网络技术，将注意力网络的输出同输入的原始信号相乘，再通过判别器判别是否存在要检测的异物，本发明的检测精度更高、更及时、成本更低、不易出错。
具体实施方式
下面结合实施例对本发明进行详细说明。
实施例
一种基于深度学习的FOD雷达异物检测方法，包括如下步骤：
a、调用雷达探测器对相应跑道检测区域进行连续扫描获得原始信号，调用注意力网络并输出需要注意的有用信息的位置；
b、将有用信息的位置信号与输入的原始信号相乘，并将结果输入判别器中；
c、确认判别器的判别信号中是否有需要检测的物体，如有，则注意力网络注意的位置就是有物体的信号位置，提取出注意力网络的输出，即是异物的位置；如没有，则表示无异物。
在其中一个实施例中，还包括如下步骤：
获取雷达探测器采集的跑道常见的FOD目标雷达信号，作为正样本集合；获取雷达采集的跑道常见的非FOD目标雷达信号，作为负样本集合；其中，FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道；非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面；
对正、负样本集合进行特征融合，然后在决策级训练，增强判别器的判别能力和精度。
在其中一个实施例中，所述特征融合的具体步骤如下：
令对跑道监测区域扫描采集的雷达信号为J，J为三维矩阵
J的第一列d为一个跑道检测区域中M个雷达反射波信号的距离，第二列θ为一个跑道检测区域中M个雷达反射波信号的方位角，第三列η为一个跑道检测区域中M个雷达反射波信号的强度值，每一行为一个雷达反射波信号，共M个雷达反射波信号；
令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射波信号强度值为ηmin，跑道监测区域内雷达最近探测距离上直径到10cm的金属物体雷达反射波信号强度值为ηmax；将J中所有雷达反射波信号按照雷达反射波信号的强度值分为(-∞,ηmin)，
(ηmax，∞)五个组；统计每个组中雷达反射波信号的数量、距离的最大最小值差，方位角的最大最小值差，每组3个数值，共计15个数值，记为特征向量VL；
令有用信息的位置信号为I，使用特征描述方法将I转化为特征向量VT；
将特征向量VL和VT相乘得融合特征向量V。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (3)
1.一种基于深度学习的FOD雷达异物检测方法，其特征在于，包括如下步骤：
a、调用雷达探测器对相应跑道检测区域进行连续扫描获得原始信号，调用注意力网络并输出需要注意的有用信息的位置；
b、将有用信息的位置信号与输入的原始信号相乘，并将结果输入判别器中；
c、确认判别器的判别信号中是否有需要检测的物体，如有，则注意力网络注意的位置就是有物体的信号位置，提取出注意力网络的输出，即是异物的位置；如没有，则表示无异物。
2.根据权利要求1所述的基于深度学习的FOD雷达异物检测方法，其特征在于，还包括如下步骤：
获取雷达探测器采集的跑道常见的FOD目标雷达信号，作为正样本集合；获取雷达采集的跑道常见的非FOD目标雷达信号，作为负样本集合；其中，FOD目标指的是金属零件、金属工具、轮胎橡胶、石块、塑料零件或塑料管道；非FOD目标指的是指示灯、标识线、板块缝隙、轮胎痕迹、跑道道面；
对正、负样本集合进行特征融合，然后在决策级训练，增强判别器的判别能力和精度。
3.根据权利要求2所述的基于深度学习的FOD雷达异物检测方法，其特征在于，所述特征融合的具体步骤如下：
令对跑道监测区域扫描采集的雷达信号为J，J为三维矩阵
J的第一列d为一个跑道检测区域中M个雷达反射波信号的距离，第二列θ为一个跑道检测区域中M个雷达反射波信号的方位角，第三列η为一个跑道检测区域中M个雷达反射波信号的强度值，每一行为一个雷达反射波信号，共M个雷达反射波信号；
令跑道监测区域内雷达最远探测距离上直径3cm到10cm的橡胶物体反射波信号强度值为ηmin，跑道监测区域内雷达最近探测距离上直径到10cm的金属物体雷达反射波信号强度值为ηmax；将J中所有雷达反射波信号按照雷达反射波信号的强度值分为(-∞,ηmin)，
(ηmax，∞)五个组；统计每个组中雷达反射波信号的数量、距离的最大最小值差，方位角的最大最小值差，每组3个数值，共计15个数值，记为特征向量VL；
令有用信息的位置信号为I，使用特征描述方法将I转化为特征向量VT；
将特征向量VL和VT相乘得融合特征向量V。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052972.8A CN109884620B (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的fod雷达异物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910052972.8A CN109884620B (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的fod雷达异物检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109884620A CN109884620A (zh) | 2019-06-14 |
| CN109884620B true CN109884620B (zh) | 2022-11-08 |
Family
ID=66926417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910052972.8A Active CN109884620B (zh) | 2019-01-21 | 2019-01-21 | 一种基于深度学习的fod雷达异物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109884620B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110987389B (zh) * | 2019-11-27 | 2021-07-27 | 南京航空航天大学 | 一种应力集中系数不小于3的外物损伤缺口标定方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10253748A (ja) * | 1997-03-06 | 1998-09-25 | Mitsubishi Electric Corp | 目標の検出方法 |
| JP2015194385A (ja) * | 2014-03-31 | 2015-11-05 | 株式会社日立製作所 | 計算機システム |
| CN105372717B (zh) * | 2015-10-30 | 2017-12-26 | 中国民用航空总局第二研究所 | 一种基于雷达和图像信号的fod融合探测方法及装置 |
| CN109188416A (zh) * | 2018-08-10 | 2019-01-11 | 中国民用航空总局第二研究所 | 雷达与光学复合探测的跑道异物检测系统及方法 |
-
2019
- 2019-01-21 CN CN201910052972.8A patent/CN109884620B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109884620A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103544296B (zh) | 雷达距离扩展目标自适应智能融合检测方法 | |
| CN101893704B (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
| CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
| CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
| CN103995259B (zh) | 密集干扰环境下雷达目标自适应滤波融合检测方法 | |
| CN111709386B (zh) | 一种水下浅地层剖面图像底质分类方法及系统 | |
| CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
| CN104751474A (zh) | 一种级联式快速图像缺陷分割方法 | |
| CN102322820B (zh) | 面形检测系统中前后表面反射光斑自动分离方法 | |
| CN110717496B (zh) | 基于神经网络的复杂场景树木检测方法 | |
| CN105654735A (zh) | 基于离群点分析算法的套牌车快速甄别方法 | |
| CN105427342A (zh) | 一种水下小目标声呐图像目标检测跟踪方法和系统 | |
| Lin et al. | Passive acoustic monitoring of the temporal variability of odontocete tonal sounds from a long-term marine observatory | |
| CN109884620B (zh) | 一种基于深度学习的fod雷达异物检测方法 | |
| CN106952242A (zh) | 一种基于体素的渐进不规则三角网点云滤波方法 | |
| CN109597045B (zh) | 一种基于两次杂波抑制的静目标稳健识别方法 | |
| CN110208767A (zh) | 一种基于拟合相关系数的雷达目标快速检测方法 | |
| CN110147716A (zh) | 一种基于频域与空域相结合的sar图像内波区域检测方法 | |
| CN116776279A (zh) | 多模态数据协同的输电线路闪爆预警异常目标检测方法 | |
| CN108802725A (zh) | 一种浅层穿透雷达合成孔径成像方法 | |
| Li et al. | A novel processing methodology for traffic-speed road surveys using point lasers | |
| CN110412609B (zh) | 一种多脉冲激光雷达目标检测方法 | |
| CN106706109B (zh) | 一种基于时域二维特性的振动源识别方法及系统 | |
| CN104035084B (zh) | 一种用于非均匀杂波背景的动态规划检测前跟踪方法 | |
| CN115223044A (zh) | 基于深度学习的端到端三维探地雷达目标识别方法及系统 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230519 Address after: Room 508, floor 5, Zone C, building 1, No. 200, Tianfu Fifth Street, high tech Zone, Chengdu, Sichuan 610000 Patentee after: Chengdu Boltzmann Zhibei Technology Co.,Ltd. Address before: Room 907, Floor 9, Unit 1, Building 7, No. 399, West Section of Fucheng Avenue, Hi tech Zone, Chengdu, Sichuan 610,000 Patentee before: CHENGDU BOLTZMANN TECHNOLOGY Co.,Ltd. |
|
| TR01 | Transfer of patent right |