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 PDF

Info

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
Application number
CN201910052972.8A
Other languages
English (en)
Other versions
CN109884620A (zh
Inventor
秦睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Boltzmann Zhibei Technology Co ltd
Original Assignee
Chengdu Boltzmann Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Boltzmann Technology Co ltd filed Critical Chengdu Boltzmann Technology Co ltd
Priority to CN201910052972.8A priority Critical patent/CN109884620B/zh
Publication of CN109884620A publication Critical patent/CN109884620A/zh
Application granted granted Critical
Publication of CN109884620B publication Critical patent/CN109884620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于深度学习的FOD雷达异物检测方法
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
Figure BDA0001951434080000021
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)，
Figure BDA0001951434080000022
Figure BDA0001951434080000023
(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
Figure BDA0001951434080000041
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)，
Figure BDA0001951434080000042
Figure BDA0001951434080000043
(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
Figure FDA0001951434070000011
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)，
Figure FDA0001951434070000021
Figure FDA0001951434070000022
(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。
CN201910052972.8A 2019-01-21 2019-01-21 一种基于深度学习的fod雷达异物检测方法 Active CN109884620B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN109884620A (zh) 2019-06-14

Similar Documents

Publication Publication Date Title
CN102841131B (zh) 钢丝绳芯输送带缺陷智能识别方法及系统
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
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
CN109597045B (zh) 一种基于两次杂波抑制的静目标稳健识别方法
CN101551467A (zh) 一种基于边界检测的初至波自动拾取方法
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
Li et al. A novel processing methodology for traffic-speed road surveys using point lasers
Pramestya et al. Road defect classification using gray level co-occurrence matrix (GLCM) and radial basis function (RBF)
CN110412609B (zh) 一种多脉冲激光雷达目标检测方法
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
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
CN115409778A (zh) 一种用于红外小目标背景抑制后图像的阈值分割方法
CN106556827A (zh) 基于前向声散射的双发双收组网式目标探测系统及方法
CN110515065A (zh) 一种辐射噪声线谱源深度辨识方法
Letard et al. Classification of coastal and estuarine ecosystems using full-waveform topo-bathymetric lidar data and artificial intelligence

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