CN112349150B - 一种机场航班保障时间节点的视频采集方法和系统 - Google Patents

一种机场航班保障时间节点的视频采集方法和系统 Download PDF

Info

Publication number
CN112349150B
CN112349150B CN202011304488.9A CN202011304488A CN112349150B CN 112349150 B CN112349150 B CN 112349150B CN 202011304488 A CN202011304488 A CN 202011304488A CN 112349150 B CN112349150 B CN 112349150B
Authority
CN
China
Prior art keywords
confidence coefficient
confidence
neural network
flight guarantee
network model
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
CN202011304488.9A
Other languages
English (en)
Other versions
CN112349150A (zh
Inventor
张�浩
谢磊
朱睿
宣彤
郑洪峰
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.)
Variflight Technology Co ltd
Original Assignee
Variflight 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 Variflight Technology Co ltd filed Critical Variflight Technology Co ltd
Priority to CN202011304488.9A priority Critical patent/CN112349150B/zh
Publication of CN112349150A publication Critical patent/CN112349150A/zh
Application granted granted Critical
Publication of CN112349150B publication Critical patent/CN112349150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • G08G5/0082—Surveillance aids for monitoring traffic from a ground station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Studio Devices (AREA)

Abstract

本发明公开了一种机场航班保障时间节点的视频采集方法和系统，根据安装在廊桥顶部的第一摄像机获取的第一图像并采用第一神经网络模型进行分析得到第一置信度，再根据安装在廊桥内部的第二摄像机获取的第二图像并采用第二神经网络模型进行分析得到第二置信度，根据第一置信度和第二置信度进行合成得到合成置信度，确定合成置信度所对应的航班保障状态的可靠性，从而更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点。通过第一摄像机和第二摄像机对飞机是否处于停机位以及飞机是否靠廊桥的状态进行联合验证，保证了四个关键节点的准确性，从而有效提升视频采集在各种气象条件下、各个时段的准确率。

Description

一种机场航班保障时间节点的视频采集方法和系统
技术领域
本发明涉及航班地服保障技术领域，尤其涉及一种机场航班保障时间节点的视频采集方法和系统。
背景技术
机场航班地服保障是机场管理的重要智能工作。在机场航班保障过程中包括多个保障节点，例如，飞机入位、上轮挡、加油开始、加油结束、配餐开始、配餐结束、撤轮挡、飞机推出等，这些保障节点都是根据飞机是否在停机位以及是否靠廊桥这两个状态的基础上进行判定的。针对机场航班保障节点的自动采集，可以通过安装摄像机来拍摄飞机和保障车辆，通过视频分析和图像深度学习等计算机视觉技术，实现航班节点采集。通常，飞机是否在停机位以及是否靠廊桥这两个状态，都是通过廊桥顶部的摄像机获取图像并经过计算机视觉技术得到，在雨雪雾等恶劣天气条件下，安装在廊桥顶部的摄像机可能出现拍摄模糊现象，从而对以上两个状态的识别或者产生错误，进一步影响整个航班保障流程的顺利开展。
发明内容
为解决背景技术中存在的技术问题，本发明提出一种机场航班保障时间节点的视频采集方法和系统。
本发明提出了一种机场航班保障时间节点的视频采集方法，包括：
配置第一神经网络模型和第二神经网络模型；第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥；
获取第一图像采集装置采集的第一图像，根据第一神经网络模型得到第一图像所在航班保障状态的第一置信度；
判断第一置信度的可靠性，在第一置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点；
在第一置信度的可靠性结果为否时，获取第二图像采集装置采集的第二图像，根据第二神经网络模型得到第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度；
判断合成置信度的可靠性；在合成置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点。
所述判断第一置信度的可靠性，具体包括：判断第一置信度与预设置信值的关系；在第一置信度大于预设置信值时，第一置信度的可靠性结果为是，更新对应的航班保障状态；在第一置信度小于预设置信值时，第一置信度的可靠性结果为否。
所述判断合成置信度的可靠性，具体包括：判断合成置信度与预设置信值的关系；在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，更新对应的航班保障状态；在合成置信度小于预设置信值时，结束流程。
在进一步实施例中，所述对第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure BDA0002787912800000021
c(X|A)为根据第一神经网络模型得到的第一置信度，
c(X|B)为根据第二神经网络模型得到的第二置信度，
δ(A)为第一神经网络模型的支持度；
δ(B)为第二神经网络模型的支持度。
δ(A)和δ(B)分别由第一神经网络模型和第二神经网络模型的准确率相关，其可以设置为经验值。
所述配置第一神经网络模型，具体包括：根据第一图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；优选地，第一图像采集装置是安装在廊桥顶部的第一摄像机；优选地，所述深度学习框架为Caffe框架；
优选地，所述配置第二神经网络模型，具体包括：根据第二图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；优选地，第二图像采集装置是安装在廊桥内部的第二摄像机；优选地，所述深度学习框架为Caffe框架。
本发明实施例还提出了一种机场航班保障时间节点的视频采集系统，包括：
模型配置模块：用于配置第一神经网络模型和第二神经网络模型；第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥；
第一处理模块，用于根据第一神经网络模型得到第一图像采集装置采集的第一图像所在航班保障状态的第一置信度，
第一判断模块，用于判断第一置信度的可靠性，在第一置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点；
第二处理模块，在第一置信度的可靠性结果为否时，用于根据第二神经网络模型得到第二图像采集装置采集的第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度；
第二判断模块，用于判断合成置信度的可靠性，在合成置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点。
所述第一判断模块具体用于：判断第一置信度与预设置信值的关系；在第一置信度大于预设置信值时，第一置信度的可靠性结果为是，更新对应的航班保障状态；在第一置信度小于预设置信值时，第一置信度的可靠性结果为否。
所述第二判断模块具体用于：判断合成置信度与预设置信值的关系；在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，更新对应的航班保障状态；在合成置信度小于预设置信值时，结束流程。
所述第二处理模块具体用于，对第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure BDA0002787912800000041
c(X|A)为根据第一神经网络模型得到的第一置信度；
c(X|B)为根据第二神经网络模型得到的第二置信度；
δ(A)为第一神经网络模型的支持度；
δ(B)为第二神经网络模型的支持度。
优选地，所述模型配置模块具体用于：根据第一图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；优选地，第一图像采集装置是安装在廊桥顶部的第一摄像机；优选地，所述深度学习框架为Caffe框架；
优选地，所述模型配置模块具体用于：根据第二图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；第二图像采集装置是安装在廊桥内部的第二摄像机；优选地，所述深度学习框架为Caffe框架。
本发明中，根据安装在廊桥顶部的第一摄像机获取的第一图像并采用第一神经网络模型进行分析得到第一置信度，再根据安装在廊桥内部的第二摄像机获取的第二图像并采用第二神经网络模型进行分析得到第二置信度，根据第一置信度和第二置信度进行合成得到合成置信度，确定合成置信度所对应的航班保障状态的可靠性，从而更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点。通过第一摄像机和第二摄像机对飞机是否处于停机位以及飞机是否靠廊桥的状态进行联合验证，保证了飞机入位、靠廊桥、撤廊桥、飞机离开这四个关键时间节点的准确性，从而保证了整个航班保障工作在各种气象条件下各个时段的准确开展。
附图说明
图1为本发明提出的一种机场航班保障时间节点的视频采集方法的流程示意图。
具体实施方式
如图1所示，图1为本发明提出的一种机场航班保障时间节点的视频采集方法的流程示意图。
参照图1，本发明提出的一种机场航班保障时间节点的视频采集方法，包括：
S1、配置第一神经网络模型和第二神经网络模型。
第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥。
第一图像采集装置为安装在廊桥顶部的第一摄像机，第二图像采集装置是安装在廊桥内部的第二摄像机。
图像采集。通过第一摄像机和第二摄像机获取停机位的图像。可以设置每隔预定时间获取一次图像，例如，每隔15秒截取一次图像，图像采集范围应包括各种气象条件下各个时段的图像。
图像预处理。根据采集到的海量图像数据进行图像预处理。预处理包括对图像进行切割，根据像素差异检查图像相似度，去除相似度大于S的图像，等等。
图像标注。对预处理过的图像进行标注。对于廊桥顶部的第一摄像机获得的图像和廊桥内部的第二摄像机获取的图像，按照飞机入位、飞机靠廊桥、飞机撤廊桥、飞机离开四个保障状态进行标注和分类。
神经网络模型学习训练。对标注过的图像，使用Caffe框架进行迁移学习训练，根据第一图像采集装置采集的航班保障状态图像进行学习训练得到第一神经模型，根据第二图像采集装置采集的航班保障状态图像进行学习训练得到第二神经网络模型。
S2、获取第一图像采集装置采集的第一图像，根据第一神经网络模型得到第一图像所在航班保障状态的第一置信度；
根据安装在廊桥顶部的第一摄像机获取的第一图像，具体地可以设置每隔预定时间获取一次图像，采用第一神经网络模型进行分析，得到关于飞机是否处于停机位以及飞机是否靠廊桥状态的第一置信度。
S3、判断第一置信度的可靠性，确定目标保障节点。
通过判断第一置信度与预设置信值的关系确定第一置信度的可靠性。
在第一置信度大于等于预设置信值时，第一置信度的可靠性结果为是，则通过第一摄像机获得的图像可以准确地反映航班所处的保障状态，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点，如果状态没有发生变化，则无需上报时间节点。
在第一置信度小于预设置信值时，第一置信度的可靠性结果为否，则通过第一摄像机获得的图像出现异常情况，例如，图像丢失，图像模糊，图像异常等，不能准确地反映航班所处的保障状态，执行S4。
在具体实施例中，可以设置预设置信度为经验值0.9，当第一置信度大于等于0.9时，判断第一置信度的可靠性结果为时，更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点；否则，第一置信度的可靠性结果为否。
S4、获取第二图像采集装置采集的第二图像，根据第二神经网络模型得到第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度。
根据安装在廊桥内部的第二摄像机获取的第二图像，具体地可以设置每隔预定时间获取一次图像，采用第二神经网络模型进行分析，得到关于飞机是否处于停机位以及飞机是否靠廊桥状态的第二置信度；
根据第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure BDA0002787912800000071
c(X|A)为根据第一神经网络模型得到的第一置信度，
c(X|B)为根据第二神经网络模型得到的第二置信度，
δ(A)为第一神经网络模型的支持度，
δ(B)为第二神经网络模型的支持度。
S5、判断合成置信度的可靠性，确定目标保障节点。
通过判断合成置信度与预设置信值的关系确定第二置信度的可靠性。
在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，则通过第一摄像机和第二摄像机获得的图像并进行置信度合成可以准确地反映航班所处的保障状态，更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点，如果状态没有发生变化，则无需上报时间节点。
在合成置信度小于预设置信值时，合成置信度的可靠性结果为否，结束流程。
在具体实施例中，对两次神经网络模型分析的置信度进行合成，当合成置信度大于等于0.9时，更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点；如果合成置信度小于0.9，流程结束。
在本实施例中，根据安装在廊桥顶部的第一摄像机获取的第一图像并采用第一神经网络模型进行分析得到第一置信度，再根据安装在廊桥内部的第二摄像机获取的第二图像并采用第二神经网络模型进行分析得到第二置信度，根据第一置信度和第二置信度进行合成得到合成置信度，确定合成置信度所对应的航班保障状态的可靠性，从而更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点。通过第一摄像机和第二摄像机对飞机是否处于停机位以及飞机是否靠廊桥的状态进行联合验证，保证了飞机入位、飞机靠廊桥、飞机撤廊桥、飞机离开这四个关键时间节点的准确性，从而保证了整个航班保障工作在各种气象条件下各个时段的准确开展。
基于上述机场航班保障时间节点的视频采集方法，本发明实施例还提出了一种机场航班保障时间节点的视频采集系统，包括：
模型配置模块：用于配置第一神经网络模型和第二神经网络模型；第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥；
第一处理模块，用于根据第一神经网络模型得到第一图像采集装置采集的第一图像所在航班保障状态的第一置信度，
第一判断模块，用于判断第一置信度的可靠性；具体地，判断第一置信度与预设置信值的关系；在第一置信度大于预设置信值时，第一置信度的可靠性结果为是，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点，如果状态没有发生变化，则无需上报时间节点；在第一置信度小于预设置信值时，第一置信度的可靠性结果为否；
第二处理模块，在第一置信度的可靠性为否时，用于根据第二神经网络模型得到第二图像采集装置采集的第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度；
第二判断模块，用于判断合成置信度的可靠性；具体地，判断合成置信度与预设置信值的关系；在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点，如果状态没有发生变化，则无需上报时间节点；在合成置信度小于预设置信值时，结束流程。
在具体实施例中，第二处理模块对第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure BDA0002787912800000091
c(X|A)为根据第一神经网络模型得到的第一置信度；
c(X|B)为根据第二神经网络模型得到的第二置信度；
δ(A)为第一神经网络模型的支持度；
δ(B)为第二神经网络模型的支持度。
在具体实施例中，模型配置模块具体用于：根据第一图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架Caffe进行学习训练得到。其中，第一图像采集装置是安装在廊桥顶部的第一摄像机。
在具体实施例中，模型配置模块具体用于：根据第二图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架Caffe进行学习训练得到。其中，第二图像采集装置是安装在廊桥内部的第二摄像机。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种机场航班保障时间节点的视频采集方法，其特征在于，包括：
配置第一神经网络模型和第二神经网络模型；第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥；
获取第一图像采集装置采集的第一图像，根据第一神经网络模型得到第一图像所在航班保障状态的第一置信度；
判断第一置信度的可靠性，在第一置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点；
在第一置信度的可靠性结果为否时，获取第二图像采集装置采集的第二图像，根据第二神经网络模型得到第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度；
判断合成置信度的可靠性；在合成置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障时间节点；
所述对第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure DEST_PATH_IMAGE001
Figure 649401DEST_PATH_IMAGE002
为根据第一神经网络模型得到的第一置信度，
Figure 179739DEST_PATH_IMAGE003
为根据第二神经网络模型得到的第二置信度，
Figure 198511DEST_PATH_IMAGE004
为第一神经网络模型的支持度，
Figure 938934DEST_PATH_IMAGE006
为第二神经网络模型的支持度。
2.根据权利要求1所述的机场航班保障时间节点的视频采集方法，其特征在于，所述判断第一置信度的可靠性，具体包括：判断第一置信度与预设置信值的关系；
在第一置信度大于预设置信值时，第一置信度的可靠性结果为是，更新对应的航班保障状态；
在第一置信度小于预设置信值时，第一置信度的可靠性结果为否。
3.根据权利要求1所述的机场航班保障时间节点的视频采集方法，其特征在于，所述判断合成置信度的可靠性，具体包括：
判断合成置信度与预设置信值的关系；
在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，更新对应的航班保障状态；
在合成置信度小于预设置信值时，结束流程。
4.根据权利要求1所述的机场航班保障时间节点的视频采集方法，其特征在于，所述配置第一神经网络模型，具体包括：根据第一图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；第一图像采集装置是安装在廊桥顶部的第一摄像机；所述深度学习框架为Caffe框架；
所述配置第二神经网络模型，具体包括：根据第二图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；第二图像采集装置是安装在廊桥内部的第二摄像机；所述深度学习框架为Caffe框架。
5.一种机场航班保障时间节点的视频采集系统，其特征在于，包括：
模型配置模块：用于配置第一神经网络模型和第二神经网络模型；第一神经模型是根据第一图像采集装置采集的航班保障状态图像进行学习训练得到，第二神经网络模型是根据第二图像采集装置采集的航班保障状态图像进行学习训练得到，所述航班保障状态包括飞机是否处于停机位以及飞机是否靠廊桥；
第一处理模块，用于根据第一神经网络模型得到第一图像采集装置采集的第一图像所在航班保障状态的第一置信度，
第一判断模块，用于判断第一置信度的可靠性，在第一置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点；
第二处理模块，在第一置信度的可靠性结果为否时，用于根据第二神经网络模型得到第二图像采集装置采集的第二图像所在航班保障状态的第二置信度，对第一置信度和第二置信度进行合成得到合成置信度；
第二判断模块，用于判断合成置信度的可靠性，在合成置信度的可靠性结果为是时，更新对应的航班保障状态，如果状态发生变化，上报航班保障的时间节点；
所述第二处理模块具体用于，对第一置信度和第二置信度进行合成得到合成置信度，其计算公式为：
Figure 701353DEST_PATH_IMAGE007
Figure 227144DEST_PATH_IMAGE008
为根据第一神经网络模型得到的第一置信度；
Figure 885658DEST_PATH_IMAGE009
为根据第二神经网络模型得到的第二置信度；
Figure 378956DEST_PATH_IMAGE010
为第一神经网络模型的支持度；
Figure 413908DEST_PATH_IMAGE006
为第二神经网络模型的支持度。
6.根据权利要求5所述的机场航班保障时间节点的视频采集系统，其特征在于，所述第一判断模块具体用于：判断第一置信度与预设置信值的关系；
在第一置信度大于预设置信值时，第一置信度的可靠性结果为是，更新对应的航班保障状态；
在第一置信度小于预设置信值时，第一置信度的可靠性结果为否。
7.根据权利要求5所述的机场航班保障时间节点的视频采集系统，其特征在于，所述第二判断模块具体用于：判断合成置信度与预设置信值的关系；
在合成置信度大于预设置信值时，合成置信度的可靠性结果为是，更新对应的航班保障状态；
在合成置信度小于预设置信值时，结束流程。
8.根据权利要求5所述的机场航班保障时间节点的视频采集系统，其特征在于，所述模型配置模块具体用于：根据第一图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；第一图像采集装置是安装在廊桥顶部的第一摄像机；所述深度学习框架为Caffe框架；
所述模型配置模块具体用于：根据第二图像采集装置在预设时间采集的航班保障状态图像，进行图像预处理和状态标注，使用深度学习框架进行学习训练得到；第二图像采集装置是安装在廊桥内部的第二摄像机；所述深度学习框架为Caffe框架。
CN202011304488.9A 2020-11-19 2020-11-19 一种机场航班保障时间节点的视频采集方法和系统 Active CN112349150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011304488.9A CN112349150B (zh) 2020-11-19 2020-11-19 一种机场航班保障时间节点的视频采集方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011304488.9A CN112349150B (zh) 2020-11-19 2020-11-19 一种机场航班保障时间节点的视频采集方法和系统

Publications (2)

Publication Number Publication Date
CN112349150A CN112349150A (zh) 2021-02-09
CN112349150B true CN112349150B (zh) 2022-05-20

Family

ID=74364320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011304488.9A Active CN112349150B (zh) 2020-11-19 2020-11-19 一种机场航班保障时间节点的视频采集方法和系统

Country Status (1)

Country Link
CN (1) CN112349150B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095779A (zh) * 2021-04-09 2021-07-09 飞友科技有限公司 一种可配置的航班保障时间推算方法和系统
CN113590766B (zh) * 2021-09-28 2021-12-17 中国电子科技集团公司第二十八研究所 一种基于多模态数据融合的航班推出状态监视方法
CN114266999B (zh) * 2021-12-29 2024-02-02 北京航易智汇科技有限公司 一种飞机轮档时间自动检测系统及方法
US20240020623A1 (en) * 2022-07-18 2024-01-18 Birdseye Security Inc. Multi-tiered transportation identification system

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219488A (zh) * 2013-05-31 2014-12-17 索尼公司 目标图像的生成方法和装置、以及视频监控系统
CN106251710A (zh) * 2016-10-08 2016-12-21 合肥飞友网络科技有限公司 一种通过车辆位置计算航班保障节点时间的方法
CN106339481A (zh) * 2016-08-30 2017-01-18 电子科技大学 基于最大置信度的中文复合新词发现方法
CN107729807A (zh) * 2017-09-05 2018-02-23 南京理工大学 一体化防外破目标识别与智能预警系统
CN109871786A (zh) * 2019-01-30 2019-06-11 浙江大学 一种航班地面保障作业规范流程检测系统
CN109887343A (zh) * 2019-04-04 2019-06-14 中国民航科学技术研究院 一种航班地服保障节点自动采集监测系统及方法
CN110751133A (zh) * 2019-12-03 2020-02-04 清华大学苏州汽车研究院（吴江） 一种道路交通标志提示系统
CN111832345A (zh) * 2019-04-17 2020-10-27 杭州海康威视数字技术股份有限公司 集装箱监控方法、装置及设备、存储介质

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2932279B1 (fr) * 2008-06-10 2011-08-19 Thales Sa Dispositif et procede de surveillance des obstructions dans l'environnement proche d'un aeronef.
US10740608B2 (en) * 2012-06-13 2020-08-11 San Diego State University Research Foundation Wide area intermittent video using non-orthorectified feature matching in long period aerial image capture with pixel-based georeferencing
JP5980294B2 (ja) * 2014-10-27 2016-08-31 キヤノン株式会社 データ処理装置、撮像装置、およびデータ処理方法
JP6496966B2 (ja) * 2014-10-27 2019-04-10 日本無線株式会社 運航状況表示システム及び運航状況表示方法
CN104966279B (zh) * 2015-06-15 2017-09-26 鲁东大学 一种基于局部结构特征的图像合成修复方法及系统
CN105654509A (zh) * 2015-12-25 2016-06-08 燕山大学 基于复合深度神经网络的运动跟踪方法
CN107871134A (zh) * 2016-09-23 2018-04-03 北京眼神科技有限公司 一种人脸检测方法及装置
CN107256267B (zh) * 2017-06-19 2020-07-24 北京百度网讯科技有限公司 查询方法和装置
CN107134279B (zh) * 2017-06-30 2020-06-19 百度在线网络技术（北京）有限公司 一种语音唤醒方法、装置、终端和存储介质
US10685229B2 (en) * 2017-12-21 2020-06-16 Wing Aviation Llc Image based localization for unmanned aerial vehicles, and associated systems and methods
CN108509521B (zh) * 2018-03-12 2020-02-18 华南理工大学 一种自动生成文本索引的图像检索方法
CN108710868B (zh) * 2018-06-05 2020-09-04 中国石油大学(华东) 一种基于复杂场景下的人体关键点检测系统及方法
CN111178116A (zh) * 2018-11-12 2020-05-19 杭州海康威视数字技术股份有限公司 无人售货方法、监控摄像机及系统
WO2020103108A1 (zh) * 2018-11-22 2020-05-28 深圳市大疆创新科技有限公司 一种语义生成方法、设备、飞行器及存储介质
CN111263224B (zh) * 2018-11-30 2022-07-15 阿里巴巴集团控股有限公司 视频处理方法、装置及电子设备
CN109375235B (zh) * 2018-11-30 2020-05-12 武汉理工大学 基于深度强化神经网络的内河船舶干舷检测方法
CN109815957A (zh) * 2019-01-30 2019-05-28 邓悟 一种基于彩色图像在复杂背景下的文字识别方法
CN110781836A (zh) * 2019-10-28 2020-02-11 深圳市赛为智能股份有限公司 人体识别方法、装置、计算机设备及存储介质
CN110853410B (zh) * 2019-10-30 2022-02-01 中国航空工业集团公司洛阳电光设备研究所 一种用于机载合成视景指引系统的监控单元及监控方法
CN110836649B (zh) * 2019-11-11 2021-05-18 汕头市超声仪器研究所股份有限公司 一种自适应的空间复合超声成像方法
CN111275592B (zh) * 2020-01-16 2023-04-18 浙江工业大学 一种基于视频图像的课堂行为分析方法
CN111461056A (zh) * 2020-04-15 2020-07-28 北京罗克维尔斯科技有限公司 一种样本数据获取方法和装置
CN111597970B (zh) * 2020-05-14 2023-05-02 中国银行股份有限公司 异常行为的识别方法及装置
CN111832820A (zh) * 2020-07-09 2020-10-27 飞友科技有限公司 一种预测机场各登机口人流量的方法和系统
CN111898541A (zh) * 2020-07-31 2020-11-06 中科蓝海(扬州)智能视觉科技有限公司 一种航吊安全作业智能视觉监警系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104219488A (zh) * 2013-05-31 2014-12-17 索尼公司 目标图像的生成方法和装置、以及视频监控系统
CN106339481A (zh) * 2016-08-30 2017-01-18 电子科技大学 基于最大置信度的中文复合新词发现方法
CN106251710A (zh) * 2016-10-08 2016-12-21 合肥飞友网络科技有限公司 一种通过车辆位置计算航班保障节点时间的方法
CN107729807A (zh) * 2017-09-05 2018-02-23 南京理工大学 一体化防外破目标识别与智能预警系统
CN109871786A (zh) * 2019-01-30 2019-06-11 浙江大学 一种航班地面保障作业规范流程检测系统
CN109887343A (zh) * 2019-04-04 2019-06-14 中国民航科学技术研究院 一种航班地服保障节点自动采集监测系统及方法
CN111832345A (zh) * 2019-04-17 2020-10-27 杭州海康威视数字技术股份有限公司 集装箱监控方法、装置及设备、存储介质
CN110751133A (zh) * 2019-12-03 2020-02-04 清华大学苏州汽车研究院（吴江） 一种道路交通标志提示系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Xiaoyan Cui .An algorithm of apriori based on medical big data and cloud computing.《Proceedings of CCIS2016》.2016,361-365. *
加权关联规则算法在图像标注领域中的应用;于蕾;《软件导刊》;20161027;130-133 *
面向小样本不平衡数据的生物医学事件抽取方法研究;路扬;《中国优秀博士学位论文全文数据库基础科学辑》;20200215;A006-76 *

Also Published As

Publication number Publication date
CN112349150A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN112349150B (zh) 一种机场航班保障时间节点的视频采集方法和系统
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
KR102094341B1 (ko) 인공지능 기반의 도로 노면 불량 객체 정보 분석 시스템 및 방법
CN110415544B (zh) 一种灾害天气预警方法及汽车ar-hud系统
CN114299417A (zh) 一种基于雷视融合的多目标跟踪方法
CN115943439A (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
CN104615986A (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN113449632B (zh) 一种基于融合感知的视觉与雷达感知算法优化方法、系统及汽车
CN111753610B (zh) 天气识别方法及装置
CN112991425B (zh) 一种水域水位提取方法、系统及存储介质
CN116597404B (zh) 基于多源传感器融合的可持续道路异常检测方法与系统
CN117576394A (zh) 一种利用全局信息提升地类语义分割的方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
WO2024152477A1 (zh) 一种基于多尺度特征解耦的机场飞行区目标实时检测方法
CN106874928A (zh) 跟踪目标突发关键事件自动判决方法及系统
CN113313016B (zh) 摄像头脏污识别方法、电子设备及车辆
US20210279480A1 (en) Data collection apparatus
CN108062861B (zh) 一种智能交通监控系统
CN105447496A (zh) 一种基于机器视觉的入坞飞机机型识别验证方法和系统
CN113139984B (zh) 检测与跟踪融合的长时间无人机目标跟踪方法及系统
CN116630900B (zh) 基于机器学习的客运站旅客流线识别方法、系统及设备
CN117590863B (zh) 一种5g安防救援网联的无人机云边端协同控制系统
CN118425955B (zh) 基于多传感器数据融合的掘进工作面目标检测方法
Gatter Classifying self-cast shadow regions in aerial camera images
Power Data Driven Mission Planning: Airborne Marine Megafauna Survey

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Video Acquisition Method and System for Airport Flight Support Time Nodes

Effective date of registration: 20231225

Granted publication date: 20220520

Pledgee: Anhui pilot Free Trade Zone Hefei area sub branch of Huishang Bank Co.,Ltd.

Pledgor: VARIFLIGHT TECHNOLOGY CO.,LTD.

Registration number: Y2023980074312

PE01 Entry into force of the registration of the contract for pledge of patent right