CN113011335A - 一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 - Google Patents
一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 Download PDFInfo
- Publication number
- CN113011335A CN113011335A CN202110295753.XA CN202110295753A CN113011335A CN 113011335 A CN113011335 A CN 113011335A CN 202110295753 A CN202110295753 A CN 202110295753A CN 113011335 A CN113011335 A CN 113011335A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- bridge
- corridor
- corridor bridge
- state
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000013459 approach Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000033001 locomotion Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于民航机场飞行区廊桥靠接航空器的自动识别方法，根据廊桥接机口的移动和折叠遮蓬的收放来分别判断廊桥靠近航空器开始、廊桥靠近航空器完成、廊桥撤离航空器开始和廊桥撤离航空器完成四个靠撤状态，并上报四个靠撤状态的各时间节点。本发明通过视频分析和深度学习算法，自动识别和判断出廊桥靠近航空器开始、靠近完成、撤离航空器开始、撤离完成四个状态，并上报各个状态的时间节点，从而确保航空器作业的规范性及安全性。
Description
技术领域
本发明涉及一种用于民航机场飞行区廊桥靠接航空器的自动识别方法。
背景技术
近几年来人工智能的蓬勃发展使得AI技术越来越接入到实际生活中，AI的自动识别技术在各个领域都有广泛的应用，它提高的生活生产效率，可以节约大量的人力物力成本。伴随着全球经济的高速发展人们对高效出行的要求越来越高，民航业在这样的背景下变得越来越繁荣。如今，各个机场每天都有大量的航班起飞降落，为了保障航空器和飞行区廊桥的对接，机场需要花费大量的资源监控航空器和飞行区廊桥的对接状态，目前采用的都是人工观察从而进行航空器和飞行区廊桥的靠接，但人工观察总是会有一定的误差，易发生事故。
发明内容
本发明所要解决的技术问题是通过视频分析和深度学习算法，自动识别和判断出廊桥靠近航空器开始、靠近完成、撤离航空器开始、撤离完成四个状态，并上报各个状态的时间节点，从而确保航空器作业的规范性及安全性。
本发明用于民航机场飞行区廊桥靠接航空器的自动识别方法是通过以下技术方案来实现的：根据廊桥接机口的移动和折叠遮蓬的收放来分别判断廊桥靠近航空器开始、廊桥靠近航空器完成、廊桥撤离航空器开始和廊桥撤离航空器完成四个靠撤状态，并上报四个靠撤状态的各时间节点，其具体步骤如下：
S1、当航空器停稳后，检测航空器机头和廊桥接机口的位置；
S2、根据航空器机头和廊桥的位置，生成廊桥监视区域和廊桥初始位置；
S3、实时检测廊桥监视区域，当廊桥发生移动时，触发廊桥靠近航空器开始状态并上报廊桥靠近航空器开始时间节点；
S4、廊桥靠近航空器开始状态触发后，监视廊桥接机口的移动状态，当廊桥接机口静止时，判断折叠遮蓬是否伸向航空器；当判断折叠遮蓬伸向航空器后，触发廊桥靠近航空器完成状态并上报廊桥靠近航空器完成时间节点；
S5、廊桥靠近航空器完成状态触发后，监视折叠遮蓬是否收回，当廊桥的折叠遮蓬收回后，触发廊桥撤离航空器开始状态并上报廊桥撤离航空器开始时间节点；
S6、廊桥撤离航空器开始状态触发后，监视廊桥接机口的移动状态，当廊桥接机口回到初始位置且处于静止状态，则触发廊桥撤离航空器完成状态并上报廊桥撤离航空器完成时间节点。
作为优选的技术方案，检测和识别航空器机头的位置方式为标注航空器机头数据，并采用TensorFlow框架搭建级联分类器MTCNN，然后清洗和增强航空器机头数据，调整模型参数，完成模型训练，最后获得一个针对航空器机头检测和识别MTCNN级联分类器。
作为优选的技术方案，检测和识别廊桥接机口的位置方式为标注廊桥接机口数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强廊桥接机口数据，调整模型参数，完成模型训练，最后获得一个针对廊桥接机口检测和识别MTCNN级联分类器。
作为优选的技术方案，廊桥的折叠遮蓬收放状态的判断方式为标注和制作廊桥折叠遮蓬收放状态数据，并采用TensorFlow框架搭建AlexNet二分类模型；然后清洗和增强飞廊桥折叠遮蓬收放状态数据，调整模型参数，完成模型训练，最后获得廊桥折叠遮蓬收放状态判断的AlexNet二分类模型
作为优选的技术方案，，
本发明的有益效果是：本发明通过视频分析和深度学习算法，自动识别和判断出廊桥靠近航空器开始、靠近完成、撤离航空器开始、撤离完成四个状态，并上报各个状态的时间节点，从而确保航空器作业的规范性及安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的平面结构示意图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书（包括任何附加权利要求、摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
在本发明的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如，如果将图中的设备翻转，则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此，示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向，并相应地解释本文使用的与空间相关的描述语。
在本发明中，除非另有明确的规定和限定，术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的一种用于民航机场飞行区廊桥靠接航空器的自动识别方法，当航空器停稳后，检测航空器机头所在位置，同时检测廊桥接机口所在位置，根据航空器机头位置和廊桥接机口位置生成廊桥接机口监测区域及廊桥初始位置。然后对廊桥接机口监测区域进行实时检测识别，并根据廊桥的移动和折叠遮蓬的收放来分别判断廊桥靠近航空器开始、廊桥靠近航空器完成、廊桥撤离航空器开始和廊桥撤离航空器完成四个靠撤状态，并上报四个靠撤状态的各时间节点，具体步骤如下：
S1、当航空器停稳后，检测航空器机头和廊桥接机口的位置；
S2、根据航空器机头和廊桥的位置，生成廊桥监视区域和廊桥初始位置，计算生成廊桥监视区域，方法如下：设航空器机头的宽为W1，高为H1，中心(Cx1,Cy1)；廊桥接机口的宽为W2，高为H2，中心(Cx2,Cy2)；则廊桥监视区域宽W=| Cx1- Cx2|+ W1+ W2，高H=2* W2，中心Cx=Min(Cx1, Cx2)+W/2，中心Cy=Cy2；记录廊桥接机口初始位置，取值方法为以廊桥桥接机中心为基点，0.5倍的廊桥接机口宽度为范围作为廊桥接机口初始位置；
S3、实时监测廊桥监视区域，当廊桥接机口离开初始位置后，判定廊桥发生移动，并触发廊桥靠近航空器开始状态并上报廊桥靠近航空器开始时间节点；
S4、廊桥靠近航空器开始状态触发后，监视廊桥的移动状态，当廊桥静止时，判断折叠遮蓬是否伸向航空器。当判断折叠遮蓬伸向航空器后，触发廊桥靠近航空器完成状态并上报廊桥靠近航空器完成时间节点；
S5、廊桥靠近航空器完成状态触发后，监视折叠遮蓬是否收回，当廊桥的折叠遮蓬收回后，触发廊桥撤离航空器开始状态并上报廊桥撤离航空器开始时间节点；
S6、廊桥撤离航空器开始状态触发后，监视廊桥的移动状态，当廊桥回到初始位置且处于静止状态，则触发廊桥撤离航空器完成状态并上报廊桥撤离航空器完成时间节点。
本实施例中，检测和识别航空器机头的位置方式为标注航空器机头数据，并采用TensorFlow框架搭建级联分类器MTCNN，然后清洗和增强航空器机头数据，调整模型参数，完成模型训练，最后获得一个针对航空器机头检测和识别MTCNN级联分类器；
本实施例中，检测和识别廊桥接机口的位置方式为标注廊桥接机口数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强廊桥接机口数据，调整模型参数，完成模型训练，最后获得一个针对廊桥接机口检测和识别MTCNN级联分类器。
本实施例中，廊桥的折叠遮蓬收放状态的判断方式为标注和制作廊桥折叠遮蓬收放状态数据，并采用TensorFlow框架搭建AlexNet二分类模型；然后清洗和增强飞廊桥折叠遮蓬收放状态数据，调整模型参数，完成模型训练，最后获得廊桥折叠遮蓬收放状态判断的AlexNet二分类模型。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (4)
1.一种用于民航机场飞行区廊桥靠接航空器的自动识别方法，其特征在于，根据廊桥接机口的移动和折叠遮蓬的收放来分别判断廊桥靠近航空器开始、廊桥靠近航空器完成、廊桥撤离航空器开始和廊桥撤离航空器完成四个靠撤状态，并上报四个靠撤状态的各时间节点，其具体步骤如下：
S1、当航空器停稳后，检测航空器机头和廊桥接机口的位置；
S2、根据航空器机头和廊桥的位置，生成廊桥监视区域和廊桥初始位置；
S3、实时检测廊桥监视区域，当廊桥发生移动时，触发廊桥靠近航空器开始状态并上报廊桥靠近航空器开始时间节点；
S4、廊桥靠近航空器开始状态触发后，监视廊桥接机口的移动状态，当廊桥接机口静止时，判断折叠遮蓬是否伸向航空器；当判断折叠遮蓬伸向航空器后，触发廊桥靠近航空器完成状态并上报廊桥靠近航空器完成时间节点；
S5、廊桥靠近航空器完成状态触发后，监视折叠遮蓬是否收回，当廊桥的折叠遮蓬收回后，触发廊桥撤离航空器开始状态并上报廊桥撤离航空器开始时间节点；
S6、廊桥撤离航空器开始状态触发后，监视廊桥接机口的移动状态，当廊桥接机口回到初始位置且处于静止状态，则触发廊桥撤离航空器完成状态并上报廊桥撤离航空器完成时间节点。
2.根据权利要求1所述的用于民航机场飞行区廊桥靠接航空器的自动识别方法，其特征在于：检测和识别航空器机头的位置方式为标注航空器机头数据，并采用TensorFlow框架搭建级联分类器MTCNN，然后清洗和增强航空器机头数据，调整模型参数，完成模型训练，最后获得一个针对航空器机头检测和识别MTCNN级联分类器。
3.根据权利要求1所述的用于民航机场飞行区廊桥靠接航空器的自动识别方法，其特征在于：检测和识别廊桥接机口的位置方式为标注廊桥接机口数据，并采用TensorFlow框架搭建级联分类器MTCNN；然后清洗和增强廊桥接机口数据，调整模型参数，完成模型训练，最后获得一个针对廊桥接机口检测和识别MTCNN级联分类器。
4.根据权利要求1所述的用于民航机场飞行区廊桥靠接航空器的自动识别方法，其特征在于：廊桥的折叠遮蓬收放状态的判断方式为标注和制作廊桥折叠遮蓬收放状态数据，并采用TensorFlow框架搭建AlexNet二分类模型；然后清洗和增强飞廊桥折叠遮蓬收放状态数据，调整模型参数，完成模型训练，最后获得廊桥折叠遮蓬收放状态判断的AlexNet二分类模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295753.XA CN113011335A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110295753.XA CN113011335A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113011335A true CN113011335A (zh) | 2021-06-22 |
Family
ID=76403177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110295753.XA Pending CN113011335A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113011335A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2606691A1 (en) * | 2006-10-31 | 2008-04-30 | Dew Engineering And Development Limited | Method for aligning one end of a passenger boarding bridge with a doorway of an aircraft |
| CN110210427A (zh) * | 2019-06-06 | 2019-09-06 | 中国民航科学技术研究院 | 一种基于图像处理技术的廊桥工作状态检测系统及方法 |
| JP2020066418A (ja) * | 2019-02-04 | 2020-04-30 | 三菱重工交通機器エンジニアリング株式会社 | ボーディングブリッジ及びボーディングブリッジ制御装置 |
| CN112265647A (zh) * | 2020-10-30 | 2021-01-26 | 深圳中集天达空港设备有限公司 | 登机桥的远程自动控制、装置、介质及电子设备 |
| CN112419790A (zh) * | 2020-11-05 | 2021-02-26 | 南京莱斯信息技术股份有限公司 | 一种飞机泊位离港状态检测方法 |
-
2021
- 2021-03-19 CN CN202110295753.XA patent/CN113011335A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2606691A1 (en) * | 2006-10-31 | 2008-04-30 | Dew Engineering And Development Limited | Method for aligning one end of a passenger boarding bridge with a doorway of an aircraft |
| JP2020066418A (ja) * | 2019-02-04 | 2020-04-30 | 三菱重工交通機器エンジニアリング株式会社 | ボーディングブリッジ及びボーディングブリッジ制御装置 |
| CN110210427A (zh) * | 2019-06-06 | 2019-09-06 | 中国民航科学技术研究院 | 一种基于图像处理技术的廊桥工作状态检测系统及方法 |
| CN112265647A (zh) * | 2020-10-30 | 2021-01-26 | 深圳中集天达空港设备有限公司 | 登机桥的远程自动控制、装置、介质及电子设备 |
| CN112419790A (zh) * | 2020-11-05 | 2021-02-26 | 南京莱斯信息技术股份有限公司 | 一种飞机泊位离港状态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109871786A (zh) | 一种航班地面保障作业规范流程检测系统 | |
| Balister et al. | Trap coverage: Allowing coverage holes of bounded diameter in wireless sensor networks | |
| CN107948296A (zh) | 一种基于蓝牙的室内定位系统及方法 | |
| CN106302798A (zh) | 一种变电站巡检通讯系统 | |
| CN112381778A (zh) | 一种基于深度学习的变电站安全管控平台 | |
| CN105989682A (zh) | 一种输电线路线下施工机械安全预警监控系统及监控方法 | |
| CN108280952A (zh) | 一种基于前景目标分割的旅客尾随监测方法 | |
| CN103021136A (zh) | 一种基于物联网的游泳池溺水监控系统及监控方法 | |
| CN204679863U (zh) | 基于多旋翼无人机的变电站智能巡检系统 | |
| CN108839036A (zh) | 家庭智能健康监护机器人 | |
| US20210231575A1 (en) | Integrated and automated video/structural health monitoring system | |
| CN108985143A (zh) | 一种基于无人机图像识别架空输电线路铁塔结构的方法 | |
| US11763566B2 (en) | Target association using occlusion analysis, clustering, or both | |
| CN109309809A (zh) | 跨区域目标轨迹跟踪的方法及数据处理方法、装置和系统 | |
| DE102010041548A1 (de) | Ortungssystem und Verfahren zur Bestimmung der Positionen von Gegenständen | |
| CN106527372A (zh) | 面向智能制造的车间调度智能体组 | |
| Prasad et al. | Review on Machine Vision based Insulator Inspection Systems for Power Distribution System. | |
| CN113011335A (zh) | 一种用于民航机场飞行区廊桥靠接航空器的自动识别方法 | |
| Wang et al. | A safety helmet and protective clothing detection method based on improved-yolo v 3 | |
| CN107587526B (zh) | 一种基于无人机的智能井盖系统及其控制方法 | |
| CN113419211A (zh) | 一种射频定位方法、电子设备及存储介质 | |
| Wang et al. | Worker’s helmet recognition and identity recognition based on deep learning | |
| Li et al. | Application research of artificial intelligent technology in substation inspection tour | |
| CN117313289B (zh) | 基于机场障碍物限制面数据的电网线路评估方法及系统 | |
| EP4158533A1 (en) | Precipitation removal from video |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |