CN113762067A - 一种机场板块的识别方法 - Google Patents

一种机场板块的识别方法 Download PDF

Info

Publication number
CN113762067A
CN113762067A CN202110824807.7A CN202110824807A CN113762067A CN 113762067 A CN113762067 A CN 113762067A CN 202110824807 A CN202110824807 A CN 202110824807A CN 113762067 A CN113762067 A CN 113762067A
Authority
CN
China
Prior art keywords
line
connecting line
lines
slope
airport
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
Application number
CN202110824807.7A
Other languages
English (en)
Other versions
CN113762067B (zh
Inventor
李鹏程
费越
黄敏
余世杰
桂仲成
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.)
Shanghai Guimu Robot Co ltd
Original Assignee
Shanghai Guimu Robot 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 Shanghai Guimu Robot Co ltd filed Critical Shanghai Guimu Robot Co ltd
Priority to CN202110824807.7A priority Critical patent/CN113762067B/zh
Publication of CN113762067A publication Critical patent/CN113762067A/zh
Application granted granted Critical
Publication of CN113762067B publication Critical patent/CN113762067B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种机场板块的识别方法，包括：采用网络模型识别得到N个板缝框；取短边中点连接线；预设连接线的斜率间隔阈值，并对任一连接线Li进行分类，得到大类类别Ci；在任一大类类别Ci内，对斜率相同的连接线进行共线判断，并将斜率相同的连接线分为M类；对任一Mj类的连接线进行直线拟合；对任一大类类别Ci内的直线进行排序；对任一大类类别Ci内的直线进行拟合；以含有最多的板缝框短边中点的连接线的直线为基准，并向直线的两侧进行长度判断，以求得数个横向板缝线和纵向板缝线；根据相邻的横向板缝线和纵向板缝线，求得任一机场板块的四个角点，并作为机场板块的四个端点。

Description

一种机场板块的识别方法
技术领域
本发明涉及机场道面检测技术领域，尤其是一种机场板块的识别方法。
背景技术
本文是用于机场道面板块表观病害检测，在检测时，需要对机场道面板块进行识别划分。但是，现有技术中暂无可靠的识别算法。
因此，急需要提出一种逻辑简单、准确可靠的机场板块的识别方法。
发明内容
针对上述问题，本发明的目的在于提供一种机场板块的识别方法，本发明采用的技术方案如下：
一种机场板块的识别方法，包括以下步骤：
采用Faster-RCNN网络模型识别得到N个板缝框，并记第i个板缝框为Si，i小于N；所述N为大于1的自然数；
根据板缝框Si求得板缝框的短边中点的连接线Li；
预设连接线的斜率间隔阈值，并对任一连接线Li进行分类，得到连接线Li的大类类别Ci；
在任一大类类别Ci内，对斜率相同的连接线进行共线判断，并将斜率相同的连接线分为M类，记斜率相同且非共线的连接线的第j个类为Mj；
对任一大类类别Ci内的任一Mj类的连接线进行直线拟合；
对任一大类类别Ci内的直线进行排序；
对任一大类类别Ci内的直线进行拟合，得到第二直线集合；
以第二直线集合中含有最多的板缝框短边中点的连接线的直线为基准，并向该直线的两侧进行长度判断，以求得数个横向板缝线和纵向板缝线；
根据相邻的横向板缝线和纵向板缝线，求得任一机场板块的四个角点，并作为机场板块的四个端点。
优选地，所述斜率间隔阈值为0.5。
进一步地，所述机场板块的识别方法，还包括若大类类别Ci内的连接线Li数量小于2，则剔除该类别。
进一步地，所述对斜率相同的连接线进行共线判断，包括以下步骤:
连接线Li1和连接线Li2均属于连接线Li，且连接线Li1和连接线Li2的斜率相同；
在连接线Li1上等距提取K个点，求得K个点与连接线Li2的距离；
若
Figure BDA0003171380000000021
且连接线Li1与连接线Li2共线；
其中，DS表示相邻点之间的间距，
Figure BDA0003171380000000022
表示第Kn个点与连接线Li2的距离，
Figure BDA0003171380000000023
表示第Kn+1个点与连接线Li2的距离，DP表示距离误差值，其取值为0.2；所述K为大于2的自然数；所述n为大于K的自然数。
优选地，所述K取值为10。
优选地，采用最小二乘法进行直线拟合。
进一步地，对任一大类类别Ci内的直线进行排序，包括以下步骤：
连接线Lim和连接线Lit属于同一大类类别Ci，且均属于连接线Li；
连接线Lim和连接线Lit的平均斜率为：
Figure BDA0003171380000000024
所述kim为连接线Lim的斜率；kit为连接线Lit的斜率；
连接线Lim和连接线Lit的平均点为：
Figure BDA0003171380000000025
所述(xim1,yim1)、(xim2,yim2)为连接线Lim的端点；所述(xit1,yit1)、(xit2,yit2)为连接线Lit的端点；
根据连接线Lim和连接线Lit的平均斜率和平均点，并由点斜式求出平均垂线c，平均垂线c的直线方程常数A、B和C的表达式：
Figure BDA0003171380000000031
Figure BDA0003171380000000032
C＝-A×centerP(x)-B×centerP(y)
求得平均垂线c与连接线Lim的交点crossPA(x,y)，平均垂线c与连接线Lit的交点crossPB(x,y)；
若连接线Lim和连接线Lit的平均斜率大于或等于1，则以连接线Lim和连接线Lit的横坐标的值大小进行排列；否则，以连接线Lim和连接线Lit的纵坐标的值大小进行排列。
与现有技术相比，本发明具有以下有益效果：
(1)本发明通过板缝框中线的斜率进行分类，并对相同斜率的连接线进行共线判断，以实现同斜率内的共线判断，为后续直线拟合提供理论支撑，其逻辑简单、准确可靠；
(2)本发明通过预设斜率间隔阈值，以实现横向、纵向的连接线的分类，并且对去掉板缝框中线数量小于2条的图像，以提高数据处理的效率；
(3)本发明通过对同一斜率大类的直线进行排序，，将同一方向的板缝线聚类到一起，提高效率与准确性。
(4)本发明采用多种异常数据过滤的方式，如分离孤立集合：将集合数量小于正常水平的筛掉；如结合机场实际，找准最可信的基准线，向两边扩散过滤不符合实际的集合。从而保证在板缝自动识别情况存在遗漏或者误检的情况下，也能实现精准的板块自动划分。
综上所述，本发明具有逻辑简单、准确可靠等优点，在机场道面检测技术领域具有很高的实用价值和推广价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需使用的附图作简单介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对保护范围的限定，对于本领域技术人员来说，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相关的附图。
图1为本发明的板缝示意图。
图2为本发明的板缝框中线示意图。
图3为本发明的斜率分类示意图。
图4为本发明的共线判断示意图。
图5为本发明的板缝识别示意图。
具体实施方式
为使本申请的目的、技术方案和优点更为清楚，下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1至图5所示，本实施例提供了一种机场板块的识别方法，其包括以下步骤：
第一步，采用Faster-RCNN识别板缝,并记录板缝bbox位置；如图1所示，在一条跑道上，可以识别出N个板缝框，并记第i个板缝框为Si，i小于N；所述N为大于1的自然数。
第二步，根据板缝框Si求得板缝框的短边中点的连接线Li，其端点为headP、tailP；如图2所示，矩形框即使板缝框，虚线即是短边中点连接线。
第三步，预设连接线的斜率间隔阈值(slopThres＝0.5)，并对任一连接线Li进行分类，得到连接线Li的大类类别Ci；如图3所示，即每间隔0.5划分为一类。横向为一类，纵向为一类，斜向为一类。为了减少计算工作量，过滤异常小类，对该类板缝框中线数量小于2条的扔掉。
第四步，在任一大类类别Ci内，对斜率相同的连接线进行共线判断，并将斜率相同的连接线分为M类，记斜率相同且非共线的连接线的第j个类为Mj；
具体来说：
连接线Li1和连接线Li2均属于连接线Li，且连接线Li1和连接线Li2的斜率相同；
在连接线Li1上等距提取K个点，求得K个点与连接线Li2的距离；
若
Figure BDA0003171380000000051
且连接线Li1与连接线Li2共线；
其中，DS表示相邻点之间的间距，
Figure BDA0003171380000000052
表示第Kn个点与连接线Li2的距离，
Figure BDA0003171380000000053
表示第Kn+1个点与连接线Li2的距离，DP表示距离误差值，其取值为0.2；所述K为大于2的自然数；所述n为大于K的自然数。
如图4所示，将线A等距取10个点，判断这10个点到线B的距离，并求和。平均距离小于0.2即判断为共线。如图4所示，将直线A等距取10个点，P1，P2…P10。分别过这些点做到直线B的垂线，计算点到直线B的距离。
第五步，对任一大类类别Ci内的任一Mj类的连接线进行直线拟合；将该类中所有板缝框中线，将两个端点加入待拟合点集中。采用最小二乘法拟合直线，直线方程为Ax+By+C＝0。
第六步，对任一大类类别Ci内的直线进行排序，具体来说：
连接线Lim和连接线Lit属于同一大类类别Ci，且均属于连接线Li；
连接线Lim和连接线Lit的平均斜率为：
Figure BDA0003171380000000061
所述kim为连接线Lim的斜率；kit为连接线Lit的斜率；
连接线Lim和连接线Lit的平均点为：
Figure BDA0003171380000000062
所述(xim1,yim1)、(xim2,yim2)为连接线Lim的端点；所述(xit1,yit1)、(xit2,yit2)为连接线Lit的端点；
根据连接线Lim和连接线Lit的平均斜率和平均点，并由点斜式求出平均垂线c，平均垂线c的直线方程常数A、B和C的表达式：
Figure BDA0003171380000000063
Figure BDA0003171380000000064
C＝-A×centerP(x)-B×centerP(y)
求得平均垂线c与连接线Lim的交点crossPA(x,y)，平均垂线c与连接线Lit的交点crossPB(x,y)；
若连接线Lim和连接线Lit的平均斜率大于或等于1，则以连接线Lim和连接线Lit的横坐标crossPA(x)、crossPB(x)的值大小进行排列；否则，以连接线Lim和连接线Lit的纵坐标crossPA(y)、crossPB(y)的值大小进行排列。
第七步，对任一大类类别Ci内的直线进行拟合，得到第二直线集合；
第八步，以第二直线集合中含有最多的板缝框短边中点的连接线的直线为基准，并向该直线的两侧进行长度判断，以求得数个横向板缝线和纵向板缝线。即在大斜率类中，找出二次合并后包含板缝框中线最多的线作为基准，向两边检查。根据机场板缝边长>3m的规范。如果跟基准比，两条板缝线距离小于3m，那么将非基准线移除；如果>3m则将其作为新的基准。
第九步，由纵横有序的板缝线，顺次求相邻两条板缝线的四个角点，作为板块的四个端点。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而作出的变化，均应属于本发明的保护范围之内。

Claims (7)

1.一种机场板块的识别方法，其特征在于，包括以下步骤：
采用Faster-RCNN网络模型识别得到N个板缝框，并记第i个板缝框为Si，i小于N；所述N为大于1的自然数；
根据板缝框Si求得板缝框的短边中点的连接线Li；
预设连接线的斜率间隔阈值，并对任一连接线Li进行分类，得到连接线Li的大类类别Ci；
在任一大类类别Ci内，对斜率相同的连接线进行共线判断，并将斜率相同的连接线分为M类，记斜率相同且非共线的连接线的第j个类为Mj；
对任一大类类别Ci内的任一Mj类的连接线进行直线拟合；
对任一大类类别Ci内的直线进行排序；
对任一大类类别Ci内的直线进行拟合，得到第二直线集合；
以第二直线集合中含有最多的板缝框短边中点的连接线的直线为基准，并向该直线的两侧进行长度判断，以求得数个横向板缝线和纵向板缝线；
根据相邻的横向板缝线和纵向板缝线，求得任一机场板块的四个角点，并作为机场板块的四个端点。
2.根据权利要求1所述的一种机场板块的识别方法，其特征在于，所述斜率间隔阈值为0.5。
3.根据权利要求1所述的一种机场板块的识别方法，其特征在于，还包括若大类类别Ci内的连接线Li数量小于2，则剔除该类别。
4.根据权利要求1或2或3所述的一种机场板块的识别方法，其特征在于，所述对斜率相同的连接线进行共线判断，包括以下步骤:
连接线Li1和连接线Li2均属于连接线Li，且连接线Li1和连接线Li2的斜率相同；
在连接线Li1上等距提取K个点，求得K个点与连接线Li2的距离；
若
Figure FDA0003171379990000025
且连接线Li1与连接线Li2共线；
其中，DS表示相邻点之间的间距，
Figure FDA0003171379990000027
表示第Kn个点与连接线Li2的距离，
Figure FDA0003171379990000026
表示第Kn+1个点与连接线Li2的距离，DP表示距离误差值，其取值为0.2；所述K为大于2的自然数；所述n为大于K的自然数。
5.根据权利要求4所述的一种机场板块的识别方法，其特征在于，所述K取值为10。
6.根据权利要求1所述的一种机场板块的识别方法，其特征在于，采用最小二乘法进行直线拟合。
7.根据权利要求1所述的一种机场板块的识别方法，其特征在于，对任一大类类别Ci内的直线进行排序，包括以下步骤：
连接线Lim和连接线Lit属于同一大类类别Ci，且均属于连接线Li；
连接线Lim和连接线Lit的平均斜率为：
Figure FDA0003171379990000021
所述kim为连接线Lim的斜率；kit为连接线Lit的斜率；
连接线Lim和连接线Lit的平均点为：
Figure FDA0003171379990000022
所述(xim1,yim1)、(xim2,yim2)为连接线Lim的端点；所述(xit1,yit1)、(xit2,yit2)为连接线Lit的端点；
根据连接线Lim和连接线Lit的平均斜率和平均点，并由点斜式求出平均垂线c，平均垂线c的直线方程常数A、B和C的表达式：
Figure FDA0003171379990000023
Figure FDA0003171379990000024
C＝-A×centerP(x)-B×centerP(y)
求得平均垂线c与连接线Lim的交点crossPA(x,y)，平均垂线c与连接线Lit的交点crossPB(x,y)；
若连接线Lim和连接线Lit的平均斜率大于或等于1，则以连接线Lim和连接线Lit的横坐标的值大小进行排列；否则，以连接线Lim和连接线Lit的纵坐标的值大小进行排列。
CN202110824807.7A 2021-07-21 2021-07-21 一种机场板块的识别方法 Active CN113762067B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110824807.7A CN113762067B (zh) 2021-07-21 2021-07-21 一种机场板块的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110824807.7A CN113762067B (zh) 2021-07-21 2021-07-21 一种机场板块的识别方法

Publications (2)

Publication Number Publication Date
CN113762067A true CN113762067A (zh) 2021-12-07
CN113762067B CN113762067B (zh) 2024-03-26

Family

ID=78787758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110824807.7A Active CN113762067B (zh) 2021-07-21 2021-07-21 一种机场板块的识别方法

Country Status (1)

Country Link
CN (1) CN113762067B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122344A (zh) * 2011-01-07 2011-07-13 南京理工大学 基于红外图像的道路边界检测方法
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
US20180060677A1 (en) * 2016-08-29 2018-03-01 Neusoft Corporation Method, apparatus and device for detecting lane lines
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法
CN110705595A (zh) * 2019-09-04 2020-01-17 苏州工业园区测绘地理信息有限公司 一种基于背包式三维激光点云数据的停车位自动提取方法
CN111339914A (zh) * 2020-02-24 2020-06-26 桂林理工大学 一种基于单张图片的室内天花板地面识别方法
CN112200171A (zh) * 2020-12-07 2021-01-08 速度时空信息科技股份有限公司 一种基于扫描线的道路点云的提取方法
CN112257717A (zh) * 2020-12-22 2021-01-22 之江实验室 一种针对未矫正图像的直线、椭圆和交点识别定位方法
CN112668441A (zh) * 2020-12-24 2021-04-16 中国电子科技集团公司第二十八研究所 一种结合先验知识的卫星遥感影像飞机目标识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122344A (zh) * 2011-01-07 2011-07-13 南京理工大学 基于红外图像的道路边界检测方法
US20180060677A1 (en) * 2016-08-29 2018-03-01 Neusoft Corporation Method, apparatus and device for detecting lane lines
CN107392141A (zh) * 2017-07-19 2017-11-24 武汉大学 一种基于显著性检测和lsd直线检测的机场提取方法
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法
CN110705595A (zh) * 2019-09-04 2020-01-17 苏州工业园区测绘地理信息有限公司 一种基于背包式三维激光点云数据的停车位自动提取方法
CN111339914A (zh) * 2020-02-24 2020-06-26 桂林理工大学 一种基于单张图片的室内天花板地面识别方法
CN112200171A (zh) * 2020-12-07 2021-01-08 速度时空信息科技股份有限公司 一种基于扫描线的道路点云的提取方法
CN112257717A (zh) * 2020-12-22 2021-01-22 之江实验室 一种针对未矫正图像的直线、椭圆和交点识别定位方法
CN112668441A (zh) * 2020-12-24 2021-04-16 中国电子科技集团公司第二十八研究所 一种结合先验知识的卫星遥感影像飞机目标识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李海丰，吴治龙，聂晶晶，彭博，桂仲成: "基于深度图像的机场道面裂缝自动检测算法", 交通运输工程学报, vol. 20, no. 6, pages 250 - 260 *
李海丰，聂晶晶，吴治龙，彭博，桂仲成: "基于多传感器信息融合的机场道面裂缝检测算法", 《现代电子技术》, vol. 43, no. 24, pages 17 - 25 *

Also Published As

Publication number Publication date
CN113762067B (zh) 2024-03-26

Similar Documents

Publication Publication Date Title
JP2843079B2 (ja) 走行路判別方法
US11335081B2 (en) Method for automatic extraction of data from graph
JP2789971B2 (ja) 表認識装置
CN110288562B (zh) 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法
CN109034019B (zh) 一种基于行分割线的黄色双行车牌字符分割方法
CN103268468A (zh) 机动车前排就坐者是否扣带安全带的自动检测方法
CN105069456A (zh) 一种车牌字符分割方法及装置
CN113011331B (zh) 机动车是否礼让行人的检测方法、装置、电子设备及介质
CN110443142B (zh) 一种基于路面提取与分割的深度学习车辆计数方法
CN113962967B (zh) 一种基于马克劳林定理约束的物体拍摄图像椭圆检测算法
Cahn et al. Segmentation of cervical cell images.
CN107392115B (zh) 一种基于分层特征提取的交通标志识别方法
CN113762067A (zh) 一种机场板块的识别方法
JP2926066B2 (ja) 表認識装置
JPH0950527A (ja) 枠抽出装置及び矩形抽出装置
CN113505793B (zh) 复杂背景下的矩形目标检测方法
CN109325487B (zh) 一种基于目标检测的全种类车牌识别方法
CN115063817A (zh) 一种基于形态学检测的表格识别方法、系统以及储存介质
JP3607753B2 (ja) 文書画像の領域分割方法および装置、並びに段組種類判別方法および装置
CN103679170A (zh) 一种基于局部特征的显著区域检测方法
JPS61117670A (ja) 文字切り出し処理方式
JP2565150B2 (ja) 文字切り出し方法
CN114441554B (zh) 检测方法
JP2728086B2 (ja) 文字切り出し方法
TWI765402B (zh) 檢測方法

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