CN114089676A - 一种关键符号监控链路及监控方法 - Google Patents
一种关键符号监控链路及监控方法 Download PDFInfo
- Publication number
- CN114089676A CN114089676A CN202111395595.1A CN202111395595A CN114089676A CN 114089676 A CN114089676 A CN 114089676A CN 202111395595 A CN202111395595 A CN 202111395595A CN 114089676 A CN114089676 A CN 114089676A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- key symbol
- neural network
- convolutional neural
- unit
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 108010038447 Chromogranin A Proteins 0.000 description 4
- 102100031186 Chromogranin-A Human genes 0.000 description 4
- CPTIBDHUFVHUJK-NZYDNVMFSA-N mitopodozide Chemical compound C1([C@@H]2C3=CC=4OCOC=4C=C3[C@H](O)[C@@H](CO)[C@@H]2C(=O)NNCC)=CC(OC)=C(OC)C(OC)=C1 CPTIBDHUFVHUJK-NZYDNVMFSA-N 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种关键符号监控链路,所述监控链路包括:监控功能单元,与画面生成单元连接,接收画面生成单元发出的DVI信号并识别该信号中的关键符号信息;数据比较单元,接收传感器数据和监控功能单元所获取的关键符号信息,进行对比后将对比结果发送给画面生成单元,其中,所述监控功能单元连接有FLASH存储器,所述FLASH存储器内存有卷积神经网络模型。本发明所提供的监控链路,监控功能单元的FPGA中配置有卷积神经网络,实现了一种端到端的监控设计,经过充分训练的卷积神经网络可兼容不同型号的平视显示器画面,此外FPGA并行处理的特点与卷积神经网络的计算特性相匹配。因此采用本方案对平视显示器中的符号进行监控,具有可复用性强,执行效率高的特点。
Description
技术领域
本发明属于平视显示器领域,具体涉及一种关键符号监控链路及监控方法。
背景技术
用于主飞行显示的平视显示器系统可显示丰富的飞行信息,可以降低飞机的运行要求,提高飞机的运行能力。平视显示器系统显示的符号具有高安全性要求,需进行安全性监控。平视显示器的安全性监控是指通过设计系统监控链路,监控平视显示器上关键符号是否正确显示,并上报显示状态,最终使平视显示器满足高安全性等级的要求。由于不同型号平视显示器上显示的符号基本特征、符号在画面中的位置存在差异,所以监控链路的可复用性、移植性差,在平视显示器升级换代时需重复进行监控链路的设计工作,工作量较大。
发明内容
本发明为了解决上述技术问题,以实现对平视显示器中的关键符号进行监控,可复用性强,执行效率高。
本发明的目的在于,提供了一种关键符号监控链路,所述关键符号包括从空速、气压高度、米制高度以及马赫数中选出的一种或多种飞行信息所对应的显示符号,所述监控链路包括:
监控功能单元,与画面生成单元连接,接收画面生成单元发出的DVI信号并识别该信号中的关键符号信息;
数据比较单元,接收传感器数据和监控功能单元所获取的关键符号信息,进行对比后将对比结果发送给画面生成单元,
其中,所述监控功能单元连接有FLASH存储器,所述FLASH存储器内存有卷积神经网络模型。
本发明所提供的关键符号监控链路,还具有这样的特征,监控功能单元通过SP I接口与所述FLASH存储器连接。
本发明所提供的关键符号监控链路,还具有这样的特征,所述卷积神经网络模型为通过仿真工具收集大量的DVI信号,对DVI信号中的关键符号进行标签标记,使用带标签的DV I信号对卷积神经网络进行训练,直至收敛得到的模型。
本发明所提供的关键符号监控链路,还具有这样的特征,所述数据比较单元为ARM微处理器。
本发明所提供的关键符号监控链路,还具有这样的特征,所述ARM微处理器的判定逻辑如下:
当关键符号识别数值-原始传感器数据>容差时,ARM处理器设定当前画面标志位error为1;当关键符号识别数值-原始传感器数据≤容差时,ARM设定当前画面标志位error为0;在error连续20帧画面均为1或0时,对HUD画面的显示结果重新进行判定,前述20帧画面的error为1则判定为HUD画面显示错误;前述20帧画面的error为0则判定为HUD画面显示正确。
本发明的另一目的在于,提供一种关键符号监控方法,所述方法使用如上述任一项所述的监控链路。
本发明所提供的监控方法,还具有这样的特征,所述方法包括如下步骤:
S1:监控功能单元通过SP I接口读取并配置卷积神经网络模型;
S2:监控功能单元接收DVI信号进行关键符号信息识别;
S3:通过RS232总线将S2中获取的识别结果发送给数据比较单元;
S4:数据比较单元接收传感器数据,并将传感器数据与接收到的识别结果进行比较,得到显示状态信息,并将显示状态信息传输给画面生成单元。
与现有技术相比,本发明的有益效果:
本发明所提供的关键符号监控链路,监控功能单元的FPGA中配置有卷积神经网络,其实现了一种端到端的监控设计,因此经过充分训练的卷积神经网络可兼容不同型号的平视显示器画面,此外FPGA并行处理的特点与卷积神经网络的计算特性相匹配。因此采用本发明介绍的监控方案对平视显示器中的关键符号进行监控,具有可复用性强,执行效率高的特点。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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:本发明实施例所提供的关键符号监控链路的实现原理框图;
图2:本发明实施例所提供的关键符号监控链路中的卷积神经网络结构图;
图3为本发明实施例所提供的关键符号监控链路所实现的平显显示器画面。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明所提供的关键符号监控链路作具体阐述。
在本发明实施例的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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创造和简化描述,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创造的限制。
此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另有说明,“多个”的含义是两个或两个以上。
术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;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。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明创造中的具体含义。
如图1-3所示,本发明实施例提供了一种关键符号监控链路,所述关键符号包括从空速、气压高度、米制高度以及马赫数中选出的一种或多种飞行信息所对应的显示符号,所述监控链路包括:
监控功能单元,与画面生成单元连接,接收画面生成单元发出的DVI信号并识别该信号中的关键符号信息;
数据比较单元,接收传感器数据和监控功能单元所获取的关键符号信息,进行对比后将对比结果发送给画面生成单元,
其中,所述监控功能单元连接有FLASH存储器,所述FLASH存储器内存有卷积神经网络模型。
在上述实施例中,通过仿真工具收集大量的平视显示器画面,对画面中的关键符号进行标签标记,使用带标签的平视显示器画面对卷积神经网络进行训练,直至收敛。该收敛的卷积神经网络可直接应用于监控链路中;在监控链路中,卷积神经网络从平视显示器的画面中提取高维度特征,输出目标关键符号的识别结果;数据比较单元将识别结果与传感器原始数据进行对比,若两者超出容差值,则判定当前平视显示器画面不符合安全性要求,该实施例采用卷积神经网络作为关键符号监控的主体单元,实现了一种端到端的监控设计,因此经过充分训练的卷积神经网络可兼容不同的平视显示器画面。该方案能够实现对平视显示器中的关键符号进行监控,可复用性强。
在部分实施例中,监控功能单元通过SP I接口与所述FLASH存储器连接。
在部分实施例中,所述卷积神经网络模型为通过仿真工具收集大量的DVI信号,对DVI信号中的关键符号进行标签标记,使用带标签的DVI信号对卷积神经网络进行训练,直至收敛得到的模型。
在部分实施例中,所述数据比较单元为ARM微处理器。
在部分实施例中,所述ARM微处理器的判定逻辑如下:
当关键符号识别数值-原始传感器数据>容差时,ARM处理器设定当前画面标志位error为1;当关键符号识别数值-原始传感器数据≤容差时,ARM设定当前画面标志位error为0;在error连续20帧画面均为1或0时,对HUD画面的显示结果重新进行判定,前述20帧画面的error为1则判定为HUD画面显示错误;前述20帧画面的error为0则判定为HUD画面显示正确。
在部分实施例中,提供一种关键符号监控方法,所述方法包括如下步骤:
S1:监控功能单元通过SP I接口读取并配置卷积神经网络模型;
S2:监控功能单元接收DVI信号进行关键符号信息识别;
S3:通过RS232总线将S2中获取的识别结果发送给数据比较单元;
S4:数据比较单元接收传感器数据,并将传感器数据与接收到的识别结果进行比较,得到显示状态信息,并将显示状态信息传输给画面生成单元。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种关键符号监控链路,所述关键符号包括从空速、气压高度、米制高度以及马赫数中选出的一种或多种飞行信息所对应的显示符号,其特征在于,所述监控链路包括:
监控功能单元,与画面生成单元连接,接收画面生成单元发出的DVI信号并识别该信号中的关键符号信息;
数据比较单元,接收传感器数据和监控功能单元所获取的关键符号信息,进行对比后将对比结果发送给画面生成单元,
其中,所述监控功能单元连接有FLASH存储器,所述FLASH存储器内存有卷积神经网络模型。
2.根据权利要求1所述的关键符号监控链路,其特征在于,监控功能单元通过SPI接口与所述FLASH存储器连接。
3.根据权利要求2所述的关键符号监控链路,其特征在于,所述卷积神经网络模型为通过仿真工具收集大量的DVI信号,对DVI信号中的关键符号进行标签标记,使用带标签的DVI信号对卷积神经网络进行训练,直至收敛得到的模型。
4.根据权利要求1所述的关键符号监控链路,其特征在于,所述数据比较单元为ARM微处理器。
5.根据权利要求4所述的关键符号监控链路,其特征在于,所述ARM微处理器的判定逻辑如下:
当关键符号识别数值-原始传感器数据>容差时,ARM处理器设定当前画面标志位error为1;当关键符号识别数值-原始传感器数据≤容差时,ARM设定当前画面标志位error为0;在error连续20帧画面均为1或0时,对HUD画面的显示结果重新进行判定,前述20帧画面的error为1则判定为HUD画面显示错误;前述20帧画面的error为0则判定为HUD画面显示正确。
6.一种关键符号监控方法,其特征在于,所述方法使用如权利要求1-5任一项所述的监控链路。
7.根据权利要求6所述的监控方法,其特征在于,所述方法包括如下步骤:
S1:监控功能单元通过SPI接口读取并配置卷积神经网络模型;
S2:监控功能单元接收DVI信号进行关键符号信息识别;
S3:通过RS232总线将S2中获取的识别结果发送给数据比较单元;
S4:数据比较单元接收传感器数据,并将传感器数据与接收到的识别结果进行比较,得到显示状态信息,并将显示状态信息传输给画面生成单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395595.1A CN114089676A (zh) | 2021-11-23 | 2021-11-23 | 一种关键符号监控链路及监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111395595.1A CN114089676A (zh) | 2021-11-23 | 2021-11-23 | 一种关键符号监控链路及监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114089676A true CN114089676A (zh) | 2022-02-25 |
Family
ID=80303253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111395595.1A Pending CN114089676A (zh) | 2021-11-23 | 2021-11-23 | 一种关键符号监控链路及监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114089676A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360930A (zh) * | 2014-11-24 | 2015-02-18 | 中国航空工业集团公司洛阳电光设备研究所 | 一种平显计算机完整性监控装置及监控方法 |
CN107018397A (zh) * | 2016-01-08 | 2017-08-04 | 罗伯特·博世有限公司 | 用于运行视野显示设备的方法和装置 |
CN109850169A (zh) * | 2018-11-26 | 2019-06-07 | 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hud显示系统的监控方法 |
CN210007805U (zh) * | 2019-07-02 | 2020-01-31 | 深圳能信能源科技有限公司 | 仪表智能监控装置、仪表智能监控设备 |
CN111099037A (zh) * | 2019-12-16 | 2020-05-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种民机平视显示器显示画面安全性监控的方法 |
CN111738198A (zh) * | 2020-06-30 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 智能速算系统及方法 |
RU2737720C1 (ru) * | 2019-11-20 | 2020-12-02 | Общество с ограниченной ответственностью "Аби Продакшн" | Извлечение полей с помощью нейронных сетей без использования шаблонов |
CN113255652A (zh) * | 2021-07-09 | 2021-08-13 | 北京世纪好未来教育科技有限公司 | 文本修正方法、装置、设备及介质 |
CN113283331A (zh) * | 2021-05-20 | 2021-08-20 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器系统的多类别目标识别方法及系统 |
-
2021
- 2021-11-23 CN CN202111395595.1A patent/CN114089676A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104360930A (zh) * | 2014-11-24 | 2015-02-18 | 中国航空工业集团公司洛阳电光设备研究所 | 一种平显计算机完整性监控装置及监控方法 |
CN107018397A (zh) * | 2016-01-08 | 2017-08-04 | 罗伯特·博世有限公司 | 用于运行视野显示设备的方法和装置 |
CN109850169A (zh) * | 2018-11-26 | 2019-06-07 | 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hud显示系统的监控方法 |
CN210007805U (zh) * | 2019-07-02 | 2020-01-31 | 深圳能信能源科技有限公司 | 仪表智能监控装置、仪表智能监控设备 |
RU2737720C1 (ru) * | 2019-11-20 | 2020-12-02 | Общество с ограниченной ответственностью "Аби Продакшн" | Извлечение полей с помощью нейронных сетей без использования шаблонов |
CN111099037A (zh) * | 2019-12-16 | 2020-05-05 | 中国航空工业集团公司洛阳电光设备研究所 | 一种民机平视显示器显示画面安全性监控的方法 |
CN111738198A (zh) * | 2020-06-30 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 智能速算系统及方法 |
CN113283331A (zh) * | 2021-05-20 | 2021-08-20 | 长沙融创智胜电子科技有限公司 | 用于无人值守传感器系统的多类别目标识别方法及系统 |
CN113255652A (zh) * | 2021-07-09 | 2021-08-13 | 北京世纪好未来教育科技有限公司 | 文本修正方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
陈晓杰;方贵盛;: "一种基于图元结构关系的电气草图符号识别方法", 机电工程, no. 08 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190065994A1 (en) | Deep learning-based image recognition method and apparatus | |
US8428643B2 (en) | Sign language recognition system and method | |
CN107818310A (zh) | 一种基于视线的驾驶员注意力检测方法 | |
US9043519B1 (en) | System and method to process event reporting in an adapter | |
CN111105647A (zh) | 一种基于空管语音识别与合成的管制指令发布系统及方法 | |
CN104303447A (zh) | 错误率估计方法和装置 | |
CN109334456A (zh) | 一种基于车载电脑与仪表的双屏互动系统 | |
CN107627847A (zh) | 一种全液晶可组态智能仪表 | |
Swain et al. | A machine learning approach of data mining in agriculture 4.0 | |
CN114089676A (zh) | 一种关键符号监控链路及监控方法 | |
CN208077056U (zh) | 交互智能平板 | |
CN102455946B (zh) | Usb装置异常的检测与恢复电路及其方法 | |
CN110008923A (zh) | 图像处理方法和训练方法、以及装置、介质、计算设备 | |
CN114721991B (zh) | 一种电力电子系统仿真装置 | |
CN111347976A (zh) | 车载显示系统及车辆 | |
CN108833242B (zh) | 一种二取二安全数据处理与仲裁方法 | |
CN213199620U (zh) | 一种智能车机系统 | |
CN214775850U (zh) | 用于车辆的显示装置以及用于车辆的电子装置 | |
US20060045127A1 (en) | Portable communication interface device | |
CN114821034A (zh) | 目标检测模型的训练方法、装置、电子设备及介质 | |
Quanqi et al. | Design of vehicle bus data acquisition and fault diagnosis system | |
CN210222518U (zh) | 自由流一体化智能控制机 | |
CN109857693B (zh) | 一种自适应串行时钟序列检测装置及方法 | |
CN114694326A (zh) | 人脸支付设备的扩展显示设备及人脸支付系统 | |
CN114120480A (zh) | 一种机载hud画面生成过程静态符号监控方法 |
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 |