CN114879209A - 一种用于机场跑道低成本异物检测分类的系统和方法 - Google Patents
一种用于机场跑道低成本异物检测分类的系统和方法 Download PDFInfo
- Publication number
- CN114879209A CN114879209A CN202210558792.9A CN202210558792A CN114879209A CN 114879209 A CN114879209 A CN 114879209A CN 202210558792 A CN202210558792 A CN 202210558792A CN 114879209 A CN114879209 A CN 114879209A
- Authority
- CN
- China
- Prior art keywords
- point
- detection
- point cloud
- classification
- foreign
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 15
- 239000011521 glass Substances 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 11
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012552 review Methods 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 230000002209 hydrophobic effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000011946 reduction process Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 241001391944 Commicarpus scandens Species 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 238000007664 blowing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/04—Systems determining the presence of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
-
- 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)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请涉及视觉检测技术领域，具体涉及一种用于机场跑道低成本异物检测分类的系统和方法。该系统包括二维转台、检测集成一体机以及服务器，检测集成一体机固定在二维转台俯仰机构上方，检测集成一体机内部集成有激光雷达、摄像机、Mini工控机以及雨刷。本申请结合激光雷达与光学摄像机，采用地面固定二维转台搭载雷达与摄像机左右巡航扫描，以完成对机场跑道的大视场监控；结合人工干预的复检结果来进行模型的自学习，可实现利用传统算法结合深度学习的方法对点云以及二维图像进行检测与分类。同时在机场特定室外环境下，完成分散站点的分布以及大视场环境下异物的激光指示，同时能够对镜头的水珠与污渍进行清洁。
Description
技术领域
本申请涉及视觉检测技术领域，尤其涉及一种用于机场跑道低成本异物检测分类的系统和方法。
背景技术
近几十年来，随着机场起飞及降落时安全事故的发生，机场跑道上的外来入侵异物碎片(Foreign Object Debris，机场跑道异物)逐渐引起机场工作人员的重视，为了减少和杜绝飞机起飞和降落时因机场跑道异物发生的危险，在机场跑道上安装机场跑道异物监测系统的重要性愈发明显。跑道上典型的机场跑道异物种类较多，其中以金属件如螺丝螺母、金属工具等，飞行物品如私人证件、钢笔等，另外还有机械工具、动植物、木块、塑料制品等，通常情况下，机场跑道异物尺寸较小，对跑道这种大范围视场来说，其检测和分类是一项较为困难的工作。
目前国际上应对机场跑道异物检测的方法多是毫米波雷达结合光学摄像机进行混合检测，大部分结构为塔架式，成本较高，虽然有这毫米波绕物能力好受天气环境干扰小的优势，但是检测精度低是其无法避免的短板。随着激光雷达在自动驾驶的普及，激光雷达的价格逐步下降，性能与精度也得到长足的提升，目前已有的部分激光雷达结合光学摄像机的检测方法仅仅有异物检测的功能。无法实现对异物的分类。同时现有技术中无异物的方位指示，以及机场室外环境中的镜头清洁问题的解决办法。
发明内容
本发明的目的是为了克服现有技术的不足而提供了一种用于机场跑道低成本异物检测分类的系统和方法，结合激光雷达与光学摄像机，采用地面固定二轴的云台搭载雷达与摄像机左右巡航扫描，以完成对机场跑道的大视场监控；同时结合人工初期的复检来进行模型的自学习，可实现利用深度学习的方法对点云以及二维图像进行分类。
为实现上述目的，本申请实施例提供了如下的技术方案：
第一方面，在本申请提供的一个实施例中，提供了一种用于机场跑道低成本异物检测分类的系统，该系统包括二维转台、检测集成一体机以及服务器，所述检测集成一体机固定在所述二维转台俯仰机构上方，所述检测集成一体机内部集成有激光雷达、摄像机、Mini工控机以及雨刷；
所述检测集成一体机前端留有两个与所述摄像机及激光雷达对应的探视区域，所述探视区域用于所述摄像机及激光雷达透过该区域进行监控；所述检测集成一体机中间为自然下垂的雨刷，所述雨刷用于左右旋转进行玻璃清洁；
所述二维转台通过串口RS485与所述检测集成一体机内部的Mini工控机连接，Mini工控机通过交换机与服务器连接。
作为本发明的进一步方案，所述用于机场跑道低成本异物检测分类的系统，还包括电源，所述二维转台以及检测集成一体机与所述电源连接，所述二维转台以及激光雷达的供电电压为24V，所述摄像机采用POE网线供电，Mini工控机的供电电压为220V。
作为本发明的进一步方案，所述摄像机上方设有激光指示模块，所述激光指示模块以及摄像机共同组成光学摄像机模块，所述检测集成一体机探视前端采用K9玻璃结合玻璃疏水镀膜。
作为本发明的进一步方案，所述检测集成一体机用于点云数据与二维图像的采集与数据处理，并通过点云识别算法与深度学习模型判断路面有无异物，将判断结果与日志记录保存至本地，并上传至服务器进行通讯。
作为本发明的进一步方案，所述检测集成一体机内部集成有雨刷清洁模块、激光雷达模块、光学摄像机模块以及工控机，所述光学摄像机模块集成有红外灯、变焦镜头、星光级CMOS以及激光指示器。
作为本发明的进一步方案，所述检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机。
第二方面，在本申请提供的另一个实施例中，提供了一种用于机场跑道低成本异物检测分类的方法，包括：
步骤一、将检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机；
步骤二、所述二维转台搭载所述检测集成一体机进行一次扫描，扫描视场范围均分为若干个预置点位，每个预置点位采集的视场之间具有交集，对清扫后的跑道进行一次基础点云采集与实时录像；
步骤三、所述二维转台搭载所述检测集成一体机进行实时来回扫描，所述二维转台到达每个预置点位后，按照设定时间停顿，此时交由激光雷达进行静态点云采集；
步骤四、工控机对点云采集的数据处理及对机场跑道异物检测，若判断无异物，则移动到下一个点位进行采集，若判断有异物，则实时报警，同时，利用镜头和云台将异物局部图像放大采集，根据点云模型，异物图像模型，以及人工复检，进行异物的分类，其中，人工复判结果作为模型下一次自训练的输入数据，进行模型的更新与自学习；
步骤五、人工清除异物，设备复位后，返回步骤三开始重新检测。
作为本发明的进一步方案，所述用于机场跑道低成本异物检测分类的方法在进行异物检测分类时，所述工控机分别从光学摄像机模块、激光雷达、二维转台以及雨刷采集到实时数据或者位置信息，同时分别对所述光学摄像机模块、激光雷达、二维转台以及雨刷进行控制；
所述工控机将识别的异物信息、图像以及警报上传至服务器，服务器将识别模型及控制命令下发至工控机，服务器将识别的异物信息、图像以及警报显示至操作人员，由操作人员进行异物类别的判别，并做出相应的控制。
作为本发明的进一步方案，将检测集成一体机与二维转台的云台固定安装于跑道两侧时，各检测端布站与预置点位设置的方法，包括：
按照跑道宽度计算，对各检测客户端间隔距离进行布置；
每个检测站点，朝向以自身为中心，覆盖面向跑道一侧的半径为跑道宽度的扇形区域；跑道同一侧相邻检测站点覆盖区域形成相邻接的重叠区域，跑道不同侧相邻检测站点交错设置形成多站点重复检测确认的重叠区域。
作为本发明的进一步方案，所述用于机场跑道低成本异物检测分类的方法，还包括，通过点云采集检测异物，点云检测异物的方法，包括：
步骤11)、将待检测的路面划分18个间隔为10度的扇形区域作为预置点位，采集每个预置点位下2.5m-50m范围内扇形区域作为基础点云数据，为实时检测过程提供差分对比数据；
步骤12)、当激光雷达采集到二维转台在预置位置的实时路面点云时，利用对应基础点云数据与二维转台进行配准，配准后实时点云与基础点云重合或者近似重合；
步骤13)、将实时点云数据与基础点云进行体素构建，当体素内存在有点云时，以所述体素的中心点表示所述体素内所有的点云，将所有点云进行一次降采样，对未完全重合，存在位置偏差的两个点云集，进行位置校正，对应的点经过中心变换至完全重合；
步骤14)、使用中心变换后的两对点云集进行差分，实时路面点云差分后显示机场跑道异物的点云集簇，利用区域生长算法将满足条件的机场跑道异物点云簇进行聚类，并输出该聚类所在的位置与距离；
步骤15)、在步骤14)中检测判断有异物数量超过5个时，将目标区域内点云图生成鸟瞰图，利用点云图中不同物体反射率以及路面凸起异物存在一部分阴影的特征，使用自学习训练的模型来识别鸟瞰图内是否有异物；若模型判断仍有异物，则判断实时路面上存在异物，输出异物的尺寸与位置。
作为本发明的进一步方案，所述预置点位的分布方法，包括：
所述集成一体机在二维转台带动下，从0°到180°覆盖角度下，激光雷达视场角度在14°，从0°开始，激光雷达采集的点云中一侧距离2.5m的物体，并出现在下一个预置点位采集的点云集中，其中，从第一个预置点位开始，每个相邻预置点位之间构成α＝10.65°角度以内，并覆盖到工作距离L＝2.5m以内的距离范围。
本申请提供的技术方案，具有如下有益效果：
本申请提供的用于机场跑道低成本异物检测分类的系统和方法，结合激光雷达与光学摄像机，采用地面固定二维转台(旋转机构采用易碎设计)搭载雷达与摄像机左右巡航扫描，以完成对机场跑道的大视场监控；同时结合人工干预的复检结果来进行模型的自学习，可实现利用传统算法结合深度学习的方法对点云以及二维图像进行检测与分类。同时在机场特定室外环境下，完成分散站点的分布以及大视场环境下异物的激光指示，同时对镜头的水珠与污渍等进行了相应的清洁设计。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例。在附图中：
图1为本申请一个实施例的一种用于机场跑道低成本异物检测分类的系统的结构框图。
图2为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法的流程图。
图3为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法中数据流的示意图。
图4为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法中监测站点布置的示意图。
图5为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法中点云检测异物的流程图。
图6为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法中预置点位分布的示意图。
图7为本申请一个实施例的一种用于机场跑道低成本异物检测分类的方法中检测站点激光指示的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
应当理解，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一回调函数和第二回调函数仅仅是为了区分不同的回调函数，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在上下文中所称“计算机设备”，也称为“电脑”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的智能电子设备，其可以包括处理器与存储器，由处理器执行在存储器中预存的存续指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。计算机设备包括但不限于服务器、个人电脑、笔记本电脑、平板电脑、智能手机等。
还应当进理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
由于目前已有的部分激光雷达结合光学摄像机的检测方法仅仅有异物检测的功能。无法实现对异物的分类。同时现有技术中无异物的方位指示，以及机场室外环境中的镜头清洁问题的解决办法。
本发明的目的是为了克服现有技术的不足而提供了一种用于机场跑道低成本异物检测分类的系统和方法，结合激光雷达与光学摄像机，采用地面固定二轴的云台搭载雷达与摄像机左右巡航扫描，以完成对机场跑道的大视场监控；同时结合人工初期的复检来进行模型的自学习，可实现利用深度学习的方法对点云以及二维图像进行分类。
具体地，下面结合附图，对本申请实施例作进一步阐述。
请参阅图1所示，图1是本申请实施例提供的一种用于机场跑道低成本异物检测分类的系统的结构框图。该用于机场跑道低成本异物检测分类的系统，该系统包括二维转台、检测集成一体机以及服务器，所述检测集成一体机固定在所述二维转台俯仰机构上方，所述检测集成一体机内部集成有激光雷达、摄像机、Mini工控机以及雨刷。
所述检测集成一体机前端留有两个与所述摄像机及激光雷达对应的探视区域，所述探视区域用于所述摄像机及激光雷达透过该区域进行监控；所述检测集成一体机中间为自然下垂的雨刷，所述雨刷用于左右旋转进行玻璃清洁。
所述二维转台通过串口RS485与所述检测集成一体机内部的Mini工控机连接，Mini工控机通过交换机与服务器连接。
本发明的实施例中，所述二维转台用于实现检测集成一体机的左右旋转和上下俯仰，所述二维转台的旋转结构中设置有易折点，易折点高出地面30mm，易折点能承受204N·m的弯矩不损坏，弯矩达到680N·m前折断，该设计的目的是符合机场基础设备稳定抗风同时一定撞击力下折断的要求。
所述检测集成一体机固定于二维转台俯仰机构上方，在转台运动下可实现左右旋转和上下俯仰，检测集成一体机内部集成有激光雷达、监控摄像机、Mini工控机、雨刷等组件构成。
所述用于机场跑道低成本异物检测分类的系统，还包括电源，所述二维转台以及检测集成一体机与所述电源连接，所述二维转台以及激光雷达的供电电压为24V，所述摄像机采用POE(有源以太网)网线供电，Mini工控机的供电电压为220V。
本发明的实施例中，所述摄像机上方设有激光指示模块，所述激光指示模块以及摄像机共同组成光学摄像机模块，所述检测集成一体机探视前端采用K9玻璃结合玻璃疏水镀膜。即：检测集成一体机前端留有两个探视区域，摄像机与激光雷达透过该区域进行监控。激光指示模块在摄像机上方共同组成光学摄像机模块，中间为自然下垂的雨刷，可左右旋转进行玻璃清洁。
本发明的实施例中，所述检测集成一体机用于点云数据与二维图像的采集与数据处理，并通过点云识别算法与深度学习模型判断路面有无异物，将判断结果与日志记录保存至本地，并上传至服务器进行通讯。
本发明的实施例中，所述检测集成一体机内部集成有雨刷清洁模块、激光雷达模块、光学摄像机模块以及工控机，所述光学摄像机模块集成有红外灯、变焦镜头、星光级CMOS以及激光指示器。
其中，检测集成一体机模块负责进行点云数据与二维图像的采集至与数据处理，通过点云识别算法与深度学习模型判断路面有无异物，将判断结果与log记录保存至本地，同时上传至服务器进行通讯，本模块内部集成有雨刷清洁模块、激光雷达模块、光学摄像机模块、工控机等，其中光学摄像机模块集成了红外灯(850nm)、变焦镜头(8-32mm)、星光级CMOS(最低照度0.0005lux)、以及激光指示器(1000mW，绿色横线)。
本发明的实施例中，所述检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机。
请参阅图2，图2是本申请实施例提供的一种用于机场跑道低成本异物检测分类的方法的流程图，如图2所示，该用于机场跑道低成本异物检测分类的方法包括以下步骤：
步骤一、将检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机；即：将检测集成一体机、二维转台、服务器安装与布置：将检测集成一体机与云台固定安装与跑道两侧，通过网线连接服务器的交换机。
步骤二、所述二维转台搭载所述检测集成一体机进行一次扫描，扫描视场范围均分为若干个预置点位，每个预置点位采集的视场之间具有交集，对清扫后的跑道进行一次基础点云采集与实时录像；其中，二维转台搭载检测集成一体机进行一次扫描，扫描视场范围均分为60个预置点位，每个预置点位采集的视场存在一定交集，保证能够包括2.5m-50m的工作距离，对每日清扫后的跑道进行一次基础点云采集与实时录像。
步骤三、所述二维转台搭载所述检测集成一体机进行实时来回扫描，所述二维转台到达每个预置点位后，按照设定时间停顿，此时交由激光雷达进行静态点云采集；在本申请的实施例中，转台到达每个预置点位后，停顿3s，此时交由激光雷达进行静态点云采集，工控机对点云进行数据处理与机场跑道异物(机场外来异物)检测，若判断无异物，则移动到下一个点位进行采集。
步骤四、工控机对点云采集的数据处理及对机场跑道异物检测，若判断无异物，则移动到下一个点位进行采集，若判断有异物，则实时报警，同时，利用镜头和云台将异物局部图像放大采集，根据点云模型，异物图像模型，以及人工复检，三者联合复判，进行异物的分类，其中，人工复判结果作为模型下一次自训练的输入数据，进行模型的更新与自学习；
步骤五、人工清除异物，设备复位后，返回步骤三开始重新检测。
本发明的实施例中，所述用于机场跑道低成本异物检测分类的方法在进行异物检测分类时，所述工控机分别从光学摄像机模块、激光雷达、二维转台以及雨刷采集到实时数据或者位置信息，同时分别对所述光学摄像机模块、激光雷达、二维转台以及雨刷进行控制；
所述工控机将识别的异物信息、图像以及警报上传至服务器，服务器将识别模型及控制命令下发至工控机，服务器将识别的异物信息、图像以及警报显示至操作人员，由操作人员进行异物类别的判别，并做出相应的控制。
在本申请中，数据流如图3所示，工控机分别从光学摄像机模块、激光雷达、二维转台、雨刷采集到实时数据或者位置信息，同时分别对其进行控制。工控机将识别的异物信息、图像、警报等上传至服务器，服务器则将识别模型及控制命令下发至工控机，服务器将识别的异物信息、图像、警报等显示至操作人员，操作人员进行异物类别的判别，同时做出相应的控制。
本发明的实施例中，将检测集成一体机与二维转台的云台固定安装于跑道两侧时，各检测端布站与预置点位设置的方法，包括：
按照跑道宽度计算，对各检测客户端间隔距离进行布置；
每个检测站点，朝向以自身为中心，覆盖面向跑道一侧的半径为跑道宽度的扇形区域；跑道同一侧相邻检测站点覆盖区域形成相邻接的重叠区域，跑道不同侧相邻检测站点交错设置形成多站点重复检测确认的重叠区域。
因此，参见图4所示，本申请中各检测端布置与预置点位设置的方法是：
①按照跑道宽度为50m计算，各检测客户端间隔50m左右布置；如图5所示；
②每个检测站点，朝向以自身为中心，覆盖面向跑道一侧的半径为50m的扇形区域。如图中的检测站点1向下覆盖半个扇形区域，检测站点2则向上覆盖半个圆形区域，同时与检测站点1和检测站点3覆盖区域形成一定的重叠，这样做的好处是一方面可以形成多站点重复检测确认的效果，另一方面不同异物由于尺寸和朝向原因，在某一方位的反射率较低，容易漏检，所以需要多方位的扫描检测。
本发明的实施例中，参见图5所示，所述用于机场跑道低成本异物检测分类的方法，还包括，通过点云采集检测异物，点云检测异物的方法，包括：
步骤11)、将待检测的路面划分18个间隔为10度的扇形区域作为预置点位，采集每个预置点位下2.5m-50m范围内扇形区域作为基础点云数据，为实时检测过程提供差分对比数据；
步骤12)、当激光雷达采集到二维转台在预置位置的实时路面点云时，利用对应基础点云数据与二维转台进行配准，配准后实时点云与基础点云重合或者近似重合；
步骤13)、将实时点云数据与基础点云进行体素构建，当体素内存在有点云时，以所述体素的中心点表示所述体素内所有的点云，将所有点云进行一次降采样，对未完全重合，存在位置偏差的两个点云集，进行位置校正，对应的点经过中心变换至完全重合；
步骤14)、使用中心变换后的两对点云集进行差分，实时路面点云差分后显示机场跑道异物的点云集簇，利用区域生长算法将满足条件的机场跑道异物点云簇进行聚类，并输出该聚类所在的位置与距离；
步骤15)、在步骤14)中检测判断有异物数量超过5个时，将目标区域内点云图生成鸟瞰图，利用点云图中不同物体反射率以及路面凸起异物存在一部分阴影的特征，使用自学习训练的模型来识别鸟瞰图内是否有异物；若模型判断仍有异物，则判断实时路面上存在异物，输出异物的尺寸与位置。
点云检测异物时，通过系统工作流程可知，在系统检测开始前，第一步会对待检测的路面划分18个间隔为10度的扇形区域作为预置点位，采集每个预置点位下2.5m-50m范围内扇形区域作为基础点云数据，为实时检测过程提供差分对比数据。
第二步当激光雷达采集到转台在某一预置位置的实时路面点云时，利用对应基础点云数据与其进行配准。配准后实时点云与基础点云重合或者近似重合。
第三步将实时点云数据与基础点云进行体素构建，即使用连续的三维的0.01m*0.01m*0.01m体素栅格在待检点云中进行划分,当某个体素内存在有点云时，用该体素的中心点来最终表示该体素内所有的点云，最终可将所有点云进行一次降采样，同时对未完全重合，存在一定位置偏差的两个点云集，进行了一定的位置校正，即使两个点云集在第二步配准后存在一定的位置偏差，只要对应的点同样处于该0.01m*0.01m*0.01m体素栅格内，则对应的点经过中心变换后会完全重合。
第四步使用上述中心变换后的两对点云集进行差分，即实时路面点云减去基础路面点云集，如果实时路面上存在机场跑道异物，则实时路面点云差分后会显示机场跑道异物的点云集簇，利用区域生长算法将满足一定条件的机场跑道异物点云簇进行聚类，最后输出该聚类所在的位置与距离。
第五步如果第四步检测判断有异物数量超过5个时，此时有两种可能，一种是路面确实机场跑道异物数量较多，但一般此种情况较为少见，另一种可能为实时路面点云与基础路面在第二步配准时出现了较大的偏差，导致矩阵变换和中心体素滤波后点云集未完全重合，此时将目标区域即2.5m-50m扇形区域内点云图生成鸟瞰图，利用点云图中不同物体反射率以及路面凸起异物存在一部分阴影的特征，使用自学习训练的模型来识别鸟瞰图内是否有异物，如果此时模型判断仍有异物，则判断实时路面上存在异物，输出异物的尺寸与位置。
本发明的实施例中，参见图6所示，所述预置点位的分布方法，包括：
所述集成一体机在二维转台带动下，从0°到180°覆盖角度下，激光雷达视场角度在14°，从0°开始，激光雷达采集的点云中一侧距离2.5m的物体，并出现在下一个预置点位采集的点云集中，其中，从第一个预置点位开始，每个相邻预置点位之间构成α＝10.65°角度以内，并覆盖到工作距离L＝2.5m以内的距离范围。
参见图6所示，集成一体机在二维转台带动下，从0°到180°覆盖角度下，激光雷达视场角度在14°，从0°开始，为了确保可以覆盖工作距离2.5m的视场，激光雷达采集的点云中一侧距离2.5m的物体，也需要出现在下一个预置点位采集的点云集中。本专利从第一个预置点位开始，每个相邻预置点位之间构成α＝10.65°角度以内，则可以确保能覆盖到工作距离L＝2.5m的最近距离。
本发明的实施例中，还包括点云配准方法。本申请使用的配准方法是求解两个3D点云集之间刚体变换关系的一种算法，为求出实时路面点云集A与基础路面点云集B之间的刚体变换T，使点云A经过T变化后与点云B重合，本申请以点云集A中每一个点距离点云集B中最近点的距离之和最小为重合的数学表达，其实现步骤通过下面实现：
(1)对点集A中每一个点Pai施加初始变换T0，得到Pai＇；
(2)从点集B中寻找距离点Pai＇最近的点Pbi，形成对应的点对；
(3)求解最优变换：
其中，
(4)根据前后两次的迭代误差以及迭代次数等条件判断是否收敛。如果收敛，则输出最终结果：T＝ΔT*T0，否则T0＝ΔT*T0，重复步骤(1)。
本发明的实施例中，还包括体素中心滤波方法。体素中心栅格滤波点云精简过程如下：
(1)依据点云数据坐标集合，求取X，Y，Z三个坐标轴上的最大值xmax，ymax，zmax和最小值xmin，ymin，zmin。
(2)根据X，Y，Z三个坐标轴上的最大、最小值求得点云最小包围盒的边长lx，ly，lz。
(3)设置体素小栅格边长cell＝0.01m，将X，Y，Z三个坐标轴均等划分为M、N、L份，则最小包围盒划分为M*N*L个体素小栅格。
sum＝M*N*L
其中，[]表示向下取整，sum为体素小栅格总数。
(4)对每个体素小栅格编号，编号为(i，j，k)；确定每个数据点所属的体素小栅格。
(5)进行点云精简。计算每个体素小栅格中心，以中心代替小栅格内的所有点；至此完成整个精简过程。
本发明的实施例中，区域生成算法的原理为：差分后采用区域生长的基本思想是将具有相似性质的点集合起来构成区域。首先对每个需要分割的区域找出一个种子作为生长的起点,然后将种子周围邻域中与种子有相同或相似性质的点(根据事先确定的生长或相似准则来确定，多为法向量、曲率)归并到种子所在的区域中。而新的点继续做种子向四周生长,直到再没有满足条件的点可以包括进来,一个区域就生长而成了。
基于曲率的区域生长，其结果是一个或多个聚类集合，每个聚类集合被认为是同一光滑表面的一部分。首先依据点的曲率对点进行排序，初始种子点所在区域为最平滑的区域，这样可以减少分割区域的总数。pcl::RegionGrowing类就是采用的这种方法。
本发明的实施例中，区域生长算法的流程包括：
设置一个空的种子点序列和一个空的聚类数组，选择种子点(曲率最小的点)并将其加入到种子点序列中；
搜索当前种子点的邻域点，计算邻域点的法线与当前种子点的法线之间的夹角，小于平滑阈值的邻域点加入到当前区域；
检查每一个邻域点的曲率，小于曲率阈值的邻域点加入到种子点序列中，并删除当前种子点，以新的种子点继续生长。
重复进行以上生长过程，直到种子点序列被清空。此时，一个区域生长完成，并将其加入到聚类数组中；
对剩余点重复进行以上步骤，直到遍历完所有点。
本发明的实施例中，还包括图像判断分类与自清洁的方法：
异物实际判断之前，需要在实际工作场景下或者模拟实际场景下进行6种数据类(机械工具、动植物、木块、塑料制品、玻璃水珠、玻璃污渍)的采集，每种数据集超过30张采集的典型类别图像，采集图像后对目标物体进行标注与数据集构建，通过YOLOX框架进行训练，得到训练模型后进行实时的检测与分类，在实际点云中检测到异物以后，则判断异物的距离，方位，使用二维转台将摄像机镜头中心对准异物方位，增大相机镜头使异物在图像中所占的像素数量增加，具体以超过8*8个像素为准，拍摄下异物的局部图像后，传递至训练后的模型，识别结果如果为机械工具、动植物、木块、塑料制品这4类异物，则等待人工对图像二次确认类别，如果人工确认类别与模型识别种类一致，则不生成待训练数据集，直接进行报警和激光指示，如果人工确认类别与模型识别种类不一致，则将人工修正的类别标注与图片打包成带训练的数据集，每日凌晨或者服务器空闲时间段对待训练数据集与本地数据集进行重新训练部署模型。另一种当识别结果为水珠或者污渍时，停止检测集成一体机，控制玻璃前的吹气装置吹气6s后，控制雨刷对外部玻璃进行来回清扫。雨刷除了在图像识别到前挡玻璃污染或水渍之后清扫，在每次设备初始化和间隔2h后同样会进行吹气清扫工作。
本发明的实施例中，还包括点云图转换成鸟瞰图方法，图像坐标轴与点云坐标轴是不同的，图像中坐标轴总是正的，原点位于左上角，坐标是整数值。而点云的坐标值可以是正数也可以是负数，坐标是实数，正X轴代表前方，正Y轴代表左边，正Z轴轴代表上方，将点云转换为鸟瞰图有以下步骤：
①创建矩形区域，将2.5m-50m，角度为14°(激光雷达视场角为14°)的扇形区域完全包含覆盖，即
最左到最右：side_range＝(-7.5,7.5)
最后到最前：fwd_range＝(0,60)
②创建一个过滤器，将指定的矩形内的点云保留，其他点云清除。
③映射点位置到像素位置。
在点云数据中，其数据为实数，而映射到的图像数据为整数，需要将计量单位为米的点云转换为分辨率为2个cm的图像像素：
其中x_img、y_img分别为点云在鸟瞰图中的x与y位置，x_point与y_point分别为点云的x与y值，点云中x轴和y轴交换，方向反转，以便可以处理图像坐标，其中
为向下取整。
④平移原点：x和y值仍有负数，还不能投影到图像上，因此还需要平移数据，使得(0,0)位置的数据最小。
x_img＝x_img+(7.5/0.02)y_img＝y_img+(60/0.02)
⑤指定这些像素位置填充的值。方法是填充高度数据。为了将像素值设为整数，并且像素值的范围调整至0-255的区间，从数据中获取最小和最大高度值，并重新缩放至0-255范围。
本发明的实施例中，还包括激光指示的方法。参见图7所示，所述激光指示的方法为：
每个站点在自动运行之前，将0度和180度两个角度上特征明显的物体点云数据保存，如检测站点1在0°上某点为Point10，在180°上某点为Point11，检测站点2在0°上某点为Point20，在180°上某点为Point21。单个站点如检测站点1检测到异物后，首先确定异物距离站点2最近，则利用站点1到站点2的相对位置(高度默认一致)，计算两站点采集的点云之间转换的变换矩阵A，检测站点1检测到异物的点为X点，计算出X点与站点1的角度∠XO1Point12，随后将二维转台移动至该角度后，打开激光指示器。X点在检测站点2中对应的点为X’＝AX，计算X’与站点2之间的角度为∠X’O2Point21，同时将检测站点2的二维站台移动到该角度打开激光指示器，两根激光线条交汇的点即为异物指示的位置。
综上所述，本申请提供的用于机场跑道低成本异物检测分类的系统和方法，结合激光雷达与光学摄像机，采用地面固定二维转台(旋转机构采用易碎设计)搭载雷达与摄像机左右巡航扫描，以完成对机场跑道的大视场监控；同时结合人工干预的复检结果来进行模型的自学习，可实现利用传统算法结合深度学习的方法对点云以及二维图像进行检测与分类。同时在机场特定室外环境下，完成分散站点的分布以及大视场环境下异物的激光指示，同时对镜头的水珠与污渍等进行了相应的清洁设计。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (15)
1.一种用于机场跑道低成本异物检测分类的系统，其特征在于，该系统包括二维转台、检测集成一体机以及服务器，所述检测集成一体机固定在所述二维转台俯仰机构上方，所述检测集成一体机内部集成有激光雷达、摄像机、Mini工控机以及雨刷；
所述检测集成一体机前端留有两个与所述摄像机及激光雷达对应的探视区域，所述探视区域用于所述摄像机及激光雷达透过该区域进行监控；所述检测集成一体机中间为自然下垂的雨刷，所述雨刷用于左右旋转进行玻璃清洁；
所述二维转台通过串口RS485与所述检测集成一体机内部的Mini工控机连接，Mini工控机通过交换机与服务器连接。
2.如权利要求1所述的用于机场跑道低成本异物检测分类的系统，其特征在于，所述用于机场跑道低成本异物检测分类的系统，还包括电源，所述二维转台以及检测集成一体机与所述电源连接，所述二维转台以及激光雷达的供电电压为24V，所述摄像机采用POE网线供电，Mini工控机的供电电压为220V。
3.如权利要求2所述的用于机场跑道低成本异物检测分类的系统，其特征在于，所述摄像机上方设有激光指示模块，所述激光指示模块以及摄像机共同组成光学摄像机模块，所述检测集成一体机探视前端采用K9玻璃结合玻璃疏水镀膜。
4.如权利要求2所述的用于机场跑道低成本异物检测分类的系统，其特征在于，所述检测集成一体机用于点云数据与二维图像的采集与数据处理，并通过点云识别算法与深度学习模型判断路面有无异物，将判断结果与日志记录保存至本地，并上传至服务器进行通讯。
5.如权利要求4所述的用于机场跑道低成本异物检测分类的系统，其特征在于，所述检测集成一体机内部集成有雨刷清洁模块、激光雷达模块、光学摄像机模块以及工控机，所述光学摄像机模块集成有红外灯、变焦镜头、星光级CMOS以及激光指示器。
6.如权利要求1所述的用于机场跑道低成本异物检测分类的系统，其特征在于，所述检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机。
7.一种用于机场跑道低成本异物检测分类的方法，其特征在于，所述用于机场跑道低成本异物检测分类的方法基于权利要求1-6中任意一项所述用于机场跑道低成本异物检测分类的系统进行异物检测分类；所述用于机场跑道低成本异物检测分类的方法，包括以下步骤：
S1、将检测集成一体机与二维转台的云台固定安装于跑道两侧，通过网线连接服务器的交换机；
S2、所述二维转台搭载所述检测集成一体机进行一次扫描，扫描视场范围均分为若干个预置点位，每个预置点位采集的视场之间具有交集，对清扫后的跑道进行一次基础点云采集与实时录像；
S3、所述二维转台搭载所述检测集成一体机进行实时来回扫描，所述二维转台到达每个预置点位后，按照设定时间停顿，此时交由激光雷达进行静态点云采集；
S4、工控机对点云采集的数据处理及对机场跑道异物检测，若判断无异物，则移动到下一个点位进行采集，若判断有异物，则实时报警，同时，利用镜头和云台将异物局部图像放大采集，根据点云模型，异物图像模型，以及人工复检，进行异物的分类，其中，人工复判结果作为模型下一次自训练的输入数据，进行模型的更新与自学习；
S5、人工清除异物，设备复位后，返回步骤S3开始重新检测。
8.如权利要求7所述的用于机场跑道低成本异物检测分类的方法，其特征在于，所述用于机场跑道低成本异物检测分类的方法在进行异物检测分类时，所述工控机分别从光学摄像机模块、激光雷达、二维转台以及雨刷采集到实时数据或者位置信息，同时分别对所述光学摄像机模块、激光雷达、二维转台以及雨刷进行控制；
所述工控机将识别的异物信息、图像以及警报上传至服务器，服务器将识别模型及控制命令下发至工控机，服务器将识别的异物信息、图像以及警报显示至操作人员，由操作人员进行异物类别的判别，并做出相应的控制。
9.如权利要求8所述的用于机场跑道低成本异物检测分类的方法，其特征在于，还包括各检测端布站与预置点位设置，其中，各检测端布站与预置点位设置的方法，包括:
按照跑道宽度计算，将各检测客户端间隔布置；
每个检测站点，朝向以自身为中心，覆盖面向跑道一侧的扇形区域，使检测站点向上覆盖半个圆形区域同时与相邻的两个检测站点向下覆盖半个扇形区域形成一定的重叠，形成多站点重复检测确认效果。
10.如权利要求7所述的用于机场跑道低成本异物检测分类的方法，其特征在于，所述用于机场跑道低成本异物检测分类的方法，还包括，通过点云采集检测异物，点云检测异物的方法，包括：
S101、将待检测的路面划分18个间隔为10度的扇形区域作为预置点位，采集每个预置点位下2.5m-50m范围内扇形区域作为基础点云数据，为实时检测过程提供差分对比数据；
S102、当激光雷达采集到二维转台在预置位置的实时路面点云时，利用对应基础点云数据与二维转台进行配准，配准后实时点云与基础点云重合或者近似重合；
S103、将实时点云数据与基础点云进行体素构建，当体素内存在有点云时，以所述体素的中心点表示所述体素内所有的点云，将所有点云进行一次降采样，对未完全重合，存在位置偏差的两个点云集，进行位置校正，对应的点经过中心变换至完全重合；
S104、使用中心变换后的两对点云集进行差分，实时路面点云差分后显示机场跑道异物的点云集簇，利用区域生长算法将满足条件的机场跑道异物点云簇进行聚类，并输出该聚类所在的位置与距离；
S105、在步骤S104中检测判断有异物数量超过5个时，将目标区域内点云图生成鸟瞰图，利用点云图中不同物体反射率以及路面凸起异物存在一部分阴影的特征，使用自学习训练的模型来识别鸟瞰图内是否有异物；若模型判断仍有异物，则判断实时路面上存在异物，输出异物的尺寸与位置。
11.如权利要求9所述的用于机场跑道低成本异物检测分类的方法，其特征在于，所述预置点位的分布方法，包括：
所述集成一体机在二维转台带动下，从0°到180°覆盖角度下，激光雷达视场角度在14°，从0°开始，激光雷达采集的点云中一侧距离2.5m的物体，并出现在下一个预置点位采集的点云集中，其中，从第一个预置点位开始，每个相邻预置点位之间构成α＝10.65°角度以内，并覆盖到工作距离L＝2.5m以内的距离范围。
12.如权利要求10所述的用于机场跑道低成本异物检测分类的方法，其特征在于，所述基础点云数据与二维转台进行配准中，点云配准的方法为求解两个3D点云集之间刚体变换关系，以点云集A中每一个点距离点云集B中最近点的距离之和最小为重合的数学表达，包括以下步骤：
S201、对点集A中每一个点Pai施加初始变换T0，得到Pai＇；
S202、从点集B中寻找距离点Pai＇最近的点Pbi，形成对应的点对；
S203、求解最优变换：
其中，
S204、根据前后两次的迭代误差以及迭代次数等条件判断是否收敛，收敛，则输出最终结果：T＝ΔT*T0，否则T0＝ΔT*T0，重复步骤S201。
13.如权利要求7所述的用于机场跑道低成本异物检测分类的方法，其特征在于，还包括体素中心栅格滤波点云精简过程，体素中心栅格滤波方法，包括以下步骤：
S301、依据点云数据坐标集合，求取X，Y，Z三个坐标轴上的最大值xmax，ymax，zmax和最小值xmin，ymin，zmin；
S302、根据X，Y，Z三个坐标轴上的最大、最小值求得点云最小包围盒的边长lx，ly，lz；
S303、设置体素小栅格边长cell＝0.01m，将X，Y，Z三个坐标轴均等划分为M、N、L份，则最小包围盒划分为M*N*L个体素小栅格；
sum＝M*N*L
其中，[]表示向下取整，sum为体素小栅格总数；
S304、对每个体素小栅格编号，编号为(i，j，k)；确定每个数据点所属的体素小栅格；
S305、进行点云精简，计算每个体素小栅格中心，以中心代替小栅格内的所有点。
14.如权利要求10所述的用于机场跑道低成本异物检测分类的方法，其特征在于，还包括将点云图转换为鸟瞰图，点云图转换成鸟瞰图的方法，包括以下步骤：
S401、创建矩形区域，将2.5m-50m，激光雷达视场角为14°的扇形区域完全包含覆盖；
S402、创建一个过滤器，将指定的矩形内的点云保留，其余点云清除；
S403、映射点位置到像素位置；
S404、平移原点，使得原点位置的数据最小化；
S405、指定所述像素位置填充的值，通过填充高度数据，将像素值设为整数，所述像素值的范围调整至0-255的区间，从数据中获取最小和最大高度值，并重新缩放至0-255范围。
15.如权利要求9所述的用于机场跑道低成本异物检测分类的方法，其特征在于，每个站点在自动运行之前，将0度和180度两个角度上特征明显的物体点云数据保存；所述激光指示的方法，包括：
单个站点检测到异物后，确定与异物距离最近站点，利用单个站点到最近站点的相对位置，计算两站点采集的点云之间转换的变换矩阵A；
检测单个站点检测到异物的点为X点，计算出X点与单个站点的角度∠XO1Point12，将二维转台移动至所述角度后，打开激光指示器；
X点在检测最近站点中对应的点为X’＝AX，计算X’与最近站点之间的角度为∠X’O2Point21，将检测最近站点的二维站台移动到所述角度打开激光指示器，两根激光线条交汇的点即为异物指示的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210558792.9A CN114879209A (zh) | 2022-05-20 | 2022-05-20 | 一种用于机场跑道低成本异物检测分类的系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210558792.9A CN114879209A (zh) | 2022-05-20 | 2022-05-20 | 一种用于机场跑道低成本异物检测分类的系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114879209A true CN114879209A (zh) | 2022-08-09 |
Family
ID=82677009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210558792.9A Pending CN114879209A (zh) | 2022-05-20 | 2022-05-20 | 一种用于机场跑道低成本异物检测分类的系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114879209A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116704446A (zh) * | 2023-08-04 | 2023-09-05 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
| CN116973377A (zh) * | 2023-08-02 | 2023-10-31 | 中国民用航空飞行学院 | 一种小型机场道面异物高光谱检测装置和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130329052A1 (en) * | 2011-02-21 | 2013-12-12 | Stratech Systems Limited | Surveillance system and a method for detecting a foreign object, debris, or damage in an airfield |
| CN111562576A (zh) * | 2020-05-20 | 2020-08-21 | 北京望远四象科技有限公司 | 一种机场跑道异物检测系统及方法 |
| CN114140471A (zh) * | 2021-12-07 | 2022-03-04 | 群周科技(上海)有限公司 | 一种基于直升机机载激光雷达的地面目标语义分割方法 |
| CN114419825A (zh) * | 2022-03-29 | 2022-04-29 | 中国铁路设计集团有限公司 | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 |
| CN114511846A (zh) * | 2022-01-24 | 2022-05-17 | 浙江大学 | 一种基于点云跨视图特征转换的实时三维目标检测方法 |
-
2022
- 2022-05-20 CN CN202210558792.9A patent/CN114879209A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130329052A1 (en) * | 2011-02-21 | 2013-12-12 | Stratech Systems Limited | Surveillance system and a method for detecting a foreign object, debris, or damage in an airfield |
| CN111562576A (zh) * | 2020-05-20 | 2020-08-21 | 北京望远四象科技有限公司 | 一种机场跑道异物检测系统及方法 |
| CN114140471A (zh) * | 2021-12-07 | 2022-03-04 | 群周科技(上海)有限公司 | 一种基于直升机机载激光雷达的地面目标语义分割方法 |
| CN114511846A (zh) * | 2022-01-24 | 2022-05-17 | 浙江大学 | 一种基于点云跨视图特征转换的实时三维目标检测方法 |
| CN114419825A (zh) * | 2022-03-29 | 2022-04-29 | 中国铁路设计集团有限公司 | 基于毫米波雷达和摄像头的高铁周界入侵监测装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蒋进;唐碧蔚;宋少雷;靳超;何志勇;: "基于Faster-RCNN的机场跑道异物识别定位技术研究", 航空电子技术, no. 03, 15 September 2020 (2020-09-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116973377A (zh) * | 2023-08-02 | 2023-10-31 | 中国民用航空飞行学院 | 一种小型机场道面异物高光谱检测装置和方法 |
| CN116704446A (zh) * | 2023-08-04 | 2023-09-05 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
| CN116704446B (zh) * | 2023-08-04 | 2023-10-24 | 武汉工程大学 | 机场跑道路面异物实时检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12097957B2 (en) | Structure scan using unmanned aerial vehicle | |
| CN114879209A (zh) | 一种用于机场跑道低成本异物检测分类的系统和方法 | |
| CN111897332A (zh) | 一种语义智能变电站机器人仿人巡视作业方法及系统 | |
| CN113954066B (zh) | 一种基于数字孪生系统的配网作业机器人控制方法及装置 | |
| CN110765528A (zh) | 一种基于虚拟仿真技术的三维重构变电站实现方法 | |
| CN106054931A (zh) | 一种基于视觉定位的无人机定点飞行控制系统 | |
| CN112561985B (zh) | 一种基于双目视觉的绿篱苗木修剪对中方法 | |
| CN114241269B (zh) | 一种用于岸桥自动控制的集卡视觉融合定位系统 | |
| CN109760064A (zh) | 一种移动机器人自身位置的调整方法和装置 | |
| CN107767454A (zh) | 一种实景三维移动快速建模方法、装置及系统 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN114355907A (zh) | 一种基于云端的智能化垃圾识别和清扫方法、系统 | |
| CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
| CN113093746A (zh) | 作业机械环境感知方法、装置、系统及作业机械 | |
| CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| CN115049825B (zh) | 水面清洁方法、装置、设备及计算机可读存储介质 | |
| CN115690329A (zh) | 一种光伏系统安装用建筑物模型生成方法及系统 | |
| CN113947665B (zh) | 一种基于多线激光雷达和单目视觉的球形绿篱修剪机的建图方法 | |
| CN205301998U (zh) | 视觉与测距融合的送餐机器人室内定位系统 | |
| KR20230026916A (ko) | 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법 | |
| CN114202567A (zh) | 一种基于视觉的点云处理避障方法 | |
| CN113433532B (zh) | 一种基于粒子群算法的激光雷达姿态标定方法及装置 | |
| CN109490896A (zh) | 一种极端环境三维图像采集处理系统 | |
| Li | UAV 3D Measurement | |
| CN117749087B (zh) | 一种实景三维渔光互补光伏电站自主巡检清洁运维系统 |
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 |