CN114898599B - 一种飞机起落安全警告方法及系统 - Google Patents

一种飞机起落安全警告方法及系统 Download PDF

Info

Publication number
CN114898599B
CN114898599B CN202210657789.2A CN202210657789A CN114898599B CN 114898599 B CN114898599 B CN 114898599B CN 202210657789 A CN202210657789 A CN 202210657789A CN 114898599 B CN114898599 B CN 114898599B
Authority
CN
China
Prior art keywords
runway
apron
weight
taxiway
calculating
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
CN202210657789.2A
Other languages
English (en)
Other versions
CN114898599A (zh
Inventor
温建伟
李营
其他发明人请求不公开姓名
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.)
Beijing Zhuohe Technology Co Ltd
Original Assignee
Beijing Zhuohe 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 Beijing Zhuohe Technology Co Ltd filed Critical Beijing Zhuohe Technology Co Ltd
Priority to CN202210657789.2A priority Critical patent/CN114898599B/zh
Publication of CN114898599A publication Critical patent/CN114898599A/zh
Application granted granted Critical
Publication of CN114898599B publication Critical patent/CN114898599B/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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供的一种飞机起落安全警告方法及系统，具体应用于安全检测领域，包括通过摄像头采集待起落飞机所在机场区域的图像数据；根据所述图像数据确定所述机场区域内的风险项目；其中风险项目包括超载使用、防护缺失以及跑道标志模糊；获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；计算所述安全警告指令的权重值和风险频率，并进行优先级排序；根据优先级排序结果，进行安全报警。由此提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。

Description

一种飞机起落安全警告方法及系统
技术领域
本申请涉及安全检测领域，更具体地，涉及一种飞机起落安全警告方法及系统。
背景技术
目前，机场每天都有大量的航空器起飞和降落，根据民航局的要求，航空器在降落机场后，进入机位，在即将起飞前离开机位等作业步骤都需要严格遵守对应的安全规范，在出现可能存在隐患时需要及时报警，并对事件进行记录和统计。
机场水泥混凝土路面，也称刚性路面，具有承载力强、耐久性好、刚度大等优势，是我国机场路面的主要结构类型。我国在80-90年代修建的水泥混凝土机场逐渐进入到了使用后期，随着使用年限的推移和交通运输量的增加，越来越多的道面由于长时间暴露在自然环境中，在温度、水、盐等因素反复综合作用下，机场路面会产生耐久性损害。可见机场路面强度和飞机起落重量之间的关系是影响飞机起落安全的重要因素。
现有的机场安全报警中，通常对生物入侵、车辆运动、人员流动等进行识别和统计，没有考虑到飞机起落重量超载、路面强度降低、路面标志损坏以及人员未携带防护用品可能对飞机起落安全所带来的风险。
发明内容
本发明实施例的目的在于提供一种飞机起落安全警告方法及系统，将超载使用、防护缺失以及跑道标志模糊列为风险项目，并且根据待起落飞机的最大起落重量和区域大重量物体的总重量确定超载使用的风险，以提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。
具体技术方案如下：
在本发明实施例的第一方面，提供一种飞机起落安全警告方法，包括：通过摄像头采集待起落飞机所在机场区域的图像数据；获取所述机场区域内的跑道、滑行道以及机坪的编码；根据所述图像数据确定所述机场区域内的风险项目；其中，风险项目包括超载使用、防护缺失以及跑道标志模糊；所述根据所述图像数据确定所述机场区域内的风险项目具体过程为：获取所述待起落飞机的最大起落重量；采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果；所述识别结果包括停留飞机和车辆；计算所述大重量物体的外部数据；根据所述识别结果、所述外部数据和所述最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量；根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目；采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员；通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目；通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目；获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；计算所述安全警告指令的权重值和风险频率，并进行优先级排序；根据优先级排序结果，进行安全报警。
可选地，所述图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数。
可选地，所述计算所述大重量物体的外部数据，包括：扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
可选地，所述根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量，包括：通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure BDA0003689007780000031
其中，Hj是待起落飞机j的最大起落重量，m是待起落飞机的总数量，Ci是大重量物体i的仿真重量，n是大重量物体总数量。
可选地，所述通过人员安全模型，确定所述作业人员是否完整佩戴防护用品，包括：通过Lenet-5网络提取所述作业人员的深度特征；其中，Lenet-5网络包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层；将所述深度特征输入CCA分类器进行关联集成特征分类；通过比对方法将分类结果进行匹配，输出第一匹配度；根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品。
进一步地，所述防护用品包括：对讲机、防护服、反光服饰以及防滑鞋。
可选地，所述通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，包括：提取所述跑道、滑行道以及机坪的双区域对焦窗口；通过二维经验模式分解算法分解所述双区域对焦窗口；计算当前像素下的梯度，使对焦精度处于一个像素内；通过以下公式输出所述标志的评估值f(G)：
Figure BDA0003689007780000032
其中，G(x,y)是标志在点(x,y)处的灰度值。
在本发明实施例的又一方面，提供一种飞机起落安全警告系统，包括：图像采集模块，用于通过摄像头采集待起落飞机所在机场区域的图像数据；编码模块，用于获取所述机场区域内的跑道、滑行道以及机坪的编码；风险项目评估模块，用于根据所述图像数据确定所述机场区域内的风险项目；其中，风险项目包括超载使用、防护缺失以及跑道标志模糊；其中，风险项目评估模块具体用于：获取所述待起落飞机的最大起落重量；采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果；所述识别结果包括停留飞机和车辆；计算所述大重量物体的外部数据；根据所述识别结果、所述外部数据和所述最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量；根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目；采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员；通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目；通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目；指令获取模块，用于获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；指令处理模块，用于计算所述安全警告指令的权重值和风险频率，并进行优先级排序；报警模块，用于根据优先级排序结果，进行安全报警。
可选地，所述图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数。
可选地，所述计算所述大重量物体的外部数据，包括：扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
可选地，所述根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量，包括：通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure BDA0003689007780000041
其中，Hj是待起落飞机j的最大起落重量，m是待起落飞机的总数量，Ci是大重量物体i的仿真重量，n是大重量物体总数量。
可选地，所述通过人员安全模型，确定所述作业人员是否完整佩戴防护用品，包括：通过Lenet-5网络提取所述作业人员的深度特征；其中，Lenet-5网络包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层；将所述深度特征输入CCA分类器进行关联集成特征分类；通过比对方法将分类结果进行匹配，输出第一匹配度；根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品。
进一步地，所述防护用品包括：对讲机、防护服、反光服饰以及防滑鞋。
可选地，所述通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，包括：提取所述跑道、滑行道以及机坪的双区域对焦窗口；通过二维经验模式分解算法分解所述双区域对焦窗口；计算当前像素下的梯度，使对焦精度处于一个像素内；通过以下公式输出所述标志的评估值f(G)：
Figure BDA0003689007780000051
其中，G(x,y)是标志在点(x,y)处的灰度值。
有益效果：
本发明通过摄像头采集待起落飞机所在机场区域的图像数据；根据图像数据确定机场区域内的风险项目；其中风险项目包括超载使用、防护缺失以及跑道标志模糊；获取风险项目对应的跑道、滑行道或机坪的编码，将编码与风险项目拼接，获得安全警告指令；根据安全警告指令的权重值和风险频率，进行安全报警；具体根据待起落飞机的最大起落重量和机场区域内的大重量物体计算每一所述跑道、滑行道或机坪的实际承载总重量，确定是否超载使用；通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，确定标志是否完整。由此提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。
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，对于本领域技术人员来讲，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是本申请实施例提供的一种飞机起落安全警告方法的流程示意图；
图2是本申请实施例提供的超载使用风险确定方法的流程示意图；
图3是本申请实施例提供的一种飞机起落安全警告系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作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。
本申请实施例提供了一种飞机起落安全警告方法及系统，具体应用于安全检测领域，包括通过摄像头采集待起落飞机所在机场区域的图像数据；根据所述图像数据确定所述机场区域内的风险项目；其中风险项目包括超载使用、防护缺失以及跑道标志模糊；获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；计算所述安全警告指令的权重值和风险频率，并进行优先级排序；根据优先级排序结果，进行安全报警。由此提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。
该飞机起落安全警告方法及系统，具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Persona l Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
可以理解的是，本实施例的该飞机起落安全警告方法及系统可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
图1示出了本申请实施例提供的一种飞机起落安全警告方法的流程示意图，请参考图1，具体包括如下步骤：
S110、通过摄像头采集待起落飞机所在机场区域的图像数据。
具体地，若干组监控摄像头和若干组传感器等距排列设置在跑道、滑行道以及机坪上，摄像头监控待起落飞机所在机场区域上的所有物体，传感器由红外发射灯头和接收板构成，若干组监控摄像头和若干组传感器共同用于监控机场区域的实时状态信息，并发送至通信系统。
S120、获取所述机场区域内的跑道、滑行道以及机坪的编码。
S130、根据所述图像数据确定所述机场区域内的风险项目。
其中，风险项目可以包括超载使用、防护缺失以及跑道标志模糊。
在一种实施方式中，根据待起落飞机的最大起落重量和机场区域内的大重量物体，确定是否存在超载使用的风险，图2示出了超载使用风险确定方法的流程示意图，具体包括以下步骤：
S210、获取所述待起落飞机的最大起落重量。
S220、采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果。
其中，图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数。
具体地，所述识别结果包括停留飞机和车辆。
S230、计算所述大重量物体的外部数据。
具体地，扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
需要说明的是，还可以扫描获取影响大重量物体重量的其他数据，如横截面积、高度等，在此不做具体限定。
S240、根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量。
具体地，可以通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure BDA0003689007780000081
其中，Hj是待起落飞机j的最大起落重量，m是待起落飞机的总数量，Ci是大重量物体i的仿真重量，n是大重量物体总数量。
S250、根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目。
该实施方式考虑到机场路面强度对飞机起落安全的影响，根据实际承载重量确定是否存在超载风险，以提高安全警告的准确性。
在又一种实施方式中，根据人员安全模型，确定是否存在防护缺失的风险，具体包括以下步骤：
采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员。
具体地，为每个作业人员配备一个定位装置，通过定位装置能够实时获取作业人员的位置。
通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目。
其中，人员安全模型是一种深度学习模型；具体地，通过Lenet-5网络提取所述作业人员的深度特征；将所述深度特征输入CCA分类器进行关联集成特征分类；通过比对方法将分类结果进行匹配，输出第一匹配度；根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品。
可选地，Lenet-5网络可以包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层。
可选地，防护用品包括对讲机、防护服、反光服饰以及防滑鞋。
由此利用Lenet-5网络和CCA分类器更加准确地对防护用品进行识别，保证作业人员的安全。
在又一种实施方式中，根据标志识别模型，确定是否存在跑道标志模糊的风险，具体包括以下步骤：
S137、通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目。
具体地，提取所述跑道的双区域对焦窗口；通过二维经验模式分解算法分解所述双区域对焦窗口；计算当前像素下的梯度，使对焦精度处于一个像素内；通过以下公式输出评估值f(G)：
Figure BDA0003689007780000091
其中，G(x,y)是图像在点(x,y)处的灰度值。
由此利用二维经验模式分解算法和评估函数更加准确地对标志进行评估，保证标志的清晰和完整。
在又一种实施方式中，风险项目还可以包括气象条件差、路面损坏以及通信故障等。
S140、获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令。
其中，安全警告指令可以是文本信息，也可以是语音信息。
在一种实施方式中，若风险项目为防护缺失，则步骤S140可以具体包括以下步骤：
S141、将所述风险项目对应的所述跑道、滑行道或机坪作为目标场景。
S142、针对所述目标场景构建直角坐标系。
S143、获取存在防护缺失风险的作业人员编码和相对于所述直角坐标系的坐标。
S144、将所述跑道、滑行道或机坪的编码，作业人员编码，坐标以及风险项目拼接，生成安全警告指令。
例如，风险项目：防护缺失；跑道编码：100514；作业人员编码：066；坐标：(102,80)；则生成的安全警告指令为：跑道100514号坐标(102,80)洞陆陆号防护缺失。
由此，使管控人员能够及时获得简洁、准确的安全警告指令。
S150、获取所述安全警告指令的权重值和风险频率，并进行优先级排序。S160、根据优先级排序结果，进行安全报警。
通过该实施方式提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。
为实现上述方法类实施例，本实施例还提供一种飞机起落安全警告系统，如图3所示，该系统包括：
图像采集模块310，用于通过摄像头采集待起落飞机所在机场区域的图像数据。
编码模块320，用于获取所述机场区域内的跑道、滑行道以及机坪的编码。
风险项目评估模块330，用于根据所述图像数据确定所述机场区域内的风险项目；其中，风险项目可以包括超载使用、防护缺失以及跑道标志模糊。
其中，风险项目评估模块330具体用于：
获取所述待起落飞机的最大起落重量。
采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果；所述识别结果包括飞机和车辆。
计算所述大重量物体的外部数据。
根据所述识别结果、所述外部数据和所述最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量。
根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目。
采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员。
通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目。
通过标志识别模型识别所述跑道、滑行道以及机坪中的标志。
采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目。
指令获取模块340，用于获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令。
指令处理模块350，用于计算所述安全警告指令的权重值和风险频率，并进行优先级排序。
报警模块360，用于根据优先级排序结果，进行安全报警。
可选地，所述图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数。
可选地，所述计算所述大重量物体的外部数据，包括：扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
可选地，所述根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量，包括：通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure BDA0003689007780000121
其中，Hj是待起落飞机j的最大起落重量，m是待起落飞机的总数量，Ci是大重量物体i的仿真重量，n是大重量物体总数量。
可选地，所述通过人员安全模型，确定所述作业人员是否完整佩戴防护用品，包括：通过Lenet-5网络提取所述作业人员的深度特征；其中，Lenet-5网络包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层；将所述深度特征输入CCA分类器进行关联集成特征分类；通过比对方法将分类结果进行匹配，输出第一匹配度；根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品。
进一步地，所述防护用品包括：对讲机、防护服、反光服饰以及防滑鞋。
可选地，所述通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，包括：提取所述跑道、滑行道以及机坪的双区域对焦窗口；通过二维经验模式分解算法分解所述双区域对焦窗口；计算当前像素下的梯度，使对焦精度处于一个像素内；通过以下公式输出所述标志的评估值f(G)：
Figure BDA0003689007780000122
其中，G(x,y)是标志在点(x,y)处的灰度值。
由此该飞机起落安全警告系统，提高安全警告的准确性和全面性，管控人员能够及时解决安全隐患。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-On ly Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (3)

1.一种飞机起落安全警告方法，其特征在于，包括：
通过摄像头采集待起落飞机所在机场区域的图像数据；
获取所述机场区域内的跑道、滑行道以及机坪的编码；
根据所述图像数据确定所述机场区域内的风险项目；其中，风险项目包括超载使用、防护缺失以及跑道标志模糊；
所述根据所述图像数据确定所述机场区域内的风险项目具体过程为：
获取所述待起落飞机的最大起落重量；
采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果；所述识别结果包括停留飞机和车辆；
所述图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数；
计算所述大重量物体的外部数据；
根据所述识别结果、所述外部数据和所述最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量；
所述根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量，包括：
通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure 274665DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
是待起落飞机j的最大起落重量，m是待起落飞机的总数量，
Figure 221762DEST_PATH_IMAGE004
是大重量物体i的仿真重量，n是大重量物体总数量；
根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目；
采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员；
通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目；
所述通过人员安全模型，确定所述作业人员是否完整佩戴防护用品，包括：
通过Lenet-5网络提取所述作业人员的深度特征；其中，Lenet-5网络包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层；
将所述深度特征输入CCA分类器进行关联集成特征分类；
通过比对方法将分类结果进行匹配，输出第一匹配度；
根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品；
通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目；
所述通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，包括：
提取所述跑道、滑行道以及机坪的双区域对焦窗口；
通过二维经验模式分解算法分解所述双区域对焦窗口；
计算当前像素下的梯度，使对焦精度处于一个像素内；
通过以下公式输出所述标志的评估值
Figure DEST_PATH_IMAGE005
：
Figure DEST_PATH_IMAGE007
其中，
Figure 413096DEST_PATH_IMAGE008
是标志在点(x,y)处的灰度值；
获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；
计算所述安全警告指令的权重值和风险频率，并进行优先级排序；
根据优先级排序结果，进行安全报警；
其中，计算所述大重量物体的外部数据，包括：扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
2.根据权利要求1所述的飞机起落安全警告方法，其特征在于，所述防护用品包括：对讲机、防护服、反光服饰以及防滑鞋。
3.一种飞机起落安全警告系统，其特征在于，包括：
图像采集模块，用于通过摄像头采集待起落飞机所在机场区域的图像数据；
编码模块，用于获取所述机场区域内的跑道、滑行道以及机坪的编码；
风险项目评估模块，用于根据所述图像数据确定所述机场区域内的风险项目；其中，风险项目包括超载使用、防护缺失以及跑道标志模糊；
其中，风险项目评估模块具体用于：
获取所述待起落飞机的最大起落重量；
采用图像识别模型识别所述机场区域内的大重量物体，获得识别结果；所述识别结果包括停留飞机和车辆；
所述图像识别模型是BP神经网络，包括一个输入层、多个隐藏层和一个输出层；所述隐藏层参数是非线性变化的参数；
计算所述大重量物体的外部数据；
根据所述识别结果、所述外部数据和所述最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量；
所述根据所述识别结果、所述外部数据和最大起落重量，计算每一所述跑道、滑行道或机坪的实际承载总重量，包括：
通过以下公式计算每一所述跑道、滑行道或机坪的实际承载总重量W：
Figure 736630DEST_PATH_IMAGE002
其中，
Figure 733405DEST_PATH_IMAGE003
是待起落飞机j的最大起落重量，m是待起落飞机的总数量，
Figure 930031DEST_PATH_IMAGE004
是大重量物体i的仿真重量，n是大重量物体总数量；
根据所述实际承载总重量，确定每一所述跑道、滑行道或机坪是否超载使用；若是，则将超载使用列为风险项目；
采用定位技术识别所述机场区域内的跑道、滑行道以及机坪内的作业人员；
通过人员安全模型，确定所述作业人员是否完整佩戴防护用品；若未完整佩戴防护用品，则将防护缺失列为风险项目；
所述通过人员安全模型，确定所述作业人员是否完整佩戴防护用品，包括：
通过Lenet-5网络提取所述作业人员的深度特征；其中，Lenet-5网络包括一个输入层、两个卷积层、两个池化层、两个全连接层以及一个输出层；
将所述深度特征输入CCA分类器进行关联集成特征分类；
通过比对方法将分类结果进行匹配，输出第一匹配度；
根据所述第一匹配度，确定所述作业人员是否完整佩戴防护用品；
通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；
所述通过标志识别模型识别所述跑道、滑行道以及机坪中的标志；采用评估算法获得所述标志的评估值，包括：
提取所述跑道、滑行道以及机坪的双区域对焦窗口；
通过二维经验模式分解算法分解所述双区域对焦窗口；
计算当前像素下的梯度，使对焦精度处于一个像素内；
通过以下公式输出所述标志的评估值
Figure 543415DEST_PATH_IMAGE005
：
Figure 267045DEST_PATH_IMAGE007
其中，
Figure 462534DEST_PATH_IMAGE008
是标志在点(x,y)处的灰度值；
采用评估算法获得所述标志的评估值；若所述评估值小于预设阈值，则将标志模糊列为风险项目；
指令获取模块，用于获取所述风险项目对应的所述跑道、滑行道或机坪的编码，将所述编码与所述风险项目拼接，获得安全警告指令；
指令处理模块，用于计算所述安全警告指令的权重值和风险频率，并进行优先级排序；
报警模块，用于根据优先级排序结果，进行安全报警；
其中，计算所述大重量物体的外部数据，包括：扫描获取所述大重量物体的最大体积和最小体积，计算仿真重量。
CN202210657789.2A 2022-06-10 2022-06-10 一种飞机起落安全警告方法及系统 Active CN114898599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210657789.2A CN114898599B (zh) 2022-06-10 2022-06-10 一种飞机起落安全警告方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210657789.2A CN114898599B (zh) 2022-06-10 2022-06-10 一种飞机起落安全警告方法及系统

Publications (2)

Publication Number Publication Date
CN114898599A CN114898599A (zh) 2022-08-12
CN114898599B true CN114898599B (zh) 2022-11-29

Family

ID=82727435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210657789.2A Active CN114898599B (zh) 2022-06-10 2022-06-10 一种飞机起落安全警告方法及系统

Country Status (1)

Country Link
CN (1) CN114898599B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176156A (zh) * 2019-05-28 2019-08-27 武汉华瑞密达科教有限责任公司 一种机载地面预警系统
CN110610592A (zh) * 2019-09-25 2019-12-24 捻果科技(深圳)有限公司 一种视频分析和深度学习的机坪安全运行监控方法
CN111428684A (zh) * 2020-04-13 2020-07-17 捻果科技(深圳)有限公司 一种机场停机坪作业人员作业规范及数量的自动识别方法
CN113223332A (zh) * 2021-04-09 2021-08-06 飞友科技有限公司 一种机场起降容量动态监控方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140297168A1 (en) * 2013-03-26 2014-10-02 Ge Aviation Systems Llc Method of optically locating and guiding a vehicle relative to an airport
US10984662B2 (en) * 2016-11-24 2021-04-20 X—Sight Systems Ltd. Runway activity monitoring, logging and analysis for aircraft touchdown detection and abnormal behavior alerting

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176156A (zh) * 2019-05-28 2019-08-27 武汉华瑞密达科教有限责任公司 一种机载地面预警系统
CN110610592A (zh) * 2019-09-25 2019-12-24 捻果科技(深圳)有限公司 一种视频分析和深度学习的机坪安全运行监控方法
CN111428684A (zh) * 2020-04-13 2020-07-17 捻果科技(深圳)有限公司 一种机场停机坪作业人员作业规范及数量的自动识别方法
CN113223332A (zh) * 2021-04-09 2021-08-06 飞友科技有限公司 一种机场起降容量动态监控方法和系统

Also Published As

Publication number Publication date
CN114898599A (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
CN111652940B (zh) 目标异常识别方法、装置、电子设备及存储介质
Wang et al. Road boundaries detection based on local normal saliency from mobile laser scanning data
US8255156B2 (en) Spatial source collection and services system
CN110781757B (zh) 一种机场道面异物识别定位方法及系统
US20140375770A1 (en) Method and apparatus for detection of foreign object debris
CN108226894A (zh) 一种点云数据处理方法及装置
Kaljahi et al. An automatic zone detection system for safe landing of UAVs
CN110794413B (zh) 线性体素分割的激光雷达点云数据电力线检测方法和系统
CN103779808A (zh) 基于LiDAR的输电线路智能巡检系统
CN112949474B (zh) 机场fod监测方法、设备、存储介质及装置
CN110749323B (zh) 一种作业路线的确定方法及装置
CN114783188A (zh) 巡检方法和装置
Kim et al. UAS-based airport maintenance inspections: Lessons learned from pilot study implementation
JP2022119973A (ja) 画像識別に基づく飛行体強制着陸経路計画方法、システムおよび装置
CN113033443B (zh) 一种基于无人机的行人过街设施全路网自动化排查方法
Yang et al. Flood detection based on unmanned aerial vehicle system and deep learning
CN114898599B (zh) 一种飞机起落安全警告方法及系统
CN114494845A (zh) 一种用于施工项目现场人工智能隐患排查系统及其排查方法
CN104735425A (zh) 基于无人机的输电设备辨认方法
EP3070459A1 (en) Inspection target object extraction apparatus and inspection target object extraction method
CN114782846B (zh) 一种灾后救援引导系统及方法
Lopes Amaral Loures et al. Condition assessment of unpaved roads using low-cost computer vision–based solutions
CN116434525A (zh) 一种高速公路智能管理预警系统
CN112861701A (zh) 违章停车识别方法、装置、电子设备以及计算机可读介质
CN112669461A (zh) 机场净空安全检测方法、装置、电子设备及存储介质

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