CN115049839A - 针对飞行模拟训练设备客观质量测试的质量检测方法 - Google Patents

针对飞行模拟训练设备客观质量测试的质量检测方法 Download PDF

Info

Publication number
CN115049839A
CN115049839A CN202210971506.1A CN202210971506A CN115049839A CN 115049839 A CN115049839 A CN 115049839A CN 202210971506 A CN202210971506 A CN 202210971506A CN 115049839 A CN115049839 A CN 115049839A
Authority
CN
China
Prior art keywords
simulation training
data
flight simulation
training equipment
quality detection
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
CN202210971506.1A
Other languages
English (en)
Other versions
CN115049839B (zh
Inventor
张奇
李剑华
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.)
Zhuhai Xiangyi Aviation Technology Co Ltd
Original Assignee
Zhuhai Xiangyi Aviation 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 Zhuhai Xiangyi Aviation Technology Co Ltd filed Critical Zhuhai Xiangyi Aviation Technology Co Ltd
Priority to CN202210971506.1A priority Critical patent/CN115049839B/zh
Publication of CN115049839A publication Critical patent/CN115049839A/zh
Application granted granted Critical
Publication of CN115049839B publication Critical patent/CN115049839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G01M11/02—Testing optical properties
    • G01M11/0242—Testing optical properties by measuring geometrical properties or aberrations
    • G01M11/0257—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested
    • G01M11/0264—Testing optical properties by measuring geometrical properties or aberrations by analyzing the image formed by the object to be tested by using targets or reference patterns
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
    • G09B9/08—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of aircraft, e.g. Link trainer

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Geometry (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于飞行模拟训练设备质量测试、自动检测技术领域，具体涉及一种针对飞行模拟训练设备客观质量测试的质量检测方法、系统、设备，旨在解决现有的针对飞行模拟训练设备客观质量测试的质量检测方法占用大量的人力，而且质量检测准确率、效率较低的问题。本方法包括：获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；对输入图像进行预处理，得到预处理图像；提取预处理图像的特征数据；通过摘要算法对特征数据处理得到摘要数据；获取飞行模拟训练设备设定部位的质量检测结果。本发明提高了针对飞行模拟训练设备客观质量测试的质量检测的准确率、效率。

Description

针对飞行模拟训练设备客观质量测试的质量检测方法
技术领域
本发明属于飞行模拟训练设备质量测试、自动检测技术领域，具体涉及一种针对飞行模拟训练设备客观质量测试的质量检测方法、系统、设备。
背景技术
现有的飞行模拟设备主要由大型显示设备(例如显示器或投影设备)、各种飞行或仿真仪表和各类连接操纵部件构成，在使用现有飞行模拟设备时，使用者位于大型显示器前面，并根据前方显示设备上展示的仿真视景，实时操作模拟飞行手柄并驱动各类连接操纵部件，从而实现无人机模拟飞行体验及飞行仿真训练的目的。
飞行模拟设备作为飞行员训练必不可少的设备，其安全性以及所产生的间接社会和经济价值是不能忽视的，因此，飞行模拟设备质量测试是飞行模拟设备质量检查必不可少的一部分。
由于飞行模拟设备属于航空领域的小众部分，人工智能识别在这方面的应用影响不大。现有的飞行模拟设备客观质量测试（飞行模拟设备质量测试分为客观质量测试和主观质量测试两个部分；其中，客观质量测试：对飞行模拟训练设备性能数据与实际的或预测的航空器数据进行的定量比较，以确保飞行模拟训练设备的性能在鉴定性能标准规定的容差范围内；主观质量测试：对飞行模拟训练设备在飞行和操作方面模拟航空器的程度进行的定性比较，由专业飞行人员完成）目前还是需要人工检查识别不合格的测试，占用大量人力。基于此，本发明提出了一种针对飞行模拟训练设备客观质量测试的质量检测方法。
发明内容
为了解决现有技术中的上述问题，即为了解决现有的针对飞行模拟训练设备客观质量测试的质量检测方法占用大量的人力，而且质量检测准确率、效率较低的问题，本发明第一方面，提出了一种针对飞行模拟训练设备客观质量测试的质量检测方法，该方法包括：
S100，获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
S200，对所述输入图像进行预处理，得到预处理图像；
S300，提取所述预处理图像的特征数据；
S400，通过摘要算法对所述特征数据处理得到摘要数据；
S500，获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
在一些优选的实施方式中，所述通过摘要算法对所述特征数据处理得到摘要数据之后还包括：
将所述摘要数据上传云端；
所述质量检测结果是所述摘要数据和所述云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
在一些优选的实施方式中，对所述输入图像进行预处理，其方法为：
通过滤波和非线性拉伸进行处理，将处理后的图像作为第一图像；
对第一图像分割后进行形态学处理，并提取ROI区域，将ROI区域对应的图像块作为预处理图像。
在一些优选的实施方式中，所述滤波去噪方法为：
对待滤波去噪的图像中各像素点，通过预构建的滤波函数对其进行滤波处理，获得滤波去噪后的图像；
通过预构建的滤波函数对其进行滤波处理，其方法为：
Figure 264141DEST_PATH_IMAGE001
Figure 899391DEST_PATH_IMAGE002
其中，
Figure 413549DEST_PATH_IMAGE003
表示待滤波去噪的图像中像素点
Figure 277600DEST_PATH_IMAGE004
经滤波处理后的对应的像素 点，
Figure 560813DEST_PATH_IMAGE005
为预构建的滤波函数，
Figure 101385DEST_PATH_IMAGE006
表示预构建的滤波函数的超参数，
Figure 102839DEST_PATH_IMAGE007
表示方差。
在一些优选的实施方式中，所述特征数据包括飞行模拟训练设备设定部位的多个特征子数据；
所述提取所述预处理图像的特征数据包括：随机提取所述预处理图像中的一个所述特征子数据；
所述通过摘要算法对所述特征数据处理得到摘要数据包括：通过摘要算法对所述特征子数据处理得到摘要子数据；
所述将所述摘要数据上传云端包括将所述摘要子数据上传云端。
在一些优选的实施方式中，所述获取飞行模拟训练设备设定部位的质量检测结果，包括：若所述质量检测结果为异常，则
遍历剩下的多个所述特征子数据，根据预设算法对多个所述特征子数据进行排列组合得到多个特征子数据组；
抽取至少一个所述特征子数据组，并对其中所有的所述特征子数据进行摘要算法计算，得到多个矫正摘要数据；
将所述多个矫正摘要数据上传云端；
将多个矫正摘要数据和云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的，重新获取行模拟训练设备设定部位的质量检测结果。
在一些优选的实施方式中，所述重新获取飞行模拟训练设备设定部位的质量检测结果，该质量检测结果是所述多个矫正摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的包括：
若所述质量检测结果为异常，则向第一次发送所述摘要子数据的所述云端发送异常警报信息；
重新获取行模拟训练设备设定部位的质量检测结果，该质量检测结果是所述云端将所述摘要子数据发送到其他所述云端中，并与所述云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
在一些优选的实施方式中，在通过摘要算法对所述特征数据处理得到摘要数据之前还包括：
与云端建立通信连接；
接收包含摘要算法的数据。
本发明的第二方面，提出了一种针对飞行模拟训练设备客观质量测试的质量检测系统，包括：图像获取模块、预处理模块、特征提取模块、特征处理模块、检测结果获取模块；
所述图像获取模块，配置为获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
所述预处理模块，配置为对所述输入图像进行预处理，得到预处理图像；
所述特征提取模块，配置为提取所述预处理图像的特征数据；
所述特征处理模块，配置为通过摘要算法对所述特征数据处理得到摘要数据；
所述检测结果获取模块，配置为获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
本发明的第三方面，提出了一种针对飞行模拟训练设备客观质量测试的质量检测设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的针对飞行模拟训练设备客观质量测试的质量检测方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的针对飞行模拟训练设备客观质量测试的质量检测方法。
本发明的有益效果：
本发明提高了针对飞行模拟训练设备客观质量测试的质量检测的准确率、效率。
1）本法发明通过摘要算法对特征数据处理得到摘要数据，可以减少数据量，能够缩短比对时间，减少延迟，提高传输准确率。并且，相比于传统的针对飞行模拟训练设备客观质量测试的质量检测方法，摘要算法中更改一个特征数据，得到的摘要数据完全不同，因此质量检测结果更为精确。
2）由于摘要算法的计算基本是不可逆的，因此可以根据算出来的摘要反推原有特征数据，可以保护数据及隐私，即即使获得了飞行模拟训练设备设定部位的摘要数据，也无法反推得到飞行模拟训练设备设定部位的特征数据。因此具有保护隐私的作用，避免数据被盗卖。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述，本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的针对飞行模拟训练设备客观质量测试的质量检测方法的流程示意图；
图2是本发明一种实施例的针对飞行模拟训练设备客观质量测试的质量检测系统的框架示意图；
图3是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明的针对飞行模拟训练设备客观质量测试的质量检测方法，如图1所示，包括以下步骤：
S100，获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
S200，对所述输入图像进行预处理，得到预处理图像；
S300，提取所述预处理图像的特征数据；
S400，通过摘要算法对所述特征数据处理得到摘要数据；
S500，获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
为了更清晰地对本发明针对飞行模拟训练设备客观质量测试的质量检测方法进行说明，下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
S100，获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
在本实施例中，先通过视频采集设备（例如摄像机、照相机）采集待质量检测的飞行模拟训练设备设定部位的监测图像。锁定待质量检测的飞行模拟训练设备设定部位后，可以对监测图像进行一个初步处理，例如颜色调整、还有角度调整，亮度调整等。
S200，对所述输入图像进行预处理，得到预处理图像；
在本实施例中，终端（例如计算机或上位机）对输入图像进一步处理，即预处理，具体过程如下：
通过滤波和非线性拉伸进行处理，将处理后的图像作为第一图像；
所述滤波去噪方法为：对待滤波去噪的图像中各像素点，通过预构建的滤波函数对其进行滤波处理，获得滤波去噪后的图像；
通过预构建的滤波函数对其进行滤波处理，其方法为：
Figure 770581DEST_PATH_IMAGE001
Figure 908301DEST_PATH_IMAGE002
其中，
Figure 370506DEST_PATH_IMAGE003
表示待滤波去噪的图像中像素点
Figure 108524DEST_PATH_IMAGE004
经滤波处理后的对应的像素 点，
Figure 314378DEST_PATH_IMAGE005
为预构建的滤波函数，
Figure 306604DEST_PATH_IMAGE006
表示预构建的滤波函数的超参数，
Figure 470869DEST_PATH_IMAGE007
表示方差。
如果像素点
Figure 181336DEST_PATH_IMAGE004
位于最后一列，则通过预构建的滤波函数对其进行滤波处理，其 方法为：
Figure 171639DEST_PATH_IMAGE008
Figure 549531DEST_PATH_IMAGE002
对第一图像分割后进行形态学处理，并提取ROI区域，将ROI区域对应的图像块作为预处理图像。
S300，提取所述预处理图像的特征数据；
在本实施例中，对预处理图像进行图像分析，提取特征数据。提取特征的过程可以为现有技术，这里不再赘述。特征数据可以包括时间历程曲线（以曲线方式显示各种参数的时间历程变化）、三维姿态演示（通过三维动画的方式演示三个姿态角的变化）、平显显示（模仿飞机的平显，在平显上显示飞行试验参数）、飞行试验参数（飞行高度、速度、偏航角度、垂直飞行轨迹）等特征值，也可以为飞行训练设备某一具体部位的特征值，例如显示屏、操纵杆、仪表面板、方向舵等。可以理解，进行飞行模拟训练设备设定部位的特征提取的时候需要进行标准化处理，由于没有在先对照样本，所以可以基于所识别的特征点进行其外接最小矩形或圆的获取，并进行统一尺寸的放大或缩小，进而获得标准化处理后的特征数据。或者，不直接采用参数，而采用参数之间的比值作为摘要数据生成的依据。
在本发明中，特征数据包括飞行模拟训练设备设定部位的多个特征子数据；可以理解为：例如：仪表面板的多个特征子数据包括导航仪表、发动机控制仪表、通讯仪表、燃油仪表等数据值；其他特征数据可以拆分为采样时间、采样时间特征数据值（以校正空速为例，特征数据值即为该采样时间发生时的校正空速）、容差范围。
S400，通过摘要算法对所述特征数据处理得到摘要数据；
由于摘要算法的计算基本是不可逆的，因此可以根据算出来的摘要反推原有特征数据，可以保护数据及隐私，即即使获得了飞行模拟训练设备设定部位的摘要数据，也无法反推得到飞行模拟训练设备设定部位的特征数据。
在本实施例中，对于任一个飞行模拟训练设备设定部位的特征数据可以包括多个所述特征子数据。特征子数据经过摘要算法处理后可以得到对应到摘要子数据。可以对每个特征数据进行处理，得到包含多个设定组合的摘要子数据；也可以得到单一特征代码+其对应的摘要子数据，在进行组合对比的时候，获取对应的代码+其摘要子数据进行排列组合并再次生成摘要数据。
可以理解，特征子数据进行摘要算法处理，所述数据的测量精度可以根据当前图像识别技术进行精度级别的选定，例如微米、毫米等，从而消除测量误差，保证对于同一设定部位的检测图像所提取的对应的特征子数据是相同的。
对采集的监测图像进行数据处理时，还可以采用分级的方式，设置级别单位，根据实际测量值除与对应的级别单位后取整得到对应的分级，长度、面积等特征均可以采用该种方式，以长度单位为例，以每0.1厘米为一个级别，则通讯仪表23.15厘米除与0.1为231.5，取整后得到对应的长度等级为231级。当然还可以采用其他级别单位。
其中，通过摘要算法对所述特征子数据处理得到摘要子数据，包括特征子数据基于摘要算法的编码、以及特征子数据中对应的设定部位的特征排列序列对应的代码的排列序列。
例如：A1B1C9|ECE7DC2FE50D337B……
“|”前面字符表示飞行模拟训练设备设定部位特征排列序列对应的代码的排列序列，以两位代表一个特征，本实施例中以A1表示发动机控制仪表读取的数据，B1表示燃油仪表读取的数据，C9表示燃油量；“|”后面字符表示特征A1、B1、C1对应数据通过摘要算法获得的编码。
同样的，飞行模拟训练设备客观质量测试数据库中存储的标准摘要数据也是由特征排列序列对应的代码的排列序列、以及标准特征数据基于摘要算法的编码。这样可以将相同特征排列的摘要子数据和标准摘要数据进行对比，降低了数据对比的数量，提高了识别效率。当然，也可以为单一特征编码和其摘要数据的组合，在需要进行组合特征对比时，将对应的多个单一特征的数据（特征编码+其摘要数据）进行排列后再次进行摘要数据的生成，得到特征排列组合的摘要数据既可以用来与所采集图像的特征排列组合的摘要数据进行对比。后者的方法可以大大减小飞行模拟训练设备客观质量测试数据库中存储数据的数量，以及特征对比时采用特征排列组合的灵活度
在本发明中，可以先进行特定的单一特征比对，即将单一设定部位的特征对应的摘要数据和与其对应标准摘要数据进行比对，从而快速缩小比对范围。或者可以先将某一个或几个设定部位的特征进行组合作为初步识别筛选方案，从而减少比对样本的数量。既可以在不大幅度增加运算量的同时，提高识别速度。
另外，另外，通过摘要算法对特征数据处理得到摘要数据之后还包括将所述摘要数据上传云端的步骤。
因为摘要算法算出数据量较小，例如SHA1的结果是160 bit字节，通常用一个40位的16进制字符串表示。可以只将所述摘要数据上传到云端或者上位机，可以减少数据上传量，能够缩短比对时间，减少延迟，提高传输准确率。并且，相比于传统的针对飞行模拟训练设备客观质量测试的质量检测方法，摘要算法中更改一个特征数据，得到的摘要数据完全不同，因此识别结果更为精确。
S500，获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
在本实施例中，飞行模拟训练设备客观质量测试数据库可以储存在云端。所述飞行模拟训练设备客观质量测试数据库中储存有飞行模拟训练设备多个设定部位的监测图像的标准特征数据对应的标准摘要数据。所述识别结果正常时，终端可以给出正确提示，当识别异常时，给出异常警报提示。具体如下：
S501，将摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到飞行模拟训练设备设定部位的质量检测结果，若所述质量检测结果为异常，则跳转S502；
S502，遍历剩下的多个所述特征子数据，根据预设算法对多个所述特征子数据进行排列组合得到多个特征子数据组；
S503，抽取至少一个所述特征子数据组，并对其中所有的所述特征子数据进行摘要算法计算，得到多个矫正摘要数据；
S504，将所述多个矫正摘要数据上传云端；
S505，将多个矫正摘要数据和云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的，重新获取行模拟训练设备设定部位的质量检测结果。多个矫正摘要数据再次与云端的飞行模拟训练设备客观质量测试数据库中的标准摘要子数据进行比对，能够更精确识别出待质量检测的飞行模拟训练设备的设定部位。
其中，若所述云端为1个，S505包括：
若所述质量检测结果为正常，则向所述云端上传比对正常的结果。若所述质量检测结果为异常，则向所述云端发送异常警报信息。
若所述云端为多个，S505包括：
若所述质量检测结果为异常，则向第一次发送所述摘要子数据的所述云端发送异常警报信息；此时，说明第一次与终端通信的云端的数据库中没有对应的标准摘要子数据。此时第一次发送质量检测结果的云端与其他云端建立通信；给其他云端发送未识别到的所述摘要子数据，然后通过其他云端中的飞行模拟训练设备客观质量测试数据库进一步识别。多个云端可以相互通信，因此云端中的飞行模拟训练设备客观质量测试数据库也可以互通有无，灵活调整。
为了便于更好的理解本发明，本发明给出了一个实施例，通过针对飞行模拟训练设备客观质量测试的质量检测方法进行飞行模拟训练设备的显示屏质量检测；具体步骤如下：
A100，获取待质量检测的行模拟训练设备显示屏以及对应显示屏光学参数监测的图像，作为输入图像；
A200，对输入图像进行通过滤波去噪和非线性拉伸进行处理，将处理后的图像作为第一图像；对第一图像分割后进行形态学处理，并提取ROI区域，将ROI区域对应的图像块作为预处理图像；
A300，提取显示屏当前显示内容对应的特征，以及光学参数特征，作为特征数据；其中，特征子数据即可以将显示屏显示内容对应的特征与光学参数特征进行拆分，例如，显示屏显示时，可以将显示屏显示的内容拆成不同灰阶画面对应的特征；在质量检测时，根据日常需求选择不同灰阶画面进行检测或者也可以进行多种灰阶画面组合检测。另外，光学参数也可以进行拆分。
A400，通过摘要算法对所述特征数据处理得到摘要数据；
A500，获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的；即：判断显示屏的光学参数特征是否在设定的光学参数方位内和/或判断采集的显示屏图像与预先存储的图像是否一致，如果不在和/或不一致，则判断是否在同一平面内，若在同一平面内，则确定显示屏为盒内不良。若不在同一平面内，判断是否屏幕有破损，如果破损，在确定为破损类不良；若屏幕没有破损，则进行显示屏画面判断（本发明优先通过灰阶LO画面和灰阶L255判断，即通过灰阶LO画面发现不良，则确定为偏光类不良或线类不良；通过灰阶L255发现，则确定为背光源组件不良）。
本发明第二实施例的一种针对飞行模拟训练设备客观质量测试的质量检测系统，如图2所示，包括：图像获取模块100、预处理模块200、特征提取模块300、特征处理模块400、检测结果获取模块500；
所述图像获取模块100，配置为获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
所述预处理模块200，配置为对所述输入图像进行预处理，得到预处理图像；
所述特征提取模块300，配置为提取所述预处理图像的特征数据；
所述特征处理模块400，配置为通过摘要算法对所述特征数据处理得到摘要数据；
所述检测结果获取模块500，配置为获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
需要说明的是，上述实施例提供的针对飞行模拟训练设备客观质量测试的质量检测系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种针对飞行模拟训练设备客观质量测试的质量检测设备，包括：至少一个处理器；以及与至少一个所述处理器通信连接的存储器；其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的针对飞行模拟训练设备客观质量测试的质量检测方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的针对飞行模拟训练设备客观质量测试的质量检测方法。
所述技术领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的电子设备、计算机可读存储介质的具体工作过程及有关说明，可以参考前述方法实例中的对应过程，在此不再赘述。
下面参考图3，其示出了适于用来实现本申请方法、系统、设备实施例的服务器的计算机系统的结构示意图。图3示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统包括中央处理单元(CPU，Central Processing Unit)301，其可以根据存储在只读存储器(ROM，Read Only Memory)302中的程序或者从存储部分308加载到随机访问存储器(RAM，Random Access Memory)303中的程序而执行各种适当的动作和处理。在RAM303中，还存储有系统操作所需的各种程序和数据。CPU301、ROM 302以及RAM303通过总线304彼此相连。输入/输出(I/O，Input/Output)接口305也连接至总线304。
以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid Crystal Display)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN(局域网，Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分309。通讯部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通讯部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU301执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (11)

1.一种针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，该方法包括以下步骤：
S100，获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
S200，对所述输入图像进行预处理，得到预处理图像；
S300，提取所述预处理图像的特征数据；
S400，通过摘要算法对所述特征数据处理得到摘要数据；
S500，获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
2.根据权利要求1所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，所述通过摘要算法对所述特征数据处理得到摘要数据之后还包括:
将所述摘要数据上传云端；
所述质量检测结果是所述摘要数据和所述云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
3.根据权利要求1所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，对所述输入图像进行预处理，其方法为：
步骤S201，通过滤波去噪和非线性拉伸进行处理，将处理后的图像作为第一图像；
步骤S202，对第一图像分割后进行形态学处理，并提取ROI区域，将ROI区域对应的图像块作为预处理图像。
4.根据权利要求3所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，所述滤波去噪方法为：
对待滤波去噪的图像中各像素点，通过预构建的滤波函数对其进行滤波处理，获得滤波去噪后的图像；
通过预构建的滤波函数对其进行滤波处理，其方法为：
Figure 187115DEST_PATH_IMAGE001
Figure 573097DEST_PATH_IMAGE002
其中，
Figure 821676DEST_PATH_IMAGE003
表示待滤波去噪的图像中像素点
Figure 685726DEST_PATH_IMAGE004
经滤波处理后的对应的像素点，
Figure 765678DEST_PATH_IMAGE005
为 预构建的滤波函数，
Figure 56982DEST_PATH_IMAGE006
表示预构建的滤波函数的超参数，
Figure 813365DEST_PATH_IMAGE007
表示方差。
5.根据权利要求2所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，所述特征数据包括飞行模拟训练设备设定部位的多个特征子数据；
所述提取所述预处理图像的特征数据包括：随机提取所述预处理图像中的一个所述特征子数据；
所述通过摘要算法对所述特征数据处理得到摘要数据包括：通过摘要算法对所述特征子数据处理得到摘要子数据；
所述将所述摘要数据上传云端包括将所述摘要子数据上传云端。
6.根据权利要求5所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，所述获取飞行模拟训练设备设定部位的质量检测结果，包括：若所述质量检测结果为异常，则
遍历剩下的多个所述特征子数据，根据预设算法对多个所述特征子数据进行排列组合得到多个特征子数据组；
抽取至少一个所述特征子数据组，并对其中所有的所述特征子数据进行摘要算法计算，得到多个矫正摘要数据；
将所述多个矫正摘要数据上传云端；
将多个矫正摘要数据和云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的，重新获取行模拟训练设备设定部位的质量检测结果。
7.根据权利要求6所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，所述重新获取行模拟训练设备设定部位的质量检测结果，该质量检测结果是所述多个矫正摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的包括：
若所述质量检测结果为异常，则向第一次发送所述摘要子数据的所述云端发送异常警报信息；
重新获取飞行模拟训练设备设定部位的质量检测结果，该质量检测结果是所述云端将所述摘要子数据发送到其他所述云端中，并与所述云端中的飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
8.根据权利要求1所述的针对飞行模拟训练设备客观质量测试的质量检测方法，其特征在于，在通过摘要算法对所述特征数据处理得到摘要数据之前还包括：
与云端建立通信连接；
接收包含摘要算法的数据。
9.一种针对飞行模拟训练设备客观质量测试的质量检测系统，其特征在于，该系统包括：图像获取模块、预处理模块、特征提取模块、特征处理模块、检测结果获取模块；
所述图像获取模块，配置为获取待质量检测的飞行模拟训练设备设定部位的监测图像，作为输入图像；
所述预处理模块，配置为对所述输入图像进行预处理，得到预处理图像；
所述特征提取模块，配置为提取所述预处理图像的特征数据；
所述特征处理模块，配置为通过摘要算法对所述特征数据处理得到摘要数据；
所述检测结果获取模块，配置为获取飞行模拟训练设备设定部位的质量检测结果；所述质量检测结果是所述摘要数据和飞行模拟训练设备客观质量测试数据库中的多个标准摘要数据比对得到的。
10.一种针对飞行模拟训练设备客观质量测试的质量检测设备，其特征在于，包括：
至少一个处理器；以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-8任一项所述的针对飞行模拟训练设备客观质量测试的质量检测方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-8任一项所述的针对飞行模拟训练设备客观质量测试的质量检测方法。
CN202210971506.1A 2022-08-15 2022-08-15 针对飞行模拟训练设备客观质量测试的质量检测方法 Active CN115049839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210971506.1A CN115049839B (zh) 2022-08-15 2022-08-15 针对飞行模拟训练设备客观质量测试的质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210971506.1A CN115049839B (zh) 2022-08-15 2022-08-15 针对飞行模拟训练设备客观质量测试的质量检测方法

Publications (2)

Publication Number Publication Date
CN115049839A true CN115049839A (zh) 2022-09-13
CN115049839B CN115049839B (zh) 2022-11-01

Family

ID=83166568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210971506.1A Active CN115049839B (zh) 2022-08-15 2022-08-15 针对飞行模拟训练设备客观质量测试的质量检测方法

Country Status (1)

Country Link
CN (1) CN115049839B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070816A (zh) * 2023-02-01 2023-05-05 苏州海易泰克机电设备有限公司 一种基于物联网的飞行模拟训练管理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053563A (zh) * 2010-12-27 2011-05-11 刘宇 模拟机飞行训练数据采集及质量评估系统
CN109376628A (zh) * 2018-10-10 2019-02-22 杭州登虹科技有限公司 一种图像质量检测方法、装置和存储介质
WO2021083241A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 人脸图像质量评价方法、特征提取模型训练方法、图像处理系统、计算机可读介质和无线通信终端
WO2021253510A1 (zh) * 2020-06-18 2021-12-23 中国科学院自动化研究所 基于双向交互网络的行人搜索方法、系统、装置
CN114313303A (zh) * 2020-09-30 2022-04-12 北京振兴计量测试研究所 一种无人机飞行性能的检测设备、系统及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102053563A (zh) * 2010-12-27 2011-05-11 刘宇 模拟机飞行训练数据采集及质量评估系统
CN109376628A (zh) * 2018-10-10 2019-02-22 杭州登虹科技有限公司 一种图像质量检测方法、装置和存储介质
WO2021083241A1 (zh) * 2019-10-31 2021-05-06 Oppo广东移动通信有限公司 人脸图像质量评价方法、特征提取模型训练方法、图像处理系统、计算机可读介质和无线通信终端
WO2021253510A1 (zh) * 2020-06-18 2021-12-23 中国科学院自动化研究所 基于双向交互网络的行人搜索方法、系统、装置
CN114313303A (zh) * 2020-09-30 2022-04-12 北京振兴计量测试研究所 一种无人机飞行性能的检测设备、系统及检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘宇 等: "模拟机飞行训练数据采集及质量评估系统", 《PROCEEDINGS OF 2011 AASRI CONFERENCE ON ARTIFICIAL INTELLIGENCE AND INDUSTRY APPLICATION（AASRI-AIIA 2011 V1）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070816A (zh) * 2023-02-01 2023-05-05 苏州海易泰克机电设备有限公司 一种基于物联网的飞行模拟训练管理方法及系统
CN116070816B (zh) * 2023-02-01 2023-06-02 苏州海易泰克机电设备有限公司 一种基于物联网的飞行模拟训练管理方法及系统

Also Published As

Publication number Publication date
CN115049839B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN108229485B (zh) 用于测试用户界面的方法和装置
US11010883B2 (en) Automated analysis of petrographic thin section images using advanced machine learning techniques
US20090009378A1 (en) System and Method of Analyzing Radar Information
CN103528617A (zh) 一种座舱仪表自动识别和检测方法及装置
CN115049839B (zh) 针对飞行模拟训练设备客观质量测试的质量检测方法
CN117152648B (zh) 一种基于增强现实的辅助教学识图装置
CN113723169A (zh) 基于SlowFast的行为识别方法、系统及设备
CN111723728A (zh) 基于双向交互网络的行人搜索方法、系统、装置
CN109949242A (zh) 图像去雾模型的生成方法、装置及图像去雾方法、装置
CN111598913B (zh) 一种基于机器人视觉的图像分割方法和系统
CN112102424A (zh) 车牌图像生成模型构建方法、生成方法及装置
CN111553184A (zh) 一种基于电子围网的小目标检测方法、装置及电子设备
You et al. Dmrvisnet: Deep multihead regression network for pixel-wise visibility estimation under foggy weather
CN109088793B (zh) 用于检测网络故障的方法和装置
CN113762303A (zh) 图像分类方法、装置、电子设备及存储介质
CN115082299B (zh) 非严格对齐的小样本不同源图像转换方法、系统及设备
CN113553549B (zh) 一种植被覆盖度反演方法、装置、电子设备及存储介质
CN111950356B (zh) 印章文本定位方法、装置及电子设备
CN113240759A (zh) 一种基于色温的能见度确定方法、装置、设备及存储介质
CN114155380A (zh) 一种仪表盘图像识别方法、装置、计算机设备和存储介质
RU2799904C1 (ru) Система сбора и обработки полётной информации при проведении лётных испытаний цифровых оптико-электронных систем дистанционного зондирования земли с использованием цифрового двойника
CN108932482A (zh) 一种用于调查草原沙化的遥感自动识别方法
CN116912429B (zh) 高清晰度视景ig材质三维重建方法与系统
CN115018746A (zh) 图像合成方法、装置、电子设备及存储介质
CN116797822A (zh) 一种基于多光谱和sar融合遥感数据的海冰分类方法

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