CN115760790A - 机场路面异物检测方法、服务器及存储介质 - Google Patents

Abstract

本申请公开了一种机场路面异物检测方法、服务器及存储介质，包括如下步骤：步骤1：获取综合路面数据信息；步骤2：将所述综合路面数据信息通过像素点的坐标和色彩属性转移到独立分布的数据点上，形成非结构化数据；步骤3：对所述非结构化数据进行预处理，预处理后进行横向卷积处理；步骤4：对横向卷积处理后的非结构化数据通过梯度降采样处理；步骤5：将处理后的非结构化数据集输入至机场异物检测网络中进行特征提取，输出提取到的异物信息。通过横向卷积与梯度降采样的方法减少因为噪声，行驶不均匀、光照等环境所引起的数据跳变的问题，机场异物发现网络基于数据自驱动进行建模，自行消除误差，对不同的机场环境能够自适应。

Description

机场路面异物检测方法、服务器及存储介质

技术领域

本申请属于检测数据处理领域，特别涉及一种机场路面异物检测方法、服务器及存储介质

背景技术

传统的机场异物检测，主要采用的技术有图像和雷达无线电波。图像技术主要使用相机对机场路面进行图像采集，得到数据后对图像数据及定位数据进行帧差、灰度突变分割等处理，得到路面异物信息。这种办法成本低且容易实现，但受可见光与环境光的影响较大，图像采集会受到车辆震动或环境的影响，影响图像的失真，检测精确度不高且效率低下。如何在受影响的失真图像中提取道路异物信息，且精准高效的检测异物是亟待解决的问题。

雷达无线电波的办法应用较多，其原理是通过雷达设备发射电磁波能量至整个机场路面自由空间，若电磁波途径异物则返回至雷达，雷达接受回波信号并送至接收设备进行处理，得到异物空间的信息。但无线电波会影响飞机控制器的起降，且受到杂波等影响会导致检测精度受限制的问题。

目前广泛推广用于机场异物检测的方法是激光扫描三维成像技术。需要对机场进行建模，工作量较大。随着自动建模，自动特征提取技术的普及，即使在数据量很大的情况下工作量会被大幅度减小且检测效率较高，但在检测前进行训练时依然存在工作量大的问题。而且检测系统的研发需要高素质人才，导致研发成本较高。

因此，需要一种针对机场路面异物检测的新方法，能够解决上述问题。

发明内容

为了解决所述现有技术的不足，本申请提供了一种机场路面异物检测方法、服务器及存储介质，采用多种获取源所构成非结构化融合数据，来获取道路表面三维非结构化数据集，通过横向卷积与梯度降采样的方法减少因为噪声，行驶不均匀、光照等环境所引起的数据跳变的问题，机场异物发现网络基于数据自驱动进行建模，自行消除误差，对不同的机场环境能够自适应。

本申请所要达到的技术效果通过以下方案实现：

根据本发明的第一方面，提供了一种机场路面异物检测方法，包括如下步骤：

步骤1：获取综合路面数据信息；

步骤2：将所述综合路面数据信息通过像素点的坐标和色彩属性转移到独立分布的数据点上，形成非结构化数据；

步骤3：对所述非结构化数据进行预处理，预处理后进行横向卷积处理；

步骤4：对横向卷积处理后的非结构化数据通过梯度降采样处理；

步骤5：将处理后的非结构化数据集输入至机场异物检测网络中进行特征提取，输出提取到的异物信息。

优选地，所述综合路面数据信息至少包括多光谱数据、深度数据以及不同角度的路面空间位置数据信息。

优选地，在步骤2中，根据综合路面数据信息建立路面坐标系，再通过相机标定技术转换为3D分布的数据点，最后将像素点的坐标和色彩属性迁移至所述数据点上使路面具有不同的色彩信息。

优选地，在步骤3中，所述预处理包括：对整片区域的非结构化数据的突变及异常进行特征提取与分割，并对异常值进行滤除从而实现去噪、滤波的操作。

优选地，在步骤3中，横向卷积处理具体为：使用一个卷积核对选中区域的深度信息进行卷积处理，卷积操作沿输入数据横向移动，计算中心点到领域点之间的深度值变化量，卷积的结果作为当前深度值，根据深度值的变化进行振动补偿。

优选地，在步骤4中，利用梯度原理计算路面异物非结构化数据空间结构变化的剧烈程度，再将不同的数据点按梯度大小进行分类，给不同的类别的数据进行不同比例的采样。

优选地，设置梯度阈值，计算两个相邻点的梯度，当梯度值大于所述梯度阈值时，将其放入集合H中，否则放入集合L，采样公式如下：

M＝H×T+L×(1-T)

其中，M为预期采样点数，T为高梯度区域采样率。

优选地，所述机场异物检测网络包括非机构化数据输入层、特征提取层以及异物信息输出层，其中，所述特征提取层对非机构化数据输入层中输入的非结构化数据进行特征提取，提取到异物信息由异物信息输出层输出，得到所检测出的异物。

根据本发明的第二方面，提供了一种服务器，包括：存储器和至少一个处理器；

所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现上述任一项所述的机场路面异物检测方法。

根据本发明的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述任一项所述的机场路面异物检测方法。

本发明的有益效果在于，采用多种获取源所构成非结构化融合数据，来获取道路表面三维非结构化数据集，由于震动可能带来的误差，需要对数据进行震动补偿处理，达到提高检测准确度的目的。本发明基于此提出了横向卷积的数据处理方法以抵消震动误差，并设计了梯度降采样的方法解决了非结构化数据过多导致工作量大的问题。

通过对非结构化数据滤躁分割，采用横向卷积消除误差后生成三维非结构化数据集，忽略光滑的数据，对有异变的数据进行提取，将所提取的非结构化数据按不同梯度分类，给不同的类别的数据进行不同比例的采样。然后将数据输入至机场异物检测网络中进行识别检测。

本发明相较于传统异物检测技术与激光检测技术，泛化能力强，结合空间信息优势，充分利用了数据的多维属性，在特征提取方面做出改进，提高了检测精度，降低了数据处理的工作量。

附图说明

为了更清楚地说明本申请实施例或现有的技术方案，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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例中一种机场路面异物检测方法的流程图；

图2为本申请一实施例中一种服务器的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅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。

如图1所示，本申请一实施例中的机场路面异物检测方法，包括如下步骤：

S110：获取综合路面数据信息；

在该步骤中，安装在悬臂上的多光谱相机、深度相机与线阵列相机照向路面获取路面位置信息，同时激光雷达扫描路面，综合获取得到路面异物的多光谱数据、深度数据、色彩属性以及不同角度的路面空间位置数据信息，其中不同角度的路面空间位置数据信息由激光雷达获得，用来多角度确定路面异物位置与形状信息。

S120：将综合路面数据信息通过像素点的坐标和色彩属性转移到独立分布的数据点上，形成非结构化数据；

在该步骤中，根据综合路面数据信息建立路面坐标系，再通过相机标定技术转换为3D分布的数据点，最后将像素点的坐标和色彩属性迁移至所述数据点上使路面具有不同的色彩信息，以更加直观的观察路面信息以及异物信息。

该实施例中，独立分布的数据点具有道面的颜色位置信息，具有置换不变性和旋转不变性，通过相机标定与色彩空间中的颜色迁移将相机获取的不同道面信息转移至独立分布的数据点上。

S130：对非结构化数据进行预处理，预处理后进行横向卷积处理；

在该步骤中，预处理包括：对整片区域的非结构化数据的突变及异常进行特征提取与分割，并对异常值进行滤除从而实现去噪、滤波的操作；再对处理后的数据进行进一步的横向卷积处理，消除震动误差。

理想状态下除异物外，路面深度数据应整体平行于路面。基于此，横向卷积处理的具体方式为：使用一个卷积核对局部区域的深度信息进行卷积处理，卷积操作沿输入数据横向移动，计算中心点到领域点之间的深度值变化量，卷积的结果作为当前深度值，根据深度值的变化进行振动补偿。

S140：对横向卷积处理后的非结构化数据通过梯度降采样处理；

在该步骤中，利用梯度原理计算路面异物非结构化数据空间结构变化的剧烈程度，再将不同的数据点按梯度大小进行分类，给不同的类别的数据进行不同比例的采样。具体为：

非结构化数据记为集合C，预期采样点数为M，高梯度区域记为H，低梯度区域记为L，高梯度区域采样率为T。设置梯度阈值，计算点到邻近点的梯度，当点与邻域点的梯度大于设置的阈值时，就将该点被放入集合H，否则放入集合L。基于此将非结构化数据分成两部分，对不同的区域进行采样，采样公式如式下：

M＝H×T+L×(1-T)

通过梯度大小进行阈值区分，再结合不同的采样率使目标的轮廓特征更加明显，即保留了异物特征信息，又保证了时间复杂度低的特点。

S150：将处理后的非结构化数据集输入至机场异物检测网络中进行特征提取，输出提取到的异物信息。

在该步骤中，机场异物检测网络包括非机构化数据输入层、特征提取层以及异物信息输出层，其中，特征提取层对非机构化数据输入层中输入的非结构化数据进行特征提取，提取到异物信息由异物信息输出层输出，得到所检测出的异物。

通过以上的步骤，在传感器获取到路面数据信息后需要修正消除震动或行驶不均匀带来的误差，而理想状态下，认为传感器获取非结构化数据整体平行于路面。基于此，选择用一个卷积核对局部区域的非结构化数据进行卷积处理。依据激光逐行生成扫描数据的原理，对非结构化数据进行横向卷积以抵消震动误差。通过横向卷积计算中心点到邻域点之间的深度值变化量，横向卷积沿输入数据横向移动。由于跑道路面高度变化缓慢,且为一近似平面,同一区域内异物与路面的非结构化数据高度相差明显，当数据高度发生突变时证明出现异物，保存异物深度的突变，在深度平缓变化的区域，则认为是相机发生抖动造成的误差。

在获取到机场路面非结构化数据之后，需要将其输入至机场异物检测网络中，而路面空间结构信息过于复杂，获取的非结构化数据量过于庞大，影响检测效率与检测效果。基于此提出了对非结构化数据进行梯度降采样的方法。在经过横向卷积的误差修正后，不包含异物路段的非结构化数据应呈现水平分布，当出现异物时空间数据会产生剧烈变化。基于此，在非结构化数据梯度变化大的地方多采样，提取异物的特征轮廓，用梯度原理计算路面异物数据空间结构变化剧烈程度，再将不同的点按梯度大小进行分类，给不同的类别的数据进行不同比例的采样，以降低数据处理量。

在本申请一实施例中，还提供了一种服务器，如图2所示，包括：存储器201和至少一个处理器202；

所述存储器201存储计算机程序，所述至少一个处理器202执行所述存储器201存储的计算机程序，以实现上述任一项所述的机场路面异物检测方法。

在本申请一实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被执行时实现上述任一项所述的机场路面异物检测方法。

本发明的有益效果在于，采用多种获取源所构成非结构化融合数据，来获取道路表面三维非结构化数据集，由于震动可能带来的误差，需要对数据进行震动补偿处理，达到提高检测准确度的目的。本发明基于此提出了横向卷积的数据处理方法以抵消震动误差，并设计了梯度降采样的方法解决了非结构化数据过多导致工作量大的问题。

通过对非结构化数据滤躁分割，采用横向卷积消除误差后生成三维非结构化数据集，忽略光滑的数据，对有异变的数据进行提取，将所提取的非结构化数据按不同梯度分类，给不同的类别的数据进行不同比例的采样。然后将数据输入至机场异物检测网络中进行识别检测。

本发明相较于传统异物检测技术与激光检测技术，泛化能力强，结合空间信息优势，充分利用了数据的多维属性，在特征提取方面做出改进，提高了检测精度，降低了数据处理的工作量。

应该指出，上述详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语均具有与本申请所属技术领域的普通技术人员的通常理解所相同的含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式。此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位，如旋转90度或处于其他方位，并且对这里所使用的空间相对描述作出相应解释。

在上面详细的说明中，参考了附图，附图形成本文的一部分。在附图中，类似的符号典型地确定类似的部件，除非上下文以其他方式指明。在详细的说明书、附图及权利要求书中所描述的图示说明的实施方案不意味是限制性的。在不脱离本文所呈现的主题的精神或范围下，其他实施方案可以被使用，并且可以作其他改变。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.机场路面异物检测方法，其特征在于，包括如下步骤：

步骤1：获取综合路面数据信息；

步骤2：将所述综合路面数据信息通过像素点的坐标和色彩属性转移到独立分布的数据点上，形成非结构化数据；

步骤3：对所述非结构化数据进行预处理，预处理后进行横向卷积处理；

步骤4：对横向卷积处理后的非结构化数据通过梯度降采样处理；

步骤5：将处理后的非结构化数据集输入至机场异物检测网络中进行特征提取，输出提取到的异物信息。

2.根据权利要求1所述的机场路面异物检测方法，其特征在于，所述综合路面数据信息至少包括多光谱数据、深度数据_、色彩属性以及不同角度的路面空间位置数据信息。

3.根据权利要求2所述的机场路面异物检测方法，其特征在于，在步骤2中，根据综合路面数据信息建立路面坐标系，再通过相机标定技术转换为3D分布的数据点，最后将像素点的坐标和色彩属性迁移至所述数据点上使路面具有不同的色彩信息。

4.根据权利要求1所述的机场路面异物检测方法，其特征在于，在步骤3中，所述预处理包括：对整片区域的非结构化数据的突变及异常进行特征提取与分割，并对异常值进行滤除从而实现去噪、滤波的操作。

5.根据权利要求4所述的机场路面异物检测方法，其特征在于，在步骤3中，横向卷积处理具体为：使用一个卷积核对选中区域的深度信息进行卷积处理，卷积操作沿输入数据横向移动，计算中心点到领域点之间的深度值变化量，卷积的结果作为当前深度值，根据深度值的变化进行振动补偿。

6.根据权利要求1所述的机场路面异物检测方法，其特征在于，在步骤4中，利用梯度原理计算路面异物非结构化数据空间结构变化的剧烈程度，再将不同的数据点按梯度大小进行分类，给不同的类别的数据进行不同比例的采样。

7.根据权利要求6所述的机场路面异物检测方法，其特征在于，设置梯度阈值，计算两个相邻点的梯度，当梯度值大于所述梯度阈值时，将其放入集合H中，否则放入集合L，采样公式如下：

M＝H×T+L×(1-T)

其中，M为预期采样点数，T为高梯度区域采样率。

8.根据权利要求1所述的机场路面异物检测方法，其特征在于，所述机场异物检测网络包括非机构化数据输入层、特征提取层以及异物信息输出层，其中，所述特征提取层对非机构化数据输入层中输入的非结构化数据进行特征提取，提取到异物信息由异物信息输出层输出，得到所检测出的异物。

9.一种服务器，其特征在于，包括：存储器和至少一个处理器；

所述存储器存储计算机程序，所述至少一个处理器执行所述存储器存储的计算机程序，以实现权利要求1至8中任一项所述的机场路面异物检测方法。

10.一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中存储有计算机程序，所述计算机程序被执行时实现权利要求1至8中任一项所述的机场路面异物检测方法。

Images