CN116973377A - 一种小型机场道面异物高光谱检测装置和方法 - Google Patents

一种小型机场道面异物高光谱检测装置和方法 Download PDF

Info

Publication number
CN116973377A
CN116973377A CN202310965408.1A CN202310965408A CN116973377A CN 116973377 A CN116973377 A CN 116973377A CN 202310965408 A CN202310965408 A CN 202310965408A CN 116973377 A CN116973377 A CN 116973377A
Authority
CN
China
Prior art keywords
foreign matter
hyperspectral
foreign
imager
airport pavement
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
Application number
CN202310965408.1A
Other languages
English (en)
Inventor
刘青松
唐深兰
江琴
但有全
许罗鹏
孙培育
李梦弟
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.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
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 Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN202310965408.1A priority Critical patent/CN116973377A/zh
Publication of CN116973377A publication Critical patent/CN116973377A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D63/00—Motor vehicles or trailers not otherwise provided for
    • B62D63/02—Motor vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D63/00—Motor vehicles or trailers not otherwise provided for
    • B62D63/02—Motor vehicles
    • B62D63/04—Component parts or accessories
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • G01N2021/9518—Objects of complex shape, e.g. examined with use of a surface follower device using a surface follower, e.g. robot

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Immunology (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Transportation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种小型机场道面异物高光谱检测装置和方法，涉及机场道面巡检设备技术领域，包括高光谱成像仪、成像仪支撑部件、道路巡检小车、数据处理器和显示设备；所述高光谱成像仪安装在所述成像仪支撑部件上，所述成像仪支撑部件安装在所述道路巡检小车上，所述高光谱成像仪与所述数据处理器之间通信连接，所述数据处理器与所述显示设备之间通信线电连接。本发明设备布局合理，方法简便，能够高效低成本的识别机场道面异物。

Description

一种小型机场道面异物高光谱检测装置和方法
技术领域
本发明涉及机场道面巡检设备技术领域，尤其涉及一种小型机场道面异物高光谱检测装置和方法。
背景技术
机场跑道、滑行道、停机坪等道面异物(Foreign Object Debris,FOD)已成为造成飞机损伤和威胁飞行安全的重大隐患，由此引发的航班延误、中断起飞、关闭跑道等间接损失更大。目前进行繁冗的人工巡检需要长时间关闭跑道，制约航班通行效率，难以满足机场快速增长的起降频次的需要。以雷达、光学相机、多源传感器融合为代表的自动检测技术，或难以区分道面异物种类，或难以区分图像特征相似的目标和背景，或维护成本过高，在精确度、可靠性、经济性方面难以满足更高要求。针对机场道面异物的自主感知和预警应用需求，亟需发展新型的机场道面异物检测技术和设备。
现阶段，国内外大部分机场均主要靠巡检人员每天四次步行检查完成，以毫米波雷达、光学相机等设备为代表的自动巡查仅约占所有检测的10％。相比人工检测方式，自动巡查方式封闭跑道的时间更短，对于民用航空机场来说，在保障航空运输安全的同时，降低机场公共资源的损耗，提高人力资源的利用率，还可以提高机场的起降容量和运行效率。目前，国内外研制的FOD检测技术和系统主要有以下几种：
1.基于毫米波雷达(MW Radar)的FOD检测技术
基于毫米波雷达的FOD检测技术是一种常用的跑道异物检测技术。毫米波雷达能够发射高频电磁波(GHz)，当其遇到道面上的异物时，会反射回雷达接收器。通过分析反射信号的特性和时间延迟等信息，可以对跑道上的异物进行探测识别。毫米波雷达具有体积小、质量轻、空间分辨率高、抗电磁干扰强等特点，非常适用于机场跑道FOD探测应用。但该技术无法对不同异物种类进行分类，且硬件设备成本较高。另外，随着毫米波设备在民用领域的大规模应用，同邻频兼容性成为FOD探测系统应用不可规避的问题。目前国内外产品化的FOD探测雷达均采用毫米波频段(30～300GHz)，工作频率主要包括76-77GHz、78-81GHz、92-95GHz三个频段，76-81GHz频段共存设备主要有车载雷达和周界安防雷达，仅92-95GHz频段FOD雷达与现有共存设备兼容性问题不突出。布置方式常为塔架式、分布式(边灯式)和移动式(车载式、机器人式)探测系统，主要应用于国内外各大型机场。
2.基于光学相机(Optical camera)的FOD检测技术
基于光学相机的FOD检测技术利用计算机视觉技术实现自动识别，并定位跑道上的异物。相比毫米波雷达，它能提供更详细真实的目标图像信息，并且能非常方便地与其他传感器进行融合，也可以结合深度学习、神经网络等技术来进一步提升检测精度，但在区分图像特征相似的目标和背景时容易出现漏检的问题，且在天气变化和低视程环境下可能表现出较大的误差和不稳定性，如新加坡利用可见光摄像机开发的iFerret系统(塔架式)。
3.基于多源传感器融合的FOD检测技术
综合检测系统主要由毫米波雷达、可见光摄像机、红外热成像摄像机组成，采用多源数据融合的目标识别分类处理算法，可实现对机场跑道异物的全天时、全天候、全自动检测。这种技术能够结合不同传感器的优势实现更高效、更准确的检测，但需要解决传感器数据集成、校准、处理等问题，且综合成本较高。如英国开发的Tarsier Radar系统(塔架式)、以色列开发的FODetect系统(边灯式)和美国开发的FODFinder系统(车载式)。
综上所述，如何提出一种小型机场道面异物高光谱检测装置和方法，以实现高效低成本的识别机场道面异物，成为本领域技术人员亟待解决的技术难题。
发明内容
本发明的目的是提供一种小型机场道面异物高光谱检测装置和方法，解决现有技术在机场道面异物检测方面存在效率低、漏检率高、成本高等问题。
为解决上述技术问题，本发明采用如下技术方案：
本发明提供一种小型机场道面异物高光谱检测装置，包括：高光谱成像仪、成像仪支撑部件、道路巡检小车、数据处理器和显示设备；
所述高光谱成像仪安装在所述成像仪支撑部件上，所述成像仪支撑部件安装在所述道路巡检小车，所述高光谱成像仪与所述数据处理器之间通信连接，所述数据处理器与所述显示设备之间通信线电连接。
优选的，所述成像仪支撑部件包括电动旋转台和三维云台，所述高光谱成像仪通过L型转接板连接在所述电动旋转台上，所述电动旋转台通过平板型转接板连接在所述三维云台上，所述三维云台安装在所述道路巡检小车的支撑平台上。
优选的，所述电动旋转台为高精度电动旋转台，所述电动旋转台的转角精度为0.005°，所述电动旋转台的旋转扫描速度为0.01°/s-25°/s，所述电动旋转台的旋转角度大于300°。
优选的，所述三维云台为轻载云台，所述三维云台的最大承载为7kg，所述三维云台的重复定位精度不大于±0.1°，所述三维云台的俯仰旋转角度在+90°于-60°之间。
优选的，所述道路巡检小车中部或底部还安装有移动电源，所述移动电源为所述高光谱成像仪、电动旋转台和三维云台供电。
优选的，所述L型转接板的底板上开设有5个螺纹孔，所述L型转接板的侧板上开设有4个螺纹孔，所述螺纹孔的孔径尺寸为M4，所述L型转接板的底板连接所述电动旋转台，所述L型转接板的侧板连接所述高光谱成像仪。
优选的，所述平板型转接板为梯形平板，所述平板型转接板上开设有12个螺纹孔，所述螺纹孔的孔径尺寸为M6。
优选的，所述道路巡检小车的的支撑平台的高度可调。
本发明还提供一种小型机场道面异物高光谱检测方法，包括以下步骤：
S1：参数设置，利用所述数据处理器设置三维云台的俯角参数为30°，电动旋转台的起点角度参数为30°，旋转扫描角距离参数为90°，转速参数为0.5°/s，高光谱成像仪的曝光时间参数为10ms，物距参数为1.5m；
S2：路径设置，根据小型机场跑道、滑行道与停机坪的道路情况规划设置所述道路巡检小车的巡检路径；
S3：异物识别算法加载，将基于光谱特征的波形相似度匹配算法，和基于图像特征的卷积神经网络算法加载入所述数据处理器中；
S4：异物识别算法训练，利用飞机部件、玻璃制品、碎石块、木棍、金属零件、塑料纸片和行李物品分别训练所述数据处理器中的卷积神经网络算法和波形相似度匹配算法；
S5：数据采集，所述道路巡检小车按照规划设置的巡检路径运动，带动所述高光谱成像仪采集机场道面图像数据信息，所述机场道面图像数据信息处理后形成机场道面光谱数据信息；
S6：异物识别，利用训练好的卷积神经网络算法和波形相似度匹配算法分别处理高光谱成像仪传来的机场道面图像数据信息和与机场道面图像数据信息相对应的光谱数据信息，根据卷积神经网络算法和波形相似度匹配算法的分析处理结果对比完成对道路异物进行识别；
S7：结果显示，利用所述显示设备实时显示卷积神经网络算法和波形相似度匹配算法的分析处理结果。
其中，S6中包括以下分步骤：
S61：利用训练好的卷积神经网络算法处理高光谱成像仪传来的机场道面图像数据信息，得到异物识别结果a，所述异物识别结果a包括无异物a1，有异物且异物种类为a2；
S62：利用训练好的波形相似度匹配算法处理高光谱成像仪传来的机场道面光谱数据信息，得到异物识别结果b，所述异物识别结果b包括无异物b1，有异物且异物种类为b2；
S63：对步骤S61与步骤S62的输出结果进行判断：
步骤S61的输出结果为无异物a1且步骤S62的输出结果为无异物b1时，输出无异物a1；
步骤S61的输出结果为无异物a1且步骤S62的输出结果为有异物且异物种类为b2，输出有异物且异物种类为b2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为无异物b1时，输出异物且异物种类为a2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为有异物且异物种类为b2时，输出有异物且异物种类为b2。
与现有技术相比，本发明的有益技术效果：
本发明一种小型机场道面异物高光谱检测装置，包括高光谱成像仪、成像仪支撑部件、道路巡检小车、数据处理器和显示设备；
所述高光谱成像仪安装在所述成像仪支撑部件上，所述成像仪支撑部件安装在所述道路巡检小车上，所述高光谱成像仪与所述数据处理器之间通信连接，所述数据处理器与所述显示设备之间通信线电连接。
1)相比现有的基于毫米波雷达(MW Radar)的FOD检测技术，本发明在雷达可检测到异物存在但无法区分异物种类时，借助目标丰富的图像和光谱信息，可实现道面异物的识别分类；
2)相比现有的基于光学相机(Optical camera)的FOD检测技术，本发明在图像特征无法区分待测目标和背景时，利用每种物质特有的“指纹”光谱特征，可实现道面异物图像的逐像元精细识别分类；
3)相比现有的基于多源传感器融合的FOD检测技术，本发明仅利用高光谱成像仪可同时获取目标的图像和光谱数据，避免多源数据融合处理过程，检测周期短，系统结构简洁，硬件成本较低，抗电磁干扰能力强。
附图说明
下面结合附图说明对本发明作进一步说明。
图1为本发明小型机场道面异物高光谱检测装置爆炸结构示意图；
图2为本发明L型转接板右视图；
图3为本发明L型转接板俯视图；
图4为本发明L型转接板主视图；
图5为本发明平板型转接板俯视图；
图6为本发明道路巡检小车与支撑平台结构关系图；
图7为本发明高光谱成像仪采集到的机场跑道上螺钉类异物的高光谱数据立方体、异物图像和光谱曲线图；
图8为本发明高光谱成像仪和成像仪支撑部件的装配结构示意图；
图9为本发明支撑平台结构示意图。
附图标记说明：1、高光谱成像仪；2、电动旋转台；3、L型转接板；4、三维云台；5、平板型转接板；6、道路巡检小车；601、支撑平台；7、移动电源；8、数据处理器；9、显示设备。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
如图1-9所示，本实施例提供一种小型机场道面异物高光谱检测装置，包括：高光谱成像仪1、成像仪支撑部件、道路巡检小车6、数据处理器8和显示设备9；
所述高光谱成像仪1安装在所述成像仪支撑部件上，所述成像仪支撑部件安装在所述道路巡检小车6，所述高光谱成像仪1与所述数据处理器8之间通信连接，所述数据处理器8与所述显示设备9之间通信线电连接。
其中，高光谱成像仪1除了可扫描提供机场道面图像信息，还可提供道面图像每一像元的纳米级精细光谱信息，其设备参数为光谱范围：900-1700nm；光谱分辨率：5nm；像素：720*640；每秒最大帧频：500fps。
其中，道路巡检小车6的长宽高为614*459*776mm。其主体材质为冷轧钢，最大承载：80kg。
具体的，所述成像仪支撑部件包括电动旋转台2和三维云台4，所述高光谱成像仪1通过L型转接板3连接在所述电动旋转台2上，所述电动旋转台2通过平板型转接板5连接在所述三维云台4上，所述三维云台4安装在所述道路巡检小车6顶部。
具体的，所述电动旋转台2为高精度电动旋转台，所述电动旋转台2的转角精度为0.005°，所述电动旋转台2的旋转扫描速度为0.01°/s-25°/s，所述电动旋转台2的旋转角度大于300°。
具体的，所述三维云台4为轻载云台，所述三维云台4的最大承载为7kg，所述三维云台4的重复定位精度不大于±0.1°，所述三维云台4的俯仰旋转角度在+90°于-60°之间。
具体的，所述道路巡检小车6中部或底部还安装有移动电源7，所述移动电源7为所述高光谱成像仪1、电动旋转台2和三维云台4供电。
其中，移动电源7的尺寸为384*269*307.5mm，重量为19.5kg，循环寿命为1000次循环，额定输出功率为2200W，容量为2160Wh。
具体的，所述L型转接板3的底板上开设有5个螺纹孔，所述L型转接板3的侧板上开设有4个螺纹孔，所述螺纹孔的孔径尺寸为M4，所述L型转接板3的底板连接所述电动旋转台2，所述L型转接板3的侧板连接所述高光谱成像仪1。其中，L型转接板3的长宽高为80*60*92mm，厚度为7.5mm。
具体的，所述平板型转接板5为梯形平板，所述平板型转接板5上开设有12个螺纹孔，所述螺纹孔的孔径尺寸为M6。
具体的，所述道路巡检小车6的的支撑平台601的高度可调。如图9所示，支撑平台601的四个角位置处均设置有和道路巡检小车6竖直支架相匹配的套管，所述套管的侧壁上开设有螺纹孔，通过螺钉与所述螺纹孔配合可将支撑平台601紧固在道路巡检小车6的预设高度上。
相比现有的基于毫米波雷达(MW Radar)的FOD检测技术，本发明在雷达可检测到异物存在但无法区分异物种类时，借助目标丰富的图像和光谱信息，可实现道面异物的识别分类；相比现有的基于光学相机(Optical camera)的FOD检测技术，本发明在图像特征无法区分待测目标和背景时，利用每种物质特有的“指纹”光谱特征，可实现道面异物图像的逐像元精细识别分类；相比现有的基于多源传感器融合的FOD检测技术，本发明仅利用高光谱成像仪可同时获取目标的图像和光谱数据，避免多源数据融合处理过程，检测周期短，系统结构简洁，硬件成本较低，抗电磁干扰能力强。
实施例2
本实施例提供一种小型机场道面异物高光谱检测方法，包括以下步骤：
S1：参数设置，利用所述数据处理器8设置三维云台4的俯角参数为30°，电动旋转台2的起点角度参数为30°，旋转扫描角距离参数为90°，转速参数为0.5°/s，高光谱成像仪1的曝光时间参数为10ms，物距参数为1.5m；
具体的，可利用串口通讯方式对电动旋转台2与三维云台4进行参数设置；高光谱成像仪1与数据处理器8有线连接时，利用串口通讯设置所述高光谱成像仪1的参数，当高光谱成像仪1与数据处理器8无线连接时，可无线通讯设置所述高光谱成像仪1的参数。
S2：路径设置，根据小型机场跑道、滑行道与停机坪的道路情况规划设置所述道路巡检小车6的巡检路径；
S3：异物识别算法加载，将基于光谱特征的波形相似度匹配算法，和基于图像特征的卷积神经网络算法加载入所述数据处理器8中；
S4：异物识别算法训练，利用飞机部件、玻璃制品、碎石块、木棍、金属零件、塑料纸片和行李物品分别训练所述数据处理器8中的卷积神经网络算法和波形相似度匹配算法；
S5：数据采集，所述道路巡检小车6按照规划设置的巡检路径运动，带动所述高光谱成像仪1采集机场道面图像数据信息，所述机场道面图像数据信息处理后形成机场道面光谱数据信息；
S6：异物识别，利用训练好的卷积神经网络算法和波形相似度匹配算法分别处理高光谱成像仪1传来的机场道面图像数据信息和与机场道面图像数据信息相对应的光谱数据信息，根据卷积神经网络算法和波形相似度匹配算法的分析处理结果对比完成对道路异物进行识别；
具体的，S6中包括：
S61：利用训练好的卷积神经网络算法处理高光谱成像仪1传来的机场道面图像数据信息，得到异物识别结果a，所述异物识别结果a包括无异物a1，有异物且异物种类为a2；
S62：利用训练好的波形相似度匹配算法处理高光谱成像仪1传来的机场道面光谱数据信息，得到异物识别结果b，所述异物识别结果b包括无异物b1，有异物且异物种类为b2；
S63：对步骤S61与步骤S62的输出结果进行判断：
步骤S61的输出结果为无异物a1且步骤S62的输出结果为无异物b1时，输出无异物a1；
步骤S61的输出结果为无异物a1且步骤S62的输出结果为有异物且异物种类为b2，输出有异物且异物种类为b2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为无异物b1时，输出异物且异物种类为a2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为有异物且异物种类为b2时，输出有异物且异物种类为b2。
图7为机场跑道上螺钉类异物的高光谱数据立方体示意图，包括异物图像和光谱曲线，如果天气晴朗，步骤S61与步骤S62的输出结果均会是有异物且异物为螺钉；如果出现大雾天气，步骤S61与步骤S62的输出结果会分别为无异物和有异物且异物为螺钉；如果步骤S61与步骤S62的输出结果会分别为有异物且异物种类为a2和无异物时，需要工作人员进行现场查看并判断本装置是否出现工作异常。
S7：结果显示，利用所述显示设备9实时显示卷积神经网络算法和波形相似度匹配算法的分析处理结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种小型机场道面异物高光谱检测装置，其特征在于，包括：高光谱成像仪(1)、成像仪支撑部件、道路巡检小车(6)、数据处理器(8)和显示设备(9)；
所述高光谱成像仪(1)安装在所述成像仪支撑部件上，所述成像仪支撑部件安装在所述道路巡检小车(6)上，所述高光谱成像仪(1)与所述数据处理器(8)之间通信连接，所述数据处理器(8)与所述显示设备(9)之间通信线电连接。
2.根据权利要求1所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述成像仪支撑部件包括电动旋转台(2)和三维云台(4)，所述高光谱成像仪(1)通过L型转接板(3)连接在所述电动旋转台(2)上，所述电动旋转台(2)通过平板型转接板(5)连接在所述三维云台(4)上，所述三维云台(4)安装在所述道路巡检小车(6)的支撑平台(601)上。
3.根据权利要求2所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述电动旋转台(2)为高精度电动旋转台，所述电动旋转台(2)的转角精度为0.005°，所述电动旋转台(2)的旋转扫描速度为0.01°/s-25°/s，所述电动旋转台(2)的旋转角度大于300°。
4.根据权利要求2所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述三维云台(4)为轻载云台，所述三维云台(4)的最大承载为7kg，所述三维云台(4)的重复定位精度不大于±0.1°，所述三维云台(4)的俯仰旋转角度在+90°于-60°之间。
5.根据权利要求2所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述道路巡检小车(6)中部或底部还安装有移动电源(7)，所述移动电源(7)为所述高光谱成像仪(1)、电动旋转台(2)和三维云台(4)供电。
6.根据权利要求2所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述L型转接板(3)的底板上开设有5个螺纹孔，所述L型转接板(3)的侧板上开设有4个螺纹孔，所述螺纹孔的孔径尺寸为M4，所述L型转接板(3)的底板连接所述电动旋转台(2)，所述L型转接板(3)的侧板连接所述高光谱成像仪(1)。
7.根据权利要求2所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述平板型转接板(5)为梯形平板，所述平板型转接板(5)上开设有12个螺纹孔，所述螺纹孔的孔径尺寸为M6。
8.根据权利要求1所述的一种小型机场道面异物高光谱检测装置，其特征在于，所述道路巡检小车(6)中的支撑平台(601)的高度可调。
9.一种小型机场道面异物高光谱检测方法，其特征在于，利用权利要求1-8任意一项小型机场道面异物高光谱检测装置进行检测，包括以下步骤：
S1：参数设置，利用所述数据处理器(8)设置三维云台(4)的俯角参数为30°，电动旋转台(2)的起点角度参数为30°，旋转扫描角距离参数为90°，转速参数为0.5°/s，高光谱成像仪(1)的曝光时间参数为10ms，物距参数为1.5m；
S2：路径设置，根据小型机场跑道、滑行道与停机坪的道路情况规划设置所述道路巡检小车(6)的巡检路径；
S3：异物识别算法加载，将基于光谱特征的波形相似度匹配算法，和基于图像特征的卷积神经网络算法加载入所述数据处理器(8)中；
S4：异物识别算法训练，利用飞机部件、玻璃制品、碎石块、木棍、金属零件、塑料纸片和行李物品分别训练所述数据处理器(8)中的卷积神经网络算法和波形相似度匹配算法；
S5：数据采集，所述道路巡检小车(6)按照规划设置的巡检路径运动，带动所述高光谱成像仪(1)采集机场道面图像数据信息，所述机场道面图像数据信息处理后形成机场道面光谱数据信息；
S6：异物识别，利用训练好的卷积神经网络算法和波形相似度匹配算法分别处理高光谱成像仪(1)传来的机场道面光谱数据信息，根据卷积神经网络算法和波形相似度匹配算法的分析处理结果对比完成对道路异物进行识别；
S7：结果显示，利用所述显示设备(9)实时显示卷积神经网络算法和波形相似度匹配算法的分析处理结果。
10.根据权利要求9所述的一种小型机场道面异物高光谱检测方法，其特征在于，所述S6中包括：
S61：利用训练好的卷积神经网络算法处理高光谱成像仪(1)传来的机场道面图像数据信息，得到异物识别结果a，所述异物识别结果a包括无异物a1，有异物且异物种类为a2；
S62：利用训练好的波形相似度匹配算法处理高光谱成像仪(1)传来的机场道面光谱数据信息，得到异物识别结果b，所述异物识别结果b包括无异物b1，有异物且异物种类为b2；
S63：对步骤S61与步骤S62的输出结果进行判断：
步骤S61的输出结果为无异物a1且步骤S62的输出结果为无异物b1时，输出无异物a1；
步骤S61的输出结果为无异物a1且步骤S62的输出结果为有异物且异物种类为b2，输出有异物且异物种类为b2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为无异物b1时，输出异物且异物种类为a2；
步骤S61的输出结果为有异物且异物种类为a2且步骤S62的输出结果为有异物且异物种类为b2时，输出有异物且异物种类为b2。
CN202310965408.1A 2023-08-02 2023-08-02 一种小型机场道面异物高光谱检测装置和方法 Pending CN116973377A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310965408.1A CN116973377A (zh) 2023-08-02 2023-08-02 一种小型机场道面异物高光谱检测装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310965408.1A CN116973377A (zh) 2023-08-02 2023-08-02 一种小型机场道面异物高光谱检测装置和方法

Publications (1)

Publication Number Publication Date
CN116973377A true CN116973377A (zh) 2023-10-31

Family

ID=88474644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310965408.1A Pending CN116973377A (zh) 2023-08-02 2023-08-02 一种小型机场道面异物高光谱检测装置和方法

Country Status (1)

Country Link
CN (1) CN116973377A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186010A (zh) * 2011-04-20 2011-09-14 长春奥普光电技术股份有限公司 机场道面外来物扫描装置
KR101630736B1 (ko) * 2016-01-18 2016-06-16 (주)아세아항측 정밀 스테핑 모터를 이용한 초분광 회전형 스캐닝 시스템
CN108332853A (zh) * 2018-01-12 2018-07-27 四川双利合谱科技有限公司 一种基于光谱的车载360度全景目标识别系统
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN109975219A (zh) * 2017-12-27 2019-07-05 上海德运光电技术有限公司 一种便携式地面高光谱成像仪
CN110966834A (zh) * 2018-09-30 2020-04-07 青岛海尔智能技术研发有限公司 识别冰箱内食材种类的方法与冰箱
CN111165228A (zh) * 2020-01-29 2020-05-19 南京慧瞳作物表型组学研究院有限公司 一种用于田间作物表型获取与分析的移动表型舱
CN111238394A (zh) * 2020-01-29 2020-06-05 南京慧瞳作物表型组学研究院有限公司 一种田间作物根系表型的获取系统
CN111443048A (zh) * 2020-05-13 2020-07-24 塔里木大学 农作物叶片光谱数据采集小车及采集系统
CN111988558A (zh) * 2019-05-23 2020-11-24 海南大学 高光谱广域监控系统
CN114879209A (zh) * 2022-05-20 2022-08-09 合肥富煌君达高科信息技术有限公司 一种用于机场跑道低成本异物检测分类的系统和方法
CN219016061U (zh) * 2022-12-15 2023-05-12 山东深蓝智谱数字科技有限公司 一种基于高光谱的农作物检测装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102186010A (zh) * 2011-04-20 2011-09-14 长春奥普光电技术股份有限公司 机场道面外来物扫描装置
KR101630736B1 (ko) * 2016-01-18 2016-06-16 (주)아세아항측 정밀 스테핑 모터를 이용한 초분광 회전형 스캐닝 시스템
CN109975219A (zh) * 2017-12-27 2019-07-05 上海德运光电技术有限公司 一种便携式地面高光谱成像仪
CN108332853A (zh) * 2018-01-12 2018-07-27 四川双利合谱科技有限公司 一种基于光谱的车载360度全景目标识别系统
CN110966834A (zh) * 2018-09-30 2020-04-07 青岛海尔智能技术研发有限公司 识别冰箱内食材种类的方法与冰箱
CN109657653A (zh) * 2019-01-21 2019-04-19 安徽大学 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法
CN111988558A (zh) * 2019-05-23 2020-11-24 海南大学 高光谱广域监控系统
CN111165228A (zh) * 2020-01-29 2020-05-19 南京慧瞳作物表型组学研究院有限公司 一种用于田间作物表型获取与分析的移动表型舱
CN111238394A (zh) * 2020-01-29 2020-06-05 南京慧瞳作物表型组学研究院有限公司 一种田间作物根系表型的获取系统
CN111443048A (zh) * 2020-05-13 2020-07-24 塔里木大学 农作物叶片光谱数据采集小车及采集系统
CN114879209A (zh) * 2022-05-20 2022-08-09 合肥富煌君达高科信息技术有限公司 一种用于机场跑道低成本异物检测分类的系统和方法
CN219016061U (zh) * 2022-12-15 2023-05-12 山东深蓝智谱数字科技有限公司 一种基于高光谱的农作物检测装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DR MUHAMMAD AWAIS AKHTER ET AL.: ""Runway Detection using Pushbroom Hyperspectral Camera"", 《2019 16TH INTERNATIONAL BHURBAN CONFERENCE ON APPLIED SCIENCES & TECHNOLOGY (IBCAST)》, pages 408 - 411 *
MAHMOUD AL-SARAYREH ET AL.: ""A Sequential CNN Approach for Foreign Object Detection in Hyperspectral Images"", 《CAIP 2019：COMPUTER ANALYSIS OF IMAGES AND PATTERNS》, pages 271 - 283 *
高冲: ""基于高光谱与深度学习的苹果品质检测方法及装置研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN102253381B (zh) 用于机场跑道的异物自动检测系统及其检测方法
Li et al. Automatic bridge crack detection using Unmanned aerial vehicle and Faster R-CNN
CN103577697B (zh) 基于道路表面点云数据的fod检测方法
CN202649484U (zh) 机场道面异物监测系统
CN103954222B (zh) 一种车辆轮廓及轴距自动测量系统及测量算法
CN110764078A (zh) 一种低空无人机综合探测处置方法及其装置
CN101833099B (zh) 直升机巡检电力线路的锁定跟踪方法
CN104501956A (zh) 一种超宽波段图谱关联探测装置与探测方法
CN204065436U (zh) 一种移动式机场跑道异物监测系统
CN207457500U (zh) 雷达光电复合探测装置
CN108168706B (zh) 一种监测低空无人飞行器的多谱红外成像检测跟踪系统
CN103778681A (zh) 一种车载高速公路巡检系统及数据获取和处理方法
CN103776540A (zh) 一种多波段共光路图谱联合遥感测量系统及方法
CN109059792A (zh) 动态三维隧道断面形变检测及分析系统、方法及装置
CN102778701A (zh) 一种机场跑道外来物检测系统
CN114113118B (zh) 一种地铁隧道衬砌裂缝渗漏水病害快速检测装置及其检测方法
CN206431291U (zh) 机场跑道异物检测系统
CN107642036A (zh) 桥梁快速可视化检测装置及其系统和方法
CN107390285A (zh) 一种基于结构光的机场跑道异物检测系统
CN112180978A (zh) 基于飞艇平台的四旋翼无人机自主降落控制系统及方法
CN207281281U (zh) 一种机场跑道fod异物检测设备
CN105953867A (zh) 一种基于小型无人机的矿山溜井料位测量及可视化方法
CN103363961A (zh) 基于航拍图像的交通事故场景三维信息测定方法
Parker et al. Live detection of foreign object debris on runways detection using drones and AI
WO2022071893A1 (en) A system for optimising runway capacity on an airport runway and a method thereof

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