CN117152706A - 飞机飞行跑道积水识别方法、装置与系统 - Google Patents
飞机飞行跑道积水识别方法、装置与系统 Download PDFInfo
- Publication number
- CN117152706A CN117152706A CN202311142908.1A CN202311142908A CN117152706A CN 117152706 A CN117152706 A CN 117152706A CN 202311142908 A CN202311142908 A CN 202311142908A CN 117152706 A CN117152706 A CN 117152706A
- Authority
- CN
- China
- Prior art keywords
- runway
- ponding
- aircraft
- area
- image
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009825 accumulation Methods 0.000 claims abstract description 94
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002352 surface water Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种飞机飞行跑道积水识别方法、装置与系统。本方法的飞机飞行跑道积水识别方法中通过将颜色、纹理特征相似度结合,全面评估各跑道单元图像中的各强光区域与积水区域间的综合相似度,有效提高跑道积水区域识别的准确性和可靠性,通过将指定飞机飞行跑道上的各积水区域筛分为各侧轮、前轮起飞滑行积水区域以及各未涉及积水区域,对指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数进行细致化分析,进而更准确地评估指定飞机飞行跑道的积水风险系数,进行对应风险预警工作。
Description
技术领域
本发明属于飞机飞行跑道安全模拟与预警领域,具体涉及一种飞机飞行跑道积水的识别方法、装置与系统。
背景技术
飞机在起飞和降落过程中,遇到积水或湿滑的跑道可能会对安全造成潜在风险,积水跑道会增加刹车距离、降低牵引力、影响飞机的操控性能以及增加滑行风险。因此,及时准确地识别和评估跑道上的积水情况对于飞行安全至关重要。
现有的飞机飞行跑道的积水识别技术多采用各种传感器,如雷达、红外线摄像机以及可见光摄像机,以获取关于跑道表面状态的数据,分析跑道表面是否存在积水区域以及积水区域相关信息,虽然极大程度上减轻了飞机地面工作人员的工作负担,确保飞机起降操作的安全性,但仍存在一定的局限性,其具体表现在:1、现有技术多侧重于通过分析跑道表面图像中是否存在强光区域来判断是否存在积水区域,存在一定的局限性和误差,尽管在跑道图像采集过程中积水区域会出现反光形成图像中的强光区域,但不意味着图像中的每一个强光区域均代表积水区域,强光区域通常是由于光线的反射或折射引起的,太阳光直射地面、图像光线条件和拍摄角度、地面存在反光物体等均可能造成图像中出现强光区域,因此仅通过强光区域认定跑道中是否存在积水区域是不合理的,进而导致后续分析结果不具有科学性和严谨性。
发明内容
鉴于现有技术存在的问题,我们在飞行器模拟设计和大数据分析过程发现中,现有系统设计中根据获取的到跑道上各积水区域相关信息进行综合考虑,实际上,飞机起降操作的风险与飞机的侧轮和前轮经过的积水区域有关,飞机轮胎所经过的积水区域对飞行安全具有重要影响,而未经过的积水区域的影响相对较小。此外,飞机前轮经过的积水区域对飞行安全的影响比侧轮经过的积水区域更为显著,跑道各积水区域针对飞机飞行跑道上的积水风险评估需要更细致化的分析,以保障飞机起降操作的安全性。
为解决上述背景技术中所提出的问题,本发明旨在提出飞机飞行跑道积水识别方法与系统。
根据本发明的目的的第一方面,提出一种飞机飞行跑道积水识别方法,包括以下步骤:
(1)飞机飞行跑道图像采集:按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像;
(2)跑道积水区域识别:对各跑道单元图像中的各积水区域进行识别;
(3)跑道积水信息获取:根据各跑道单元图像中的各积水区域,获取指定飞机飞行跑道的积水信息,包括指定飞机飞行跑道的各积水区域的深度、面积和位置;
(4)跑道积水风险系数构建:分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数;
(5)跑道积水风险预警:分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作。
优选地,所述对各跑道单元图像中的各积水区域进行识别,包括:
通过对各跑道单元图像依次进行预处理和二值化处理,将各跑道单元图像中各像素的灰度像素值与预设灰度像素值进行比对,筛选出各跑道单元图像中的各强光像素;
选取某跑道单元图像中的一强光像素点作为起始点进行连通性搜索,寻找与该像素点相邻的强光像素点,并将其标记为同一个区域,重复搜索相邻的像素点,直至无强光像素点连接到当前区域为止,将当前区域记为强光区域,继续重复上述操作直至所有强光像素点都有其对应的强光区域,通过图像分割技术对各强光区域进行分割,得到该跑道单元图像中的各强光区域,进而获取各跑道单元图像中的各强光区域;
将各跑道单元图像中的各强光区域对应图像片段转换为设定的颜色空间,按照等间隔原则将颜色空间划分为若干离散的颜色区间,统计各跑道单元图像中的各强光区域对应图像片段中各颜色区间内的像素数量,将各颜色区间内的像素数量与其对应图像片段的总像素数量的比值作为各颜色区间的频率,以颜色区间总数目作为特征向量的总维度,以按照从小到大的顺序排列的各颜色区间的频率作为特征向量的各维度特征值,构建特征向量,将其作为各跑道单元图像中的各强光区域的颜色直方图向量其中i表示各跑道单元图像的编号,i=1,2,...,a,n表示各强光区域的编号,n=1,2,...,c,获取各跑道单元图像中的各强光区域内各像素的颜色像素值,通过均值计算得到各跑道单元图像中的各强光区域的颜色像素均值/>以及
从WEB云端提取积水区域图像标准的颜色直方图向量b0和颜色像素均值d0,分析各跑道单元图像中的各强光区域与积水区域间的颜色特征相似度
其中e表示自然常数。
优选地,所述对各跑道单元图像中的各积水区域进行识别,还包括:
将各跑道单元图像中的各强光区域对应图像片段转换为灰度图像,获取各像素与其水平相邻像素的灰度差值,记为各指定像素的灰度差值,将各指定像素的灰度差值一一进行比对,统计各指定像素的灰度差值的出现频数,按照各指定像素在图像片段中的位置,以其对应灰度差值的出现频数为元素值构成方阵,对方阵进行归一化处理,得到各跑道单元图像中的各强光区域的灰度共生矩阵;
根据各跑道单元图像中的各强光区域的灰度共生矩阵,分析得到各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度,分别记为
根据WEB云端存储的积水区域图像标准的纹理方向性特征指数g0、纹理对比度h0和纹理粗糙度k0,分析各跑道单元图像中的各强光区域与积水区域间的纹理特征相似度
由公式得到各跑道单元图像中的各强光区域与积水区域间的综合相似度,其中/>分别表示预设的颜色、纹理特征相似度对应权重占比,并将其与预设综合相似度阈值进行比对,若某跑道单元图像中的某强光区域与积水区域间的综合相似度大于或等于预设综合相似度阈值,将该跑道单元图像中的该强光区域作为积水区域,进而得到各跑道单元图像中的各积水区域。
优选地,所述各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度的计算公式分别为:
其中分别表示第n个跑道单元图像中的第i个强光区域的第m个指定像素在灰度共生矩阵中的行位数、纵位数以及对应元素值,m表示各指定像素的编号,m=1,2,...,j,π表示180°。
优选地,所述获取指定飞机飞行跑道的积水信息,包括:
将各跑道单元图像按照对应编号顺序进行拼接,得到指定飞机飞行跑道图像,获取图像中各积水区域的像素总数量,按照设定比例得到指定飞机飞行跑道的各积水区域的面积;
对指定飞机飞行跑道图像中各积水区域的边界框进行获取,得到各积水区域的边界框各角点坐标,通过均值计算得到各积水区域在图像中的中心点坐标,按照设定比例得到各积水区域的中心点位置,并将其作为指定飞机飞行跑道的各积水区域的位置;
通过无人机上安装的激光扫描仪,对指定飞机飞行跑道的各积水区域的中心点位置进行激光扫描,获取激光发射至反射回来的时长tr,其中r表示指定飞机飞行跑道的各积水区域的编号,r=1,2,...,θ,由公式得到指定飞机飞行跑道的各积水区域的深度,其中t0表示预设的激光扫描仪对地面无积水区域进行激光扫描时激光发射出去至反射回来的参照用时时长,v表示预设的激光传播速度,/>表示预设的积水区域深度分析修正因子。
优选地,所述分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,包括:
根据WEB云端存储的目标机场的飞机空间模型和飞机起飞跑道轨迹,获取飞机左侧车轮组、右侧车轮组以及前轮的起飞滑行轨道,进而将指定飞机飞行跑道上的各积水区域筛分为各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域,分别提取其对应的深度和面积,记为和/>其中r1、r2、r3分别表示各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域的编号,r1=1′,2′,...,θ1,r2=1″,2″,...,θ2,r3=1″′,2″′,...,θ3;
分析指定飞机飞行跑道当前积水情况针对飞机起飞影响系数:
其中u0、s0分别表示预设的积水区域参照深度和参照面积,l1、l2、l3分别表示预设的侧轮起飞滑行积水区域、前轮起飞滑行积水区域以及未涉及积水区域对应权重占比,l1+l2+l3=1且l2>l1>l3;
从WEB云端提取目标机场的飞机降落跑道轨迹,同上述指定飞机飞行跑道当前积水情况针对飞机起飞影响系数分析方法一致,得到指定飞机飞行跑道当前积水情况针对飞机降落影响系数
优选地,所述构建指定飞机飞行跑道的积水风险系数,包括:
其中z1、z2分别表示预设的指定飞机飞行跑道当前积水情况针对飞机起飞、降落影响系数对应权重占比。
优选地,所述分析指定飞机飞行跑道的积水风险等级,包括:
根据判定模型得到指定飞机飞行跑道的积水风险等级:
其中分别表示预设的中风险等级对应飞机飞行跑道的积水风险系数范围的下限值、上限值,/>
根据本发明目的的第二方面,提出一种飞机飞行跑道积水识别系统,包括:
飞机飞行跑道图像采集模块,用于按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像;
跑道积水区域识别模块,用于对各跑道单元图像中的各积水区域进行识别;
跑道积水信息获取模块,用于根据各跑道单元图像内识别到的各积水区域,获取指定飞机飞行跑道的积水信息,包括指定飞机飞行跑道的各积水区域的深度、面积和位置;
跑道积水风险系数构建模块,用于分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数;
跑道积水风险预警模块,用于分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作;
云数据库,用于存储积水区域图像标准的颜色直方图向量、颜色像素均值、纹理方向性特征指数、纹理对比度和纹理粗糙度,存储目标机场的飞机空间模型和飞机起飞、降落跑道轨迹。
相较于现有技术,本发明提出的飞机飞行跑道积水识别方法的显著的有益效果如下:
(1)本发明的飞行跑道识别方法对指定飞机飞行跑道划分成各跑道单元,通过对各个跑道单元进行图像采集,避免对整个跑道范围图像采集的繁杂性和复杂性,提高数据收集的效率,进而为后续分析奠定坚实的基础;
(2)本发明的方法通过将颜色特征相似度和纹理特征相似度结合,全面评估各跑道单元图像中的各强光区域与积水区域间的综合相似度,有效解决了现有技术在识别跑道积水区域层面存在一定的局限性问题,分析维度较为多元化,从而提高跑道积水区域识别的准确性和可靠性,为后续指定飞机飞行跑道的积水风险系数的分析提供数据支撑;
(3)本发明的方法通过从颜色直方图向量和颜色像素均值两方面分析各跑道单元图像中的各强光区域与积水区域间的颜色特征相似度,从纹理方向性特征指数、纹理对比度以及纹理粗糙三方面分析各跑道单元图像中的各强光区域与积水区域间的纹理特征相似度,保障数据的科学性与严谨性,为积水区域识别提供多维度的数据支持;
(4)本发明进一步通过将指定飞机飞行跑道上的各积水区域筛分为各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域,对指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数进行细致化分析,进而更准确地评估指定飞机飞行跑道的积水风险系数,有助于飞行员和空管人员在决策起降时更好地了解积水对安全性的影响,进而保障飞机飞行跑道的安全管理;
(5)本发明的方法通过分析指定飞机飞行跑道的积水风险等级,据此进行对应风险预警工作,提供及时、准确的处理决策从而确保机场运作正常、保障乘客安全过程的高效实施。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例的飞行跑道识别方法的流程示意图。
图2为本发明的实施例飞行跑道识别装置的模块图。
图3为本发明实施例的飞机左侧车轮组矩形区域参照示意图。
附图标记:1.第一车轮;2.第二车轮;3.第一车轮朝外直线;4.第二车轮朝外直线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
{实施例1}
结合图1所示示例性实施例的飞机飞行跑道积水识别方法,包括飞机飞行跑道图像采集、跑道积水区域识别、跑道积水信息获取、跑道积水风险系数构建以及在此基础上进行飞行跑道积水风险预警处理。
下面我们将更加具体地描述本发明的方法的各个方面的实施。
(1)飞机飞行跑道图像采集
按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像。
在可选的实施例中,图像采集的可以使用无人机及其安装的电子摄像设备完成。
本发明实施例对指定飞机飞行跑道划分成各跑道单元,通过对各个跑道单元进行图像采集,避免对整个跑道范围图像采集的繁杂性和复杂性,提高数据收集的效率,进而为后续分析奠定基础。
(2)跑道积水区域识别,旨在对各跑道单元图像中的各积水区域进行识别。
具体地,所述对各跑道单元图像中的各积水区域进行识别,包括:
通过对各跑道单元图像依次进行预处理和二值化处理,将各跑道单元图像中各像素的灰度像素值与预设灰度像素值进行比对,筛选出各跑道单元图像中的各强光像素;
选取某跑道单元图像中的一强光像素点作为起始点进行连通性搜索,寻找与该像素点相邻的强光像素点,并将其标记为同一个区域,重复搜索相邻的像素点,直至无强光像素点连接到当前区域为止,将当前区域记为强光区域,继续重复上述操作直至所有强光像素点都有其对应的强光区域,通过图像分割技术对各强光区域进行分割,得到该跑道单元图像中的各强光区域,进而获取各跑道单元图像中的各强光区域;
将各跑道单元图像中的各强光区域对应图像片段转换为设定的颜色空间,按照等间隔原则将颜色空间划分为若干离散的颜色区间,统计各跑道单元图像中的各强光区域对应图像片段中各颜色区间内的像素数量,将各颜色区间内的像素数量与其对应图像片段的总像素数量的比值作为各颜色区间的频率,以颜色区间总数目作为特征向量的总维度,以按照从小到大的顺序排列的各颜色区间的频率作为特征向量的各维度特征值,构建特征向量,将其作为各跑道单元图像中的各强光区域的颜色直方图向量其中i表示各跑道单元图像的编号,i=1,2,...,a,n表示各强光区域的编号,n=1,2,...,c,获取各跑道单元图像中的各强光区域内各像素的颜色像素值,通过均值计算得到各跑道单元图像中的各强光区域的颜色像素均值/>以及
从WEB云端提取积水区域图像标准的颜色直方图向量b0和颜色像素均值d0,分析各跑道单元图像中的各强光区域与积水区域间的颜色特征相似度
其中e表示自然常数。
作为可选的示例,前述操作中的预处理是进行去噪或增强等操作,以便更好的识别出强光像素。
通过二值化处理,旨在将图像转换为灰度图像,将强光像素和其他像素分离开来。
作为可选的示例,各跑道单元图像中的各强光像素的筛选过程为:若某跑道单元图像中某像素的灰度像素值大于或等于预设灰度像素值,则将该跑道单元图像中该像素记为强光像素。
其中,上述WEB云端存储的积水区域图像标准的颜色直方图向量和颜色像素均值的获取方法为:
获取飞机飞行跑道上各积水区域样本图像,其涉及不同跑道位置、不同积水深度以及不同积水面积的积水区域,按照上述各跑道单元图像中的各强光区域的颜色直方图向量和颜色像素均值获取方法,得到各积水区域样本图像对应的颜色直方图向量和颜色像素均值,分别进行均值计算得到积水区域图像标准的颜色直方图向量和颜色像素均值。
具体地,所述对各跑道单元图像中的各积水区域进行识别,还包括:
将各跑道单元图像中的各强光区域对应图像片段转换为灰度图像,获取各像素与其水平相邻像素的灰度差值,记为各指定像素的灰度差值,将各指定像素的灰度差值一一进行比对,统计各指定像素的灰度差值的出现频数,按照各指定像素在图像片段中的位置,以其对应灰度差值的出现频数为元素值构成方阵,对方阵进行归一化处理,得到各跑道单元图像中的各强光区域的灰度共生矩阵;其中各指定像素是指各像素其水平右侧存在相邻像素的像素;
根据各跑道单元图像中的各强光区域的灰度共生矩阵,分析得到各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度,分别记为
根据WEB云端存储的积水区域图像标准的纹理方向性特征指数g0、纹理对比度h0和纹理粗糙度k0,分析各跑道单元图像中的各强光区域与积水区域间的纹理特征相似度
由公式得到各跑道单元图像中的各强光区域与积水区域间的综合相似度,其中/>分别表示预设的颜色、纹理特征相似度对应权重占比,并将其与预设综合相似度阈值进行比对,若某跑道单元图像中的某强光区域与积水区域间的综合相似度大于或等于预设综合相似度阈值,将该跑道单元图像中的该强光区域作为积水区域,进而得到各跑道单元图像中的各积水区域。
需要说明的是,上述积水区域图像标准的纹理方向性特征指数、纹理对比度和纹理粗糙度亦通过获取飞机飞行跑道上各积水区域样本图像,按照上述各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度的计算方法计算得到的。
本发明实施例通过将颜色特征相似度和纹理特征相似度结合,全面评估各跑道单元图像中的各强光区域与积水区域间的综合相似度,有效解决了现有技术在识别跑道积水区域层面存在一定的局限性问题,分析维度较为多元化,从而提高跑道积水区域识别的准确性和可靠性,为后续指定飞机飞行跑道的积水风险系数的分析提供数据支撑。
具体地,所述各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度的计算公式分别为:
其中分别表示第n个跑道单元图像中的第i个强光区域的第m个指定像素在灰度共生矩阵中的行位数、纵位数以及对应元素值,m表示各指定像素的编号,m=1,2,...,j,π表示180°。
本发明实施例通过从颜色直方图向量和颜色像素均值两方面分析各跑道单元图像中的各强光区域与积水区域间的颜色特征相似度,从纹理方向性特征指数、纹理对比度以及纹理粗糙三方面分析各跑道单元图像中的各强光区域与积水区域间的纹理特征相似度,保障数据的科学性与严谨性,为积水区域识别提供多维度的数据支持。
(3)跑道积水信息获取
根据各跑道单元图像中的各积水区域,获取指定飞机飞行跑道的积水信息,包括指定飞机飞行跑道的各积水区域的深度、面积和位置。
具体地,所述获取指定飞机飞行跑道的积水信息,包括:
将各跑道单元图像按照对应编号顺序进行拼接,得到指定飞机飞行跑道图像,获取图像中各积水区域的像素总数量,按照设定比例得到指定飞机飞行跑道的各积水区域的面积;
对指定飞机飞行跑道图像中各积水区域的边界框进行获取,得到各积水区域的边界框各角点坐标,通过均值计算得到各积水区域在图像中的中心点坐标,按照设定比例得到各积水区域的中心点位置,并将其作为指定飞机飞行跑道的各积水区域的位置;
通过无人机上安装的激光扫描仪,对指定飞机飞行跑道的各积水区域的中心点位置进行激光扫描,获取激光发射至反射回来的时长tr,其中r表示指定飞机飞行跑道的各积水区域的编号,r=1,2,...,θ,由公式得到指定飞机飞行跑道的各积水区域的深度,其中t0表示预设的激光扫描仪对地面无积水区域进行激光扫描时激光发射出去至反射回来的参照用时时长,v表示预设的激光传播速度,/>表示预设的积水区域深度分析修正因子。
(4)跑道积水风险系数构建
分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数。
具体地,所述分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,包括:
根据WEB云端存储的目标机场的飞机空间模型和飞机起飞跑道轨迹,获取飞机左侧车轮组、右侧车轮组以及前轮的起飞滑行轨道,进而将指定飞机飞行跑道上的各积水区域筛分为各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域,分别提取其对应的深度和面积,记为和/>其中r1、r2、r3分别表示各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域的编号,r1=1′,2′,...,θ1,r2=1″,2″,...,θ2,r3=1″′,2″′,...,θ3;
分析指定飞机飞行跑道当前积水情况针对飞机起飞影响系数:
其中u0、s0分别表示预设的积水区域参照深度和参照面积,l1、l2、l3分别表示预设的侧轮起飞滑行积水区域、前轮起飞滑行积水区域以及未涉及积水区域对应权重占比,l1+l2+l3=1且l2>l1>l3;
从WEB云端提取目标机场的飞机降落跑道轨迹,同上述指定飞机飞行跑道当前积水情况针对飞机起飞影响系数分析方法一致,得到指定飞机飞行跑道当前积水情况针对飞机降落影响系数
优选地,所述构建指定飞机飞行跑道的积水风险系数,包括:
其中z1、z2分别表示预设的指定飞机飞行跑道当前积水情况针对飞机起飞、降落影响系数对应权重占比。
优选地,所述分析指定飞机飞行跑道的积水风险等级,包括:
根据判定模型得到指定飞机飞行跑道的积水风险等级:
其中分别表示预设的中风险等级对应飞机飞行跑道的积水风险系数范围的下限值、上限值,/>
结合图3所示的示例,上述飞机左侧车轮组、右侧车轮组以及前轮的起飞滑行轨道的获取方法为:
设定能够涵盖飞机左侧车轮组的矩形区域,即由飞机左侧车轮组的第一车轮朝外直线、第二车轮朝外直线以及前后两端线构成,基于飞机起飞跑道轨迹,将矩形区域的位置映射到飞机的空间模型中,进而构建飞机左侧车轮组的起飞滑行轨道。
同理得到飞机右侧车轮组以及前轮的起飞滑行轨道。
其中,各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域的筛分过程为:
将置于飞机左侧车轮组、右侧车轮组的起飞滑行轨道上的各积水区域记为各侧轮起飞滑行积水区域,将置于飞机前轮起飞滑行轨道上的各积水区域记为各前轮起飞滑行积水区域,将不在飞机左侧车轮组、右侧车轮组以及前轮的起飞滑行轨道上的各积水区域记为各未涉及积水区域。
具体地,前述构建指定飞机飞行跑道的积水风险系数,其计算公式为:
其中z1、z2分别表示预设的指定飞机飞行跑道当前积水情况针对飞机起飞、降落影响系数对应权重占比。
本发明实施例通过将指定飞机飞行跑道上的各积水区域筛分为各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域,对指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数进行细致化分析,进而更准确地评估指定飞机飞行跑道的积水风险系数,有助于飞行员和空管人员在决策起降时更好地了解积水对安全性的影响,进而保障飞机飞行跑道的安全管理。
(5)跑道积水风险预警,分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作。
具体地,所述分析指定飞机飞行跑道的积水风险等级,包括:
根据判定模型得到指定飞机飞行跑道的积水风险等级:
其中分别表示预设的中风险等级对应飞机飞行跑道的积水风险系数范围的下限值、上限值,/>
其中,积水风险预警工作的具体过程包括:若指定飞机飞行跑道的积水风险等级为低风险等级,通知塔台向待使用指定飞机飞行跑道的各飞机进行三级预警工作,即通知飞机可正常起降操作,跑道积水请保持警觉。
若指定飞机飞行跑道的积水风险等级为中风险等级,通知塔台向待使用指定飞机飞行跑道的各机长进行二级预警工作,即一方面通知跑道积水起降操作稍有影响,可适当采取飞行措施,如增加起飞速度、延长着陆过程,另一方面通知跑道工作人员在飞机起降操作前使用水溅辊等设备来减少跑道积水。
若指定飞机飞行跑道的积水风险等级为高风险等级,通知塔台向待使用指定飞机飞行跑道的各机长进行一级预警工作,即暂时关闭指定飞机飞行跑道,请转移到其他无积水的跑道进行起降操作,后续转移跑道由塔台另行通知。
{实施例2}
结合图2所示的示例,本发明提出一种飞机飞行跑道积水识别系统,包括:飞机飞行跑道图像采集模块、跑道积水区域识别模块、跑道积水信息获取模块、跑道积水风险系数构建模块、跑道积水风险预警模块和云数据库。
应当理解,在本公开的飞机飞行跑道积水识别系统中的各个模块被设置成以能够被处理器调用并执行的程序/指令集的模块的方式实现,在被调用执行后能执行对应的功能,各个模块的功能可结合前述实施例的飞机飞行跑道积水识别方法中的具体步骤实现。
其中,飞机飞行跑道图像采集模块、跑道积水区域识别模块、跑道积水信息获取模块、跑道积水风险系数构建模块、跑道积水风险预警模块,被配置成能够在计算机系统或者服务器中实现,并基于数据总线/网络通信协议实现数据的通信。前述计算机系统包括处理器以及存储器的配置,存储器用于存储程序/指令集以及数据,处理器执行上述存储程序/指令集以实现本发明各个方面的实施例的操作步骤以及在操作中对数据进行处理。
飞机飞行跑道图像采集模块与跑道积水区域识别模块连接,跑道积水区域识别模块与跑道积水信息获取模块连接,跑道积水信息获取模块与跑道积水风险系数构建模块连接,跑道积水风险系数构建模块与跑道积水风险预警模块连接,云数据库分别与跑道积水区域识别模块、跑道积水风险系数构建模块连接。
结合图2所示,飞机飞行跑道图像采集模块,用于按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像。
跑道积水区域识别模块,用于对各跑道单元图像中的各积水区域进行识别。
跑道积水信息获取模块,用于根据各跑道单元图像内识别到的各积水区域,获取指定飞机飞行跑道的积水信息,包括指定飞机飞行跑道的各积水区域的深度、面积和位置。
跑道积水风险系数构建模块,用于分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数。
跑道积水风险预警模块,用于分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作。
云数据库,用于存储积水区域图像标准的颜色直方图向量、颜色像素均值、纹理方向性特征指数、纹理对比度和纹理粗糙度,存储目标机场的飞机空间模型和飞机起飞、降落跑道轨迹。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种飞机飞行跑道积水识别方法,其特征在于,包括:
(1)飞机飞行跑道图像采集:按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像;
(2)跑道积水区域识别:对各跑道单元图像中的各积水区域进行识别;
(3)跑道积水信息获取:根据各跑道单元图像中的各积水区域,获取指定飞机飞行跑道的积水信息,包括指定飞机飞行跑道的各积水区域的深度、面积和位置;
(4)跑道积水风险系数构建:分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数;
(5)跑道积水风险预警:分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作。
2.根据权利要求1所述的飞机飞行跑道积水识别方法,其特征在于:所述对各跑道单元图像中的各积水区域进行识别,包括:
通过对各跑道单元图像依次进行预处理和二值化处理,将各跑道单元图像中各像素的灰度像素值与预设灰度像素值进行比对,筛选出各跑道单元图像中的各强光像素;
选取某跑道单元图像中的一强光像素点作为起始点进行连通性搜索,寻找与该像素点相邻的强光像素点,并将其标记为同一个区域,重复搜索相邻的像素点,直至无强光像素点连接到当前区域为止,将当前区域记为强光区域,继续重复上述操作直至所有强光像素点均遍历处理获得其对应的强光区域;然后通过图像分割技术对各强光区域进行分割,得到该跑道单元图像中的各强光区域,进而获取各跑道单元图像中的各强光区域;
将各跑道单元图像中的各强光区域对应图像片段转换为设定的颜色空间,按照等间隔原则将颜色空间划分为若干离散的颜色区间,统计各跑道单元图像中的各强光区域对应图像片段中各颜色区间内的像素数量,将各颜色区间内的像素数量与其对应图像片段的总像素数量的比值作为各颜色区间的频率,以颜色区间总数目作为特征向量的总维度,以按照从小到大的顺序排列的各颜色区间的频率作为特征向量的各维度特征值,构建特征向量,将其作为各跑道单元图像中的各强光区域的颜色直方图向量其中i表示各跑道单元图像的编号,i=1,2,...,a,n表示各强光区域的编号,n=1,2,...,c,获取各跑道单元图像中的各强光区域内各像素的颜色像素值,通过均值计算得到各跑道单元图像中的各强光区域的颜色像素均值/>
从WEB云端提取积水区域图像标准的颜色直方图向量b0和颜色像素均值d0,分析各跑道单元图像中的各强光区域与积水区域间的颜色特征相似度
其中e表示自然常数。
3.根据权利要求2所述的飞机飞行跑道积水识别方法,其特征在于:所述对各跑道单元图像中的各积水区域进行识别,还包括:
将各跑道单元图像中的各强光区域对应图像片段转换为灰度图像,获取各像素与其水平相邻像素的灰度差值,记为各指定像素的灰度差值,将各指定像素的灰度差值一一进行比对,统计各指定像素的灰度差值的出现频数,按照各指定像素在图像片段中的位置,以其对应灰度差值的出现频数为元素值构成方阵,对方阵进行归一化处理,得到各跑道单元图像中的各强光区域的灰度共生矩阵;
根据各跑道单元图像中的各强光区域的灰度共生矩阵,分析得到各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度,分别记为
根据WEB云端存储的积水区域图像标准的纹理方向性特征指数g0、纹理对比度h0和纹理粗糙度k0,分析各跑道单元图像中的各强光区域与积水区域间的纹理特征相似度
由公式得到各跑道单元图像中的各强光区域与积水区域间的综合相似度,其中/>分别表示预设的颜色、纹理特征相似度对应权重占比;将其与预设综合相似度阈值进行比对,若某跑道单元图像中的某强光区域与积水区域间的综合相似度大于或等于预设综合相似度阈值,将该跑道单元图像中的该强光区域作为积水区域,进而得到各跑道单元图像中的积水区域。
4.根据权利要求3所述的飞机飞行跑道积水识别方法,其特征在于:所述各跑道单元图像中的各强光区域的纹理方向性特征指数、纹理对比度以及纹理粗糙度被配置成按照下述方式获得:
其中分别表示第n个跑道单元图像中的第i个强光区域的第m个指定像素在灰度共生矩阵中的行位数、纵位数以及对应元素值,m表示各指定像素的编号,m=1,2,...,j,π表示180°。
5.根据权利要求3所述的飞机飞行跑道积水识别方法,其特征在于:所述获取指定飞机飞行跑道的积水信息,包括:
将各跑道单元图像按照对应编号顺序进行拼接,得到指定飞机飞行跑道图像,获取指定飞机飞行跑道图像中各积水区域的像素总数量,按照设定比例得到指定飞机飞行跑道的各积水区域的面积;
对指定飞机飞行跑道图像中各积水区域的边界框进行获取,得到各积水区域的边界框各角点坐标,通过均值计算得到各积水区域在图像中的中心点坐标,按照设定比例得到各积水区域的中心点位置,并将其作为指定飞机飞行跑道的各积水区域的位置;
通过无人机上安装的激光扫描仪,对指定飞机飞行跑道的各积水区域的中心点位置进行激光扫描,获取激光发射至反射回来的时长tr,其中r表示指定飞机飞行跑道的各积水区域的编号,r=1,2,...,θ;
基于得到指定飞机飞行跑道的各积水区域的深度,其中t0表示预设的激光扫描仪对地面无积水区域进行激光扫描时激光发射出去至反射回来的参照用时时长,v表示预设的激光传播速度,/>表示预设的积水区域深度分析修正因子。
6.根据权利要求5所述的飞机飞行跑道积水识别方法,其特征在于:所述分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,包括:
根据WEB云端存储的目标机场的飞机空间模型和飞机起飞跑道轨迹,获取飞机左侧车轮组、右侧车轮组以及前轮的起飞滑行轨道,进而将指定飞机飞行跑道上的各积水区域筛分为各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域,分别提取其对应的深度和面积,记为和/>其中r1、r2、r3分别表示各侧轮起飞滑行积水区域、各前轮起飞滑行积水区域以及各未涉及积水区域的编号,r1=1′,2′,...,θ1,r2=1″,2″,...,θ2,r3=1″′,2″′,...,θ3;
获取指定飞机飞行跑道当前积水情况针对飞机起飞影响系数,具体为:
其中u0、s0分别表示预设的积水区域参照深度和参照面积,l1、l2、l3分别表示预设的侧轮起飞滑行积水区域、前轮起飞滑行积水区域以及未涉及积水区域对应权重占比,l1+l2+l3=1且l2>l1>l3;
从WEB云端提取目标机场的飞机降落跑道轨迹,与上述指定飞机飞行跑道当前积水情况针对飞机起飞影响系数分析方法一致,得到指定飞机飞行跑道当前积水情况针对飞机降落影响系数
7.根据权利要求6所述的飞机飞行跑道积水识别方法,其特征在于:所述构建指定飞机飞行跑道的积水风险系数,其计算公式为:
其中z1、z2分别表示预设的指定飞机飞行跑道当前积水情况针对飞机起飞、降落影响系数对应权重占比。
8.根据权利要求7所述的飞机飞行跑道积水识别方法,其特征在于:所述分析指定飞机飞行跑道的积水风险等级,包括:
根据判定模型得到指定飞机飞行跑道的积水风险等级,其中/>分别表示预设的中风险等级对应飞机飞行跑道的积水风险系数范围的下限值、上限值,/>
9.一种飞机飞行跑道积水识别装置,其特征在于,包括:飞机飞行跑道图像采集模块,用于按照设定长度对目标机场的指定飞机飞行跑道进行划分,得到指定飞机飞行跑道的各跑道单元,依次进行图像采集,得到各跑道单元图像;
跑道积水区域识别模块,用于对各跑道单元图像中的各积水区域进行识别;
跑道积水信息获取模块,用于根据各跑道单元图像内识别到的各积水区域,获取指定飞机飞行跑道的积水信息,其中包括指定飞机飞行跑道的各积水区域的深度、面积和位置;
跑道积水风险系数构建模块,用于分析指定飞机飞行跑道当前积水情况针对飞机起飞、降落的影响系数,进而构建指定飞机飞行跑道的积水风险系数;
跑道积水风险预警模块,用于分析指定飞机飞行跑道的积水风险等级,据此进行对应积水风险预警工作;
云数据库,用于存储积水区域图像标准的颜色直方图向量、颜色像素均值、纹理方向性特征指数、纹理对比度和纹理粗糙度,存储目标机场的飞机空间模型和飞机起飞、降落跑道轨迹。
10.一种计算机系统,其特征在于,
一个或多个处理器;
存储器,存储可被操作的指令,所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作,所述操作包括执行上述权利要求1-8中任意一项所述方法的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142908.1A CN117152706A (zh) | 2023-09-06 | 2023-09-06 | 飞机飞行跑道积水识别方法、装置与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311142908.1A CN117152706A (zh) | 2023-09-06 | 2023-09-06 | 飞机飞行跑道积水识别方法、装置与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117152706A true CN117152706A (zh) | 2023-12-01 |
Family
ID=88902274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311142908.1A Pending CN117152706A (zh) | 2023-09-06 | 2023-09-06 | 飞机飞行跑道积水识别方法、装置与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152706A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853937A (zh) * | 2024-03-08 | 2024-04-09 | 吉林农业大学 | 一种基于次要颜色聚类分析的水稻病害识别方法和系统 |
CN117853937B (zh) * | 2024-03-08 | 2024-06-04 | 吉林农业大学 | 一种基于次要颜色聚类分析的水稻病害识别方法和系统 |
-
2023
- 2023-09-06 CN CN202311142908.1A patent/CN117152706A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853937A (zh) * | 2024-03-08 | 2024-04-09 | 吉林农业大学 | 一种基于次要颜色聚类分析的水稻病害识别方法和系统 |
CN117853937B (zh) * | 2024-03-08 | 2024-06-04 | 吉林农业大学 | 一种基于次要颜色聚类分析的水稻病害识别方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197231B (zh) | 基于可见光和红外光图像融合的鸟情探测设备及识别方法 | |
CN102073846B (zh) | 基于航拍图像的交通信息获取方法 | |
CN105373135A (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN111126184B (zh) | 一种基于无人机视频的震后建筑物损毁检测方法 | |
CN112699967B (zh) | 一种基于改进深度神经网络的远距离机场目标检测方法 | |
CN106023257A (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN114973116A (zh) | 一种自注意力特征嵌入夜间机场跑道异物检测方法与系统 | |
Luo et al. | Stationary vehicle detection in aerial surveillance with a UAV | |
CN111667655A (zh) | 基于红外图像的高速铁路安全区入侵警报装置及方法 | |
CN106529391B (zh) | 一种鲁棒的限速交通标志检测与识别方法 | |
CN116433629A (zh) | 一种基于GA-Unet的机场道面缺陷识别方法 | |
Cheng et al. | Moving Target Detection Technology Based on UAV Vision | |
Xu et al. | Development of power transmission line detection technology based on unmanned aerial vehicle image vision | |
CN112820109A (zh) | 一种道路巡检安全预警方法及系统 | |
CN113378716A (zh) | 一种基于自监督条件的深度学习sar影像舰船识别方法 | |
CN111311640B (zh) | 一种基于运动估计的无人机识别跟踪方法 | |
CN117197676A (zh) | 一种基于特征融合的目标检测识别方法 | |
CN117152706A (zh) | 飞机飞行跑道积水识别方法、装置与系统 | |
CN108229562B (zh) | 一种得到路面具体破损分类情况的方法 | |
Chen et al. | BARS: A benchmark for airport runway segmentation | |
CN115690743A (zh) | 一种基于深度学习的机场停机位入侵的检测方法 | |
Guan et al. | A visual saliency based railway intrusion detection method by UAV remote sensing image | |
Chaiyasarn et al. | Tile damage detection in temple facade via convolutional neural networks |
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 |