CN118053101A - 一种航线绕机检测方法、系统、设备及介质 - Google Patents
一种航线绕机检测方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN118053101A CN118053101A CN202410297719.XA CN202410297719A CN118053101A CN 118053101 A CN118053101 A CN 118053101A CN 202410297719 A CN202410297719 A CN 202410297719A CN 118053101 A CN118053101 A CN 118053101A
- Authority
- CN
- China
- Prior art keywords
- target
- index
- target parameter
- detecting
- winding machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000007689 inspection Methods 0.000 claims abstract description 83
- 238000004804 winding Methods 0.000 claims abstract description 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 67
- 238000013139 quantization Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 23
- 230000000007 visual effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种航线绕机检测方法、系统、设备及介质,首先获取通过辅助设备采集的绕机检查信息;然后根据关键部件资料库设定图像识别算法;通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;并根据所述各指标分值和所述最终评分结果生成告警信息。采用本发明能够更全面地评估航线绕机检查质量,从而提示机组和维修人员存在未处理的问题,确保飞行安全和可靠性。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种航线绕机检测方法、系统、设备及介质。
背景技术
民航公司绕机检查是民航飞机起飞前重要的准备工作之一,一般被称作绕机检查或绕检(a Walk Around),外部检查(Exterior Inspection),飞前检查(“Pre-Flight”)等。它指的是在飞机起飞前大约四十分钟,工作者在地面上绕机一周,对飞机进行的例行检查。检查部位、顺序和内容根据机型的不同亦有不同,但都需要包括机舱、机头和螺旋桨、发动机、尾翼(尾部部分)以及右、左机翼前缘和后缘等主要部位,在基本不需要仪器辅助的情况下使用肉眼扫视检查。但是目前传统的绕机检查,仅凭一份纸质检查单指引,没有其他仪器、机制辅助的情况下,完成检查工作,其过程相当枯燥无味,工作体验感差、效率低,易出错;检查质量的高低又和航班延误率和飞行安全息息相关,因此提高维修人员的工作体验感和维修效率,同时保证维修质量是十分有必要的。
目前对检查结果质量的评估,往往依赖于个人的主观意识,主要以事后评价为主。检查质量的高低也受到评判人的经验、认知水平、情绪状态等主观因素的影响,同时也受到周边气候环境、温度、光线、噪声、检查时间等客观因素的影响,这些主客观因素在检查结果中,无法体现。同时,绕机检测潜在因素如果未被识别和报告,将无法执行相应的维护操作,可能导致未来机件故障和不可预测的停机时间。
发明内容
本发明所要解决的技术问题是,提供一种航线绕机检测方法、系统、设备及介质,能够更全面地评估航线绕机检查质量,从而提示机组和维修人员存在未处理的问题,确保飞行安全和可靠性。
为了实现上述目的,本发明实施例提供一种航线绕机检测方法,包括:
获取通过辅助设备采集的绕机检查信息;
根据关键部件资料库设定图像识别算法;
通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;
根据所述各指标分值和所述最终评分结果生成告警信息。
优选地,所述辅助设备,包括纸质记录本、电子储存显示设备、AR眼睛、手机、ipad以及其他专门的采集设备。
优选地,所述绕机检查信息,包括绕机检查过程中产生的视频、音频、轮廓、映射、检查目标外观的变化、内部结构的变化和当前的环境因素。
优选地,所述通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标,包括:
通过所述图像识别算法识别所述绕机检查信息中的每个待检测目标,并计算出每个所述待检测目标的空间特征信息,根据所述待检测目标的空间特征信息分别计算出目标参数指标。
优选地,所述目标参数指标包括目标在视野中的定位、目标出现时长、目标面积大小和目标出现顺序。
优选地,所述目标参数指标的权重占比为:
所述目标在视野中的定位的权重占比为15%、所述目标出现时长的权重占比为30%、所述目标面积大小的权重占比为10%、所述目标出现顺序的权重占比为30%。
进一步地,所述通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值,包括:
根据所述目标在视野中的定位判断目标在主视野区域中的位置情况,并根据所述位置情况进行评分;
根据所述目标出现时长判断目标被关注的仔细度,并根据所述被关注的仔细度进行评分;
根据所述目标面积大小判断工作者与目标的相对距离,并根据所述相对距离进行评分;
根据所述目标出现顺序判断工作者检查路线的检查情况,并根据所述检查情况进行评分。
相应地,本发明另一实施例提供了一种航线绕机检测系统,包括:
绕机检查信息获取模块,用于获取通过辅助设备采集的绕机检查信息;
图像识别算法设定模块,用于根据关键部件资料库设定图像识别算法;
目标参数指标抽取模块,用于通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
检测判别模块,用于通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
评分计算模块,用于根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;
告警生成模块,根据所述各指标分值和所述最终评分结果生成告警信息。
本发明实施例还提供了一种终端设备,包括存储器,用于存储计算机程序;处理器,用于执行所述计算机程序;其中,所述处理器执行所述计算机程序时实现如上任一项所述的航线绕机检测方法。
本发明实施例还提供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程序,所述计算机程序被执行时实现如上任一项所述的航线绕机检测方法。
与现有技术相比,本发明实施例提供的一种航线绕机检测方法、系统、设备及介质,首先获取通过辅助设备采集的绕机检查信息;然后根据关键部件资料库设定图像识别算法;通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;并根据所述各指标分值和所述最终评分结果生成告警信息。本发明可以对使用辅助设备采集的绕机检查信息通过图像识别算法对图像进行检测和分析,能够更高效地获取目标参数指标,减少人工操作和主观判断的干扰,提高评估的准确性;并且通过关键部件资料库设定图像识别算法,可以根据特定的航线绕机需求和指标要求,自动识别关键部件和特征,避免了人工定制和调整算法的复杂性;然后通过绕机质量指标量化算法,将抽取出的目标参数指标进行判别,能够将主观评估转化为客观的判别,提供对绕机质量的量化评估,便于直观比较和分析;最后获得综合考虑权重占比的最终评分结果,能够更全面地评估航线绕机质量,创新地实现了对飞机绕机检查信息的自动化处理和评估,提高了绕机检测的效率和准确性,为飞机运行安全和维护提供了更好的保障。
附图说明
图1是本发明提供的一种航线绕机检测方法的一个优选实施例的流程图;
图2是本发明提供的一种航线绕机检测方法的一个优选实施例的绕机检查工作流程图;
图3是本发明提供的一种航线绕机检测方法的一个优选实施例的流程图;
图4是本发明提供的一种航线绕机检测系统的一个优选实施例的结构框图;
图5是本发明提供的一种终端设备的一个优选实施例的结构框图。
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。
参见图1,是本发明提供的一种航线绕机检测方法的一个优选实施例的流程图,所述方法包括S1至S5:
S1、获取通过辅助设备采集的绕机检查信息;
可以理解地,工作人员在进行绕机检查时,通常借助辅助设备采集绕机检查工作中产生的检查信息,本发明实施例所提供的航线绕机检测方法适用于对包括但不局限于纸质记录本、电子储存显示设备、AR眼睛、手机、ipad及其他专门的采集设备所采集到的绕机检查信息进行评估。其中,检查信息包括但不局限于工作中产生的视频、音频、轮廓、映射、检查目标外观的变化、内部结构的变化、当前的环境因素等。
S2、根据关键部件资料库设定图像识别算法;
需要说明的是,在本发明的具体实施例中,我们通过利用关键部件资料库来设定图像识别算法。首先,收集大量关键部件的图片,并对其进行了详细的整理和归类。这些图片包含了关键部件的各种不同角度、尺寸、形状、颜色和纹理等信息。然后对采集到的关键部件图片进行了精确的标注,标注了每个关键部件的位置和各种属性信息,例如型号、序列号、材料等。这些标注信息将为训练算法提供准确的数据支持。在此过程中可以采用先进的图像处理技术,对关键部件图片进行特征提取。通过提取边缘、纹理、颜色等特征,可以从图片中提取出关键部件的独特信息。然后针对我们的具体需求和数据特点,选择一种适合的图像识别算法进行训练。比如采用卷积神经网络(CNN)作为图像识别算法。通过对关键部件资料库中的数据进行训练,让CNN算法学习并理解关键部件的特征和属性。通过反复调整算法参数,并利用大量的训练数据进行训练,以提高算法的准确性和泛化能力。在算法训练完成后,可以进行充分的测试和验证。并可以使用另外一批已标注的关键部件图像,对训练好的图像识别算法进行测试和评估,确保算法在实际应用中能够达到预期的效果。最后,在实际应用场景中部署训练好的图像识别算法。利用关键部件资料库设定图像识别算法,可以更好地实现对飞机关键部件的自动识别和分析。
S3、通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
在一种可选实施例中,所述通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标,具体为:通过所述图像识别算法识别所述绕机检查信息中的每个待检测目标,并计算出每个所述待检测目标的长、宽、中心坐标、出现时常等空间特征信息,根据所述待检测目标的空间特征信息分别计算出目标参数指标。
在又一种可选实施例中,所述目标参数指标包括目标在视野中的定位、目标出现时长、目标面积大小和目标出现顺序。
值得说明的是,通过图像识别算法,我们不仅可以确定目标的位置坐标,而且还能够精确计算目标持续出现在视野中的时间,以及每个目标在图像中的实际面积大小。此外,我们还可以确定目标在图像序列中出现的顺序,以便进一步分析其出现的时间和空间关系,从而提供更多绕机检查信息的有价值指标。通过这些目标参数指标的计算和分析,我们可以更全面、准确地评估绕机检查信息中的目标特征和变化趋势,为后续的数据处理和决策提供更丰富的信息支持。通过图像识别算法对绕机检查信息进行自动检测并抽取目标参数指标,这一方法可以极大地提高数据处理的效率和准确性,可以消除传统人工检测和数据提取的主观性和误差,通过利用算法自动识别目标并计算其空间特征信息,然后根据这些信息计算目标参数指标,可以实现对绕机检查信息的全面、准确的分析。
S4、通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
在一种可选实施例中,所述通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值,包括:
根据所述目标在视野中的定位判断目标在主视野区域中的位置情况,并根据所述位置情况进行评分;
根据所述目标出现时长判断目标被关注的仔细度,并根据所述被关注的仔细度进行评分;
根据所述目标面积大小判断工作者与目标的相对距离,并根据所述相对距离进行评分;
根据所述目标出现顺序判断工作者检查路线的检查情况,并根据所述检查情况进行评分。
具体地,如果目标准确定位在主视野中心,表示目标的位置非常理想,可以给予较高的评分;而如果目标定位偏离主视野中心,表示目标位置不太理想,评分可能会相应降低。如果目标出现时间较长,说明检查员对目标非常关注,可能会给予较高的评分;而如果目标出现时间较短,表示检查员对目标关注不够,评分可能会相对较低。如果目标面积较大,表示工作者离目标较远,评分可能较低;而如果目标面积较小,表示工作者离目标较近,可能会给予较高的评分。如果工作者能够按照规定的路线有序地检查目标,评分可能会较高;而如果检查顺序混乱或有遗漏,评分可能会相对较低。具体评分标准根据实际情况而定。
值得说明的是,通过以上的绕机检查质量指标量化算法,可以对目标参数指标进行评分并获得各指标的分值,可以对工作者的检查质量进行客观评估,而不仅仅是依靠主观判断,从而更全面、客观地评估绕机检查的质量。
S5、根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果。
在一种可选实施例中,所述目标参数指标的权重占比为:所述目标在视野中的定位的权重占比为15%、所述目标出现时长的权重占比为30%、所述目标面积大小的权重占比为10%、所述目标出现顺序的权重占比为30%。
需要说明的是,本发明实施例中有四个目标参数指标,按照检查工作中的重要程度以及出现异常时是否代表工作确实出现纰漏的可能性进行权重分配。将各指标的分值乘以相应的权重占比,并将它们相加,即可得到最终的评分结果。这种基于权重占比的评分方法能够更准确地反映各个指标对绕机质量的贡献程度,从而为评估和决策提供更有针对性的信息。
S6、根据所述各指标分值和所述最终评分结果生成告警信息。
需要说明的是,服务器后台获得最终评分结果之后,会根据所述各指标分值和所述最终评分结果生成告警信息,并会返回给维修人员前端。示例性地,如果某个指标分值为零,说明后台没有识别到某些目标,就生成告警信息提醒工作者漏检,就要求回去重新检查;或者设定某个部件检查评分结果低于某个值时,也可以生成告警信息,要求回去重新检查。此外,通过评分结果还可以进行工作质量评价:可以按照评价体系,对每次工作进行评分,每次工作不能低于指定分数;以及人员画像:可以对一个工作者长期进行跟踪,如果经常漏检或检查不认真导致评分很低,就可以要求人员进行培训之类的,或者认定为工作能力不足,避免风险。
图2为本发明提供的一种航线绕机检测方法的一个优选实施例的绕机检查工作流程图。目前的绕机检查工作有标准的工作流程,如图2所示,分为53个检查点,工作者需要从位置1开始,严格按照图中流程进行检查。涉及高不同视野区域,需要工作者采用抬头、平视、低头、蹲下等多种姿势进行检查,每个序号代表一个检查点。标准流程的意义在于尽可能的避免工作者漏掉检查点的风险,但是在一个检查序号点可能有多个检查部件,按照流程图也不能完全保证工作者检查到所有关键部件,所以就需要本发明实施例所提供的航线绕机检测方法,可以同时评价工作质量和人员情况,也保证绕机工作没有错检查漏检查。
参见图3,图3是本发明提供的一种航线绕机检测方法的一个优选实施例的流程图,如图3所示,在通过图像识别算法对所述绕机检查信息进行检测后,会识别并计算出每个待检测目标的长、宽、中心坐标、出现时常,并根据这些信息计算以下指标信息并进行评分,具体的评分规则如下:
(1)目标在视野中的定位:主要用来推算目标是否在主视野区域,最终评分权重占比15%。
评分细则:
一级视野区域:画面中心15%区域;
二级视野区域:画面15-20%区域;
三级视野区域:画面20-30%区域。
a.如果识别目标中心点位置在画面中心15%区域,则视为在一级视野区域,为优秀,给予100分;
b.如果识别目标中心点位置在画面15-20%区域,则视为在二级视野区域,为轻度未仔细检查,良好,给予30-99分;
c.如果识别目标中心点位置在画面20-30%区域,则视为在三级视野区域,为重度未仔细检查,不佳,给予0-30分;
d.如果识别目标中心点位置在画面中心30%以外区域,则视为在三级视野以外区域,为未检查,漏检,给予0分,后续可根据此结果生成漏检,要求工作人员重新检查的告警信息。
(2)目标出现时长:主要用来推算关注目标仔细度,最终评分权重占比30%。评估团队可以根据不同的部件的位置、复杂程度,设置不同的检查时间,关键部件检查时间短的话,则有安全风险。
评分细则:
a.如果识别目标出现时长大于设定时长,则视为正常,优秀,给予100分;
b.如果识别目标出现时长小于设定值的100%,大于80%以上,则视为轻度未仔细检查,良好,给予70-99分;
c.如果识别目标出现时长小于设定值的80%,大于60%以上,则视为中度未仔细检查,合格,给予40-70分;
d.如果识别目标出现时长小于设定值的60%,大于30%以上,则视为重度未仔细检查,不佳,给予0-40分,后续可根据此结果生成漏检,要求工作人员重新检查的告警信息;
f.如果识别目标出现时长小于设定值的30%,则视为漏检查,给予0分。
(3)目标面积大小:主要用来推算工作者与目标的相对距离最终评分权重占比10%。在本发明实施例钟,已对每一个待检查目标,在标准检查距离进行拍照采样,获取每个部件标准长宽比,然后根据本发明实施例利用后台算法识别目标长、宽,与真实部件长、宽进行等比换算,推断工作者与目标的相对位置距离。经过测试,工作者每后退50cm,目标长宽比缩小到原来的70%。
评分细则:
一级距离区域:设定距离0cm以内;
二级距离区域:设定距离0-50cm;
三级距离区域:设定距离50-100cm;
三级距离区域以外:设定距离100cm以外。
a.如果识别目标长宽比大于设置值,视为在一级距离区域以内,给予100分。
b.如果识别目标长宽比小于设定值100%,大于的70%,视为在二级距离域间以内,即远离设定距离50cm以内,则视为轻度偏离,给予90-99分。
c.如果识别目标长宽比小于设置值70%,大于的50%,视为在三级距离区域以内,即远离设定距离100cm以内,则视为中度偏离,给予70-90分。
d.如果识别目标长宽比小于设置值50%,大于的35%,视为在三级距离区域以外,即远离设定距离100cm以上,则视为重度偏离,给予0分,后续可根据此结果生成漏检,要求工作人员重新检查的告警信息。
(4)目标出现顺序:用来推算工作者检查路线是否正确,最终评分权重占比45%。按照如图2所示的航线绕机检查流程图,设置目标出现顺序,将后台识别得到的目标的顺序与设置顺序进行比较,从而推算工作者检查是否按照指定路线动线进行检查。
评分细则:
需要说明的是,若A结束需要前往B区域,工作者前往了C区域,之后又返回了B区域,视为一次错位;若A结束前往了C区域,之后没有返回B区域,则视为一次漏检。
a.如果检查点全部出现且顺序正确,则认为完全按照指定路线进行检查,给予100分;
b.如果同一检查点目标顺序出现错位,则不进行扣分;(同一检查点可能有多个检查部件)如果检查点全部出现但检查点顺序不正确,则认为工作者没有按照指定路线完成检查,每次错位扣20分;
c.如果出现任何一次漏检,扣除100分。
最后,将各指标的分值乘以相应的权重占比,并将它们相加,即可得到最终的评分结果,若评分结果低于设定的值,则生成漏检,要求工作人员重新检查的告警信息。
本发明实施例还提供了一种航线绕机检测系统,用于实现上述任一实施例所述的一种航线绕机检测方法,参见图4所示,是本发明提供的一种航线绕机检测系统的一个优选实施例的结构框图,所述系统包括:
绕机检查信息获取模块21,用于获取通过辅助设备采集的绕机检查信息;
图像识别算法设定模块22,用于根据关键部件资料库设定图像识别算法;
目标参数指标抽取模块23,用于通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
检测判别模块24,用于通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
评分计算模块25,用于根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;
告警生成模块26,根据所述各指标分值和所述最终评分结果生成告警信息。
优选地,所述辅助设备,包括纸质记录本、电子储存显示设备、AR眼睛、手机、ipad以及其他专门的采集设备。
优选地所述绕机检查信息,包括绕机检查过程中产生的视频、音频、轮廓、映射、检查目标外观的变化、内部结构的变化和当前的环境因素。
优选地,所述通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标,包括:
通过所述图像识别算法识别所述绕机检查信息中的每个待检测目标,并计算出每个所述待检测目标的空间特征信息,根据所述待检测目标的空间特征信息分别计算出目标参数指标。
优选地,所述目标参数指标包括目标在视野中的定位、目标出现时长、目标面积大小和目标出现顺序。
优选地,所述目标参数指标的权重占比为:
所述目标在视野中的定位的权重占比为15%、所述目标出现时长的权重占比为30%、所述目标面积大小的权重占比为10%、所述目标出现顺序的权重占比为30%。
优选地,所述通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值,包括:
根据所述目标在视野中的定位判断目标在主视野区域中的位置情况,并根据所述位置情况进行评分;
根据所述目标出现时长判断目标被关注的仔细度,并根据所述被关注的仔细度进行评分;
根据所述目标面积大小判断工作者与目标的相对距离,并根据所述相对距离进行评分;
根据所述目标出现顺序判断工作者检查路线的检查情况,并根据所述检查情况进行评分。
需要说明的是,本发明实施例所提供的一种航线绕机检测系统,能够实现上述任一实施例所述的航线绕机检测方法的所有流程,系统中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的航线绕机检测方法的作用以及实现的技术效果对应相同,这里不再赘述。
本发明实施例还提供了一种终端设备,如图5所示,是本发明提供的一种终端设备的一个优选实施例的结构框图。所述终端设备包括处理器31、存储器32以及存储在所述存储器32中且被配置为由所述处理器31执行的计算机程序,所述处理器31执行所述计算机程序时实现如上任一实施例所述的航线绕机检测方法。
另外,本发明实施例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包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的航线绕机检测方法。
所述处理器31执行所述计算机程序时实现上述航线绕机检测方法实施例中的步骤,例如图1所示的航线绕机检测方法的所有步骤。或者,所述处理器31执行所述计算机程序时实现上述航线绕机检测系统实施例中各模块的功能,例如图4所示的航线绕机检测系统的各单元的功能。
优选地,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器32中,并由所述处理器31执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器31可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器31也可以是任何常规的处理器,所述处理器31是所述终端设备的控制中心,利用各种接口和线路连接所述终端设备的各个部分。
所述存储器32主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器32可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器32也可以是其他易失性固态存储器件。
需要说明的是,上述终端设备可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解,图5所示的结构框图仅仅是上述终端设备的结构示例,并不构成对上述终端设备的结构限定,上述终端设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件。
综上,本发明实施例提供的一种航线绕机检测方法、系统、设备及介质,首先获取通过辅助设备采集的绕机检查信息;然后根据关键部件资料库设定图像识别算法;通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;并根据所述各指标分值和所述最终评分结果生成告警信息。本发明可以对使用辅助设备采集的绕机检查信息通过图像识别算法对图像进行检测和分析,能够更高效地获取目标参数指标,减少人工操作和主观判断的干扰,提高评估的准确性;并且通过关键部件资料库设定图像识别算法,可以根据特定的航线绕机需求和指标要求,自动识别关键部件和特征,避免了人工定制和调整算法的复杂性;然后通过绕机质量指标量化算法,将抽取出的目标参数指标进行判别,能够将主观评估转化为客观的判别,提供对绕机质量的量化评估,便于直观比较和分析;最后获得综合考虑权重占比的最终评分结果,能够更全面地评估航线绕机质量,创新地实现了对飞机绕机检查信息的自动化处理和评估,提高了绕机检测的效率和准确性,为飞机运行安全和维护提供了更好的保障。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种航线绕机检测方法,其特征在于,包括:
获取通过辅助设备采集的绕机检查信息;
根据关键部件资料库设定图像识别算法;
通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;
根据所述各指标分值和所述最终评分结果生成告警信息。
2.如权利要求1所述的航线绕机检测方法,其特征在于,所述辅助设备,包括纸质记录本、电子储存显示设备、AR眼睛、手机、ipad以及其他专门的采集设备。
3.如权利要求1所述的航线绕机检测方法,其特征在于,所述绕机检查信息,包括绕机检查过程中产生的视频、音频、轮廓、映射、检查目标外观的变化、内部结构的变化和当前的环境因素。
4.如权利要求1所述的航线绕机检测方法,其特征在于,所述通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标,包括:
通过所述图像识别算法识别所述绕机检查信息中的每个待检测目标,并计算出每个所述待检测目标的空间特征信息,根据所述待检测目标的空间特征信息分别计算出目标参数指标。
5.如权利要求1所述的航线绕机检测方法,其特征在于,所述目标参数指标包括目标在视野中的定位、目标出现时长、目标面积大小和目标出现顺序。
6.如权利要求5所述的航线绕机检测方法,其特征在于,所述目标参数指标的权重占比为:
所述目标在视野中的定位的权重占比为15%、所述目标出现时长的权重占比为30%、所述目标面积大小的权重占比为10%、所述目标出现顺序的权重占比为30%。
7.如权利要求5所述的航线绕机检测方法,其特征在于,所述通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值,包括:
根据所述目标在视野中的定位判断目标在主视野区域中的位置情况,并根据所述位置情况进行评分;
根据所述目标出现时长判断目标被关注的仔细度,并根据所述被关注的仔细度进行评分;
根据所述目标面积大小判断工作者与目标的相对距离,并根据所述相对距离进行评分;
根据所述目标出现顺序判断工作者检查路线的检查情况,并根据所述检查情况进行评分。
8.一种航线绕机检测系统,其特征在于,包括:
绕机检查信息获取模块,用于获取通过辅助设备采集的绕机检查信息;
图像识别算法设定模块,用于根据关键部件资料库设定图像识别算法;
目标参数指标抽取模块,用于通过所述图像识别算法对所述绕机检查信息进行检测,并抽取出目标参数指标;
检测判别模块,用于通过绕机质量指标量化算法对所述目标参数指标进行判别,获得各指标分值;
评分计算模块,用于根据所述目标参数指标的权重占比,对所述各指标分值进行计算,获得最终评分结果;
告警生成模块,根据所述各指标分值和所述最终评分结果生成告警信息。
9.一种终端设备,其特征在于,包括存储器,用于存储计算机程序;处理器,用于执行所述计算机程序;其中,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的航线绕机检测方法。
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存储有计算机程序,所述计算机程序被执行时实现如权利要求1至7任一项所述的航线绕机检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297719.XA CN118053101A (zh) | 2024-03-15 | 2024-03-15 | 一种航线绕机检测方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297719.XA CN118053101A (zh) | 2024-03-15 | 2024-03-15 | 一种航线绕机检测方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118053101A true CN118053101A (zh) | 2024-05-17 |
Family
ID=91051726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410297719.XA Pending CN118053101A (zh) | 2024-03-15 | 2024-03-15 | 一种航线绕机检测方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118053101A (zh) |
-
2024
- 2024-03-15 CN CN202410297719.XA patent/CN118053101A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111949809B (zh) | 一种输电线路红外巡检数据智能处理方法 | |
CN113610749B (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
CN109580004A (zh) | 一种温度检测方法及装置 | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN110321933A (zh) | 一种基于深度学习的故障识别方法和装置 | |
CN104597907A (zh) | 一种架空输电线路无人机巡检系统飞行准确性评价方法 | |
US20220327684A1 (en) | Method and device for detecting mechanical equipment parts | |
CN116258980A (zh) | 一种基于视觉的无人机分布式光伏电站巡检方法 | |
CN112613569A (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN114035604A (zh) | 一种视频监控和无人机空地联动的异常目标检测方法 | |
CN116385421A (zh) | 光伏面板检测方法、无人机和计算机可读存储介质 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
JP5164802B2 (ja) | 認識システム、認識方法、および認識プログラム | |
CN118053101A (zh) | 一种航线绕机检测方法、系统、设备及介质 | |
CN111259887A (zh) | 一种哑资源设备的智能质检方法及系统、装置 | |
RU2628031C1 (ru) | Способ оценки и анализа техники пилотирования по данным бортовых устройств регистрации параметрической полетной информации | |
CN115931895A (zh) | 一种输电线路缺陷的校验方法和装置 | |
CN116307822A (zh) | 一种通用型飞行训练评估系统 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN115494871A (zh) | 一种输电线路异常的无人机巡检方法、装置以及系统 | |
CN114529543A (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 |
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 |