本發(fā)明涉及機坪保障,特別涉及基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法。
背景技術(shù):
1、機場保障節(jié)點系統(tǒng)是現(xiàn)代機場運營中至關(guān)重要的一部分,它涵蓋了一系列技術(shù)和設(shè)施,旨在確保機場各項運營活動的高效性、安全性和可靠性。在傳統(tǒng)機場運行管理中,保障節(jié)點信息的采集通常依賴于人工觀察和手動填報,這種方式存在一些問題。僅憑借人工觀察和手動填報,會面臨以下問題:增加了人員的工作負(fù)擔(dān),可能會影響工作質(zhì)量;數(shù)據(jù)的實時性較差,可能導(dǎo)致信息不及時;手動填報容易出現(xiàn)漏報、誤報等問題,使得數(shù)據(jù)的準(zhǔn)確性和參考性受到影響。而機場保障節(jié)點系統(tǒng)就可以解決上述問題,通過多個子系統(tǒng)和設(shè)備的集成進行實時的檢測和反饋協(xié)同,保障機場的秩序。
2、目前,圖像處理技術(shù)在航班保障中起著十分重要的作用。通過智能感知技術(shù),利用傳感器網(wǎng)絡(luò)和監(jiān)控攝像頭等設(shè)備,實時監(jiān)測機場各個區(qū)域的情況。將收集到圖像數(shù)據(jù)通過圖像識別技術(shù)能夠檢測到飛機、車輛、行李和人員的位置和運動,以及檢測環(huán)境因素如天氣、溫度和能見度等信息。建立可靠的通信和網(wǎng)絡(luò)基礎(chǔ)設(shè)施,保障各個設(shè)備之間的信息交換和互聯(lián)。這包括局域網(wǎng)、無線網(wǎng)絡(luò)、衛(wèi)星通信等技術(shù),確保系統(tǒng)在復(fù)雜的環(huán)境中穩(wěn)定運行。與航空管制部門和航空公司的系統(tǒng)進行集成,確保航班安全和正常運行。
3、現(xiàn)有基于圖像識別的保障節(jié)點自動錄入需要基于視頻識別出保障車輛的類型,并且能夠在整個視頻過程中對車輛進行跟蹤,但這種技術(shù)在保障車輛被遮擋或雨霧光照情況下可能出現(xiàn)嚴(yán)重誤差,導(dǎo)致整個系統(tǒng)的識別效果大大降低。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)中的上述不足,本發(fā)明提供的相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法并不直接識別保障車輛,而是先識別出飛機的位姿,基于飛機位姿預(yù)測出保障車輛與飛機的相對位置,只要有車輛進入到識別區(qū)域,則可以認(rèn)為是對應(yīng)保障車輛的出現(xiàn),由于本方法只需要基于圖像識別技術(shù)識別出飛機上幾個關(guān)鍵的部位,如機頭和機尾,這兩個關(guān)鍵部位的可辨識度很高,在雨霧或者夜間也能夠很好地被識別出來,而且?guī)缀醪淮嬖诒徽趽醯膯栴},其解決了現(xiàn)有的基于圖像識別的保障節(jié)點自動錄入方法在圖像識別效果不佳的情況下無法進行保障節(jié)點檢測的問題。
2、為了達到上述發(fā)明目的,本發(fā)明采用的技術(shù)方案為:基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,包括:
3、s1、根據(jù)保障車輛和飛機之間的相對位置關(guān)系,制作標(biāo)注保障車輛和飛機相對位置數(shù)據(jù)的數(shù)據(jù)集;
4、s2、利用深度學(xué)習(xí)對數(shù)據(jù)集進行訓(xùn)練得到預(yù)測模型;
5、s3、使用改進yolov7模型對機場實時傳入的圖像數(shù)據(jù)進行檢測,得到飛機的關(guān)鍵點位置數(shù)據(jù);
6、s4、將關(guān)鍵點位置數(shù)據(jù)輸入預(yù)測模型,完成機場保障節(jié)點自動識別。
7、進一步地:所述s1包括:
8、s11、對飛機的3d圖像進行不同拍攝角度以及拍攝距離的隨機變換,并進行數(shù)據(jù)關(guān)鍵點標(biāo)注,得到飛機位姿圖像數(shù)據(jù);
9、s12、根據(jù)飛機位姿圖像數(shù)據(jù)和對應(yīng)的保障車輛位置,獲取相對位置特征,并將相對位置特征作為標(biāo)注保障車輛和飛機相對位置數(shù)據(jù)的數(shù)據(jù)集。
10、進一步地:所述s12中,相對位置特征包括機頭x坐標(biāo)、機頭y坐標(biāo)、機尾x坐標(biāo)、機尾y坐標(biāo)、飛機朝向、保障車輛檢測框左上角坐標(biāo)和保障車輛檢測框右下角坐標(biāo)。
11、進一步地:所述s2中,預(yù)測模型包括依次連接的輸入層、第一隱藏層、第二隱藏層和輸出層;
12、所述第一隱藏層包括64個神經(jīng)元,所述第二隱藏層包括32個神經(jīng)元。
13、進一步地:所述s3中,改進yolov7模型對機場實時傳入的圖像數(shù)據(jù)的處理方法包括:
14、s31、將機場實時傳入的圖像數(shù)據(jù)輸入改進yolov7模型,通過改進yolov7模型的主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò),提取三種不同尺寸的特征圖;
15、s32、使用解耦頭分別對三種不同尺寸的特征圖進行預(yù)測,得到用于分類的cls特征、用于定位的reg特征和用于置信度任務(wù)的obj特征;
16、s33、將用于分類的cls特征、用于定位的reg特征和用于置信度任務(wù)的obj特征經(jīng)過堆疊操作組合為最終特征圖,并將最終特征圖作為飛機的關(guān)鍵點位置數(shù)據(jù)。
17、進一步地:所述s32中,解耦頭包括分類分支和回歸分支;
18、所述分類分支包括依次連接的兩層3×3?卷積層和一層1×1卷積層;
19、所述分類分支輸出用于分類的cls特征;
20、所述回歸分支包括依次連接兩層3×3?卷積層和平行的一層1×1卷積層;
21、所述回歸分支輸出用于定位的reg特征和用于置信度任務(wù)的obj特征。
22、進一步地:所述s4包括:
23、s41、將關(guān)鍵點位置數(shù)據(jù)輸入預(yù)測模型,通過預(yù)測模型輸出保障車輛的檢測框;
24、s42、跟蹤保障車輛的檢測框中保障車輛段運動軌跡,根據(jù)保障車輛段運動軌跡,得到機場保障的開始時間節(jié)點和結(jié)束時間節(jié)點,完成機場保障節(jié)點自動識別。
25、本發(fā)明的有益效果為:
26、本發(fā)明提供的相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法并不直接識別保障車輛,而是先識別出飛機的位姿,基于飛機位姿預(yù)測出保障車輛與飛機的相對位置,只要有車輛進入到識別區(qū)域,則可以認(rèn)為是對應(yīng)保障車輛的出現(xiàn);
27、由于本方法只需要基于圖像識別技術(shù)識別出飛機上幾個關(guān)鍵的部位,如機頭個機尾,這兩個關(guān)鍵部位的可辨識度很高,在雨霧或者夜間也能夠很好地被識別出來,而且?guī)缀醪淮嬖诒徽趽醯膯栴},其解決了現(xiàn)有的基于圖像識別的保障節(jié)點自動錄入方法在圖像識別效果不佳的情況下無法進行保障節(jié)點檢測的問題。
1.基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,包括:
2.根據(jù)權(quán)利要求1所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s1包括:
3.根據(jù)權(quán)利要求1所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s12中,相對位置特征包括機頭x坐標(biāo)、機頭y坐標(biāo)、機尾x坐標(biāo)、機尾y坐標(biāo)、飛機朝向、保障車輛檢測框左上角坐標(biāo)和保障車輛檢測框右下角坐標(biāo)。
4.根據(jù)權(quán)利要求1所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s2中,預(yù)測模型包括依次連接的輸入層、第一隱藏層、第二隱藏層和輸出層;
5.根據(jù)權(quán)利要求1所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s3中,改進yolov7模型對機場實時傳入的圖像數(shù)據(jù)的處理方法包括:
6.根據(jù)權(quán)利要求5所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s32中,解耦頭包括分類分支和回歸分支;
7.根據(jù)權(quán)利要求1所述的基于相對位置學(xué)習(xí)的機場保障節(jié)點自動識別方法,其特征在于,所述s4包括: