[发明专利]基于人工智能的飞机油量测量方法及系统

权利要求书

1.一种基于人工智能的飞机油量测量方法，其特征在于，包括以下步骤：

步骤一，预先获取油箱内的连续油面照片和对应的油量数据；

步骤二，将所述连续油面照片进行预处理；

步骤三，获得油箱油面高度与油量关系的先验，即获得H-V关系曲线，其中，H为油箱内油面高度，V为油箱内的油量体积；

步骤四，通过H-V关系曲线插值及搜索，利用所述H-V关系曲线对新获得的油箱内油面照片进行油量测量；

步骤五，基于上述步骤一至三，获取多幅油箱内油面照片及对应的油量数据，获得深度卷积神经网络模型DCNN的训练样本集，通过训练该模型获得油箱内油面照片的特征图；

步骤六，利用哈希函数的深度神经卷积网络DCNN，以步骤五所述特征图为输入获得深度监督哈希编码序列DSH，序列汇总得到样板集所有照片哈希编码序列库；

步骤七，对任何新的油面照片，通过特征提取及哈希化后，通过检索步骤六哈希编码序列库获得哈希值相似度为零的列表队列，接着在列表队列中进行聚类计算获得最大类的哈希编码序列，接着得到该哈希序列对应的照片以及该照片对应的标签即为新的油面照片的油量测量值；

步骤八，将上述先验及深度卷积神经网络模型DCNN部署至飞机上，实现通过随机拍照获得单幅油面照片实时计算出油箱剩余油量。

2.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤一中，油箱内照片通过设置于油箱内或油箱透明孔洞的多个TCP/IP标准接口的摄像头及能同步控制的Led冷光源获得。

3.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤一中，油量数据通过以下三种方法的一种或多种获取：(1)对于地面验证仿真试验油箱，通过加油或排油的流量计进行油量测量；(2)通过地面或飞机上的油箱3D数字模型的数据切片获得；(3)通过飞机上油箱中的正在使用的电容传感器数据获得。

4.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤二中，照片的预处理包括以下步骤：对照片进行灰度化、图像增强、滤波去噪、二值化、图像分割、轮廓提取处理。

5.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤三中，H-V曲线获取方法为三次样条插值法补点或3D模型切片数据法。

6.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤三和四中，在一个固定的拍摄场景下，事先定义一个比率来测量每个给定度量单位的像素数，将其称为像素比例，即每单位长度对应的像素数；测量前，需要选取一个参照物作为“校准”点，参照物应该有三个重要的属性：一是已知其真实尺寸；二是该参照物能够在图像上被识别，三是参照物在图像上的畸变小于预设值；测量时先识别参照物，再计算得到像素比例，进一步获得油面高度数据或油面线夹角数据。

7.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：油箱照片样本数据经过图像像素级标注、分类、掩模、灰度化处理，变成能够在深度神经卷积网络模型中训练的样本数据集，通过训练后输出带图像语义分割并用于多分类或回归的高维特征向量。

8.根据权利要求7的所述的基于人工智能的飞机油量测量方法，其特征在于：利用获得的高维特征向量，通过深度神经网络模型训练，获得一维稀疏哈希编码序列，并汇总获得哈希编码序列库，以备检索之用。

9.根据权利要求1所述的基于人工智能的飞机油量测量方法，其特征在于：所述步骤五、六、七、八中，基于深度卷积神经网络DCNN实现图像特征提取，利用深度卷积神经网络DCNN的哈希函数模型对提取的图像特征执行哈希编码，接下来通过哈希相似度距离计算方法，实现对任意新的图像进行检索。