[发明专利]基于多种卷积神经网络融合的机场道面病害异物检测方法

权利要求书

1.一种基于多种卷积神经网络融合的机场道面病害异物检测方法，其特征在于，其步骤包括：

S1：采集机场道面病害异物图像；

S2：对步骤S1获取的图像数据进行预处理，构建用于训练神经网络的机场道面病害异物数据库；

S3：对目标检测算法YOLOv3、Mask R-CNN分别进行改进优化，搭建YOLOv3、Mask R-CNN卷积神经网络，并初始化卷积神经网络超参数进行训练，

所述对目标检测算法Mask R-CNN的优化改进为坐标损失函数采用DIoU坐标损失函数，并采用DIoU-NMS算法进行目标检测；

所述YOLOv3神经网络包括Darknet-53网络与YOLO层；所述Darknet-53网络包含53个卷积层，并引入了残差结构；

所述对目标检测算法YOLOv3的优化改进为采用K-Means算法对机场道面病害和FOD样本进行聚类分析得到多种尺寸的先验框，并将Darknet-53网络中第109层与特征提取网络的第11层进行特征融合，在原有特征层基础上增加一个尺度特征层；

S4：调整卷积神经网络超参数，直至卷积神经网络收敛且误差损失值满足设定值，并保存此时的网络权重参数，完成YOLOv3、Mask R-CNN卷积神经网络的训练；

S5：将训练后的YOLOv3卷积神经网络的输出层与Mask R-CNN卷积神经网络的输入层连接进行融合，构建机场道面病害异物像素级别的智能分割模型；

S6：将测试图像输入到保存的智能分割模型中，输出机场道面的病害和异物的像素级别的分割结果；

S7：统计分割结果的掩码对应图像的像素，根据图像像素和真实面积拓扑学关系推求病害和异物的尺寸和面积，输出机场道面病害异物的语义信息。

2.根据权利要求1所述的一种基于多种卷积神经网络融合的机场道面病害异物检测方法，其特征在于，步骤S1中，所述机场道面病害异物图像由车载CCD相机在LED灯照射下进行高分辨率拍照获得，对获得的机场道面病害异物图像大数据进行分类处理，并挑选具有典型病害特征或异物特征的图像。

3.根据权利要求1或2所述的一种基于多种卷积神经网络融合的机场道面病害异物检测方法，其特征在于，步骤S2中，所述预处理为对所述图像数据裁剪处理成同样尺寸大小，并通过包括翻转、变换和曝光方法进行数据增强，标注不同机场道面病害异物的位置及轮廓，再提取标注数据保存，建立机场道面病害异物图像数据库，并随机按比例分为训练集和测试集。

4.根据权利要求1或2所述的一种基于多种卷积神经网络融合的机场道面病害异物检测方法，其特征在于，所述Mask R-CNN包括依次顺序执行的主干网络、特征金子塔、区域建议网络、ROIAlign、全卷积网络、图片输出端。

5.根据权利要求1或2所述的一种基于多种卷积神经网络融合的机场道面病害异物检测方法，其特征在于，所述初始化卷积神经网络超参数进行训练为每次训练从训练集中提取固定数量的样本数据输入到模型，使用随机梯度下降法与反向传播算法进行模型的训练，直到YOLOv3、Mask R-CNN卷积神经网络收敛。