[发明专利]基于改进SPCNN模型的机场跑道胶痕检测方法

说明书

本发明公开了基于改进SPCNN模型的机场跑道胶痕检测方法，包括以下步骤：将SPCNN模型中的反馈输入部分更改为通过邻域灰度关系确定；将SPCNN模型中的神经元点火阈值指数衰减机制更改为线性分层步长衰减方法，在线性分层步长衰减方法中根据神经元点火区域与未点火区域的统计特性设计分层步长；采用CS算法并结合最小交叉熵准则在解空间里对更改后的SPCNN模型中的连接系数β和放大系数Vsubgt;θ/subgt;进行寻优，获取改进后的SPCNN模型；将机场跑道原始图像输入改进后的SPCNN模型中进行迭代，每次迭代点火区域映射在原图上的区域平均灰度值增长量小于预设值，停止迭代，输出分割后的跑道胶痕图像，计算图中的胶痕占比，输出胶痕检测结果。

技术领域

本发明属于图像分割技术领域，涉及基于改进SPCNN模型的机场跑道胶痕检测方法。

背景技术

由于飞机起降时，轮胎与跑道路面接触相互作用所产生的摩擦力和切割力会造成轮胎表面橡胶颗粒脱落。它们会附着在路面上并逐渐积累形成黑色胶痕，从而使跑道抗滑系数降低，产生粘性滑水现象。

随着民航业的快速发展，机场跑道上飞机起降变得日益密集，使得跑道着落区路面上附着的黑色胶痕不断增厚，导致机轮轮胎与跑道之间的摩擦系数不断降低，如果不及时对跑道路面上的黑色胶痕进行清除，将给飞机着陆带来严重的安全隐患。因此，对胶痕进行检测是机场跑道安全维护任务中的一项重要内容。

目前，国内外多采用人工视觉方法检测跑道胶痕。工作人员借助手电筒、车灯等设备对跑道胶痕的分布和积累状态进行逐段检查。该方法主要借鉴维修人员的工作经验，检测效率低、检出精度低，难以获得满意的检测结果。近几年，随着计算机视觉和图像处理技术的不断发展，研究人员将两者结合实现了跑道胶痕的自动检测。但由于只能在夜间停航时进行检测，检测系统受夜间光照条件的影响，得到的跑道胶痕图像质量较差，同时机场跑道环境的多样性也增加了图像背景的复杂度，现阶段研究人员提出跑道黑色胶痕自动识别的相关技术识别能力差，识别精度低，不具备实际应用的可行性。因此，如何精确智能地识别胶痕就成为了当前迫切需要解决的问题。

为此，本发明提出基于改进SPCNN模型的机场跑道胶痕检测方法。

发明内容

为解决上述问题，本发明提出了基于改进SPCNN模型的机场跑道胶痕检测方法。

为实现上述目的，本发明提供了如下的技术方案。

基于改进SPCNN模型的机场跑道胶痕检测方法，包括以下步骤：

将SPCNN模型中的反馈输入部分更改为通过邻域灰度关系确定；将SPCNN模型中的神经元点火阈值指数衰减机制更改为线性分层步长衰减方法，在线性分层步长衰减方法中根据神经元点火区域与未点火区域的统计特性设计分层步长；

采用CS算法并结合最小交叉熵准则在解空间里对更改后的SPCNN模型中的连接系数β和放大系数V_θ进行寻优，获取改进后的SPCNN模型；

将机场跑道原始图像输入改进后的SPCNN模型中进行迭代，每次迭代点火区域映射在原图上的区域平均灰度值增长量小于预设值，停止迭代，输出分割后的跑道胶痕图像，计算图中的胶痕占比，输出胶痕检测结果。

优选地，所述反馈输入的值根据当前像素灰度值与邻域内像素的均值灰度值的大小关系来决定，当前像素灰度值较大，则当前像素灰度值取邻域内最大的灰度值，反之则取值邻域内最小的灰度值；

式中：F_ij为神经元反馈输入部分，S_kl为神经元点(i,j)8邻域内像素点的灰度值；为8邻域内像素点的平均灰度值。

优选地，所述神经元点火阈值的改进方法包括以下步骤：

所述神经元点火阈值的公式为：