[发明专利]机场跑道FOD图像检测方法、系统和存储介质

说明书

本申请公开了一种机场跑道FOD图像检测方法、系统和存储介质，涉及图像识别技术，包括以下步骤：获取机场跑道图像；对所述机场跑道进行重叠滑窗裁剪处理，得到裁剪后的多个子图；将多个所述子图输入训练好的异物检测模型中，得到待识别异物的子图位置；根据待识别异物的全局位置将重合度大于阈值的异物区域进行融合，得到融合图像；将融合后的异物区域进行裁剪与尺寸调整，得到待分类的图像块；将待分类图像块输入到训练好的异物分类模型中，得到分类结果。通过实施本申请可以准确识别图像中的小目标和大目标，降低识别的错误率，提高系统的异物检出率，降低虚警率。

技术领域

本申请涉及图像识别技术，特别是一种机场跑道FOD图像检测方法、系统和存储介质。

背景技术

机场跑道异物（FOD）包括但不限于金属器件（螺钉、扳手等）、塑料片、玻璃片、碎石、动植物，这些机场跑道外来物品会损坏飞行器，造成重大安全事故，直接影响着航班的安全，因此FOD检测技术的研究与系统的开发具有重要意义。

目前常见的FOD检测系统可分为3大类，基于图像的FOD检测系统，基于雷达的FOD检测系统，融合图像和雷达的FOD检测系统。其中，依赖图像的FOD检测系统一般基于相机获得图像进行处理，存在以下难点：（1）自然环境条件复杂，存在雨天、阴天、黄昏、强光、大风等情况；（2）机场跑道路面干扰大，存在道路裂缝、道路标识线、边灯等干扰；（3）FOD异物类别繁多、异物状态随机，存在大尺寸、小尺寸异物。针对上述难点，基于传统图像匹配与特征差值法难以适应于多变的自然环境，且准确率低。神经网络提取的卷积特征具有丰富的浅层边缘信息以及高级类别等语义信息，相较于传统算法泛化性高；但是机场跑道地面存在许多干扰直接基于目标检测网络容易产生错检。其次，实际使用中相机采集图像分辨率远高于模通用目标检测模型输入尺寸，如果直接以大尺度图像输入会造成显存爆炸，如果插值调整为模型输入尺度，会大大降低小目标检出率。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种机场跑道FOD图像检测方法、系统和存储介质，以增加小目标的检出率。

一方面，本申请实施例提供了一种机场跑道FOD图像检测方法，包括以下步骤：

获取机场跑道图像；

对所述机场跑道进行重叠滑窗裁剪处理，得到裁剪后的多个子图；

将多个所述子图输入训练好的异物检测模型中，得到待识别异物的子图位置；

根据待识别异物的全局位置将重合度大于阈值的异物区域进行融合，得到融合图像；

将未被融合的子图和融合图像进行裁剪和尺寸调整，得到待分类图像；

将待分类图像输入到训练好的异物分类模型中，得到分类结果。

在一些实施例中，其中，所述异物检测模型通过以下方式得到：

构建异物检测数据集，所述数据集中包括多个机场跑道图像，所述图像中的机场跑道上随机设置有若干个异物；

其中，所述机场跑道图像结合以下方式获得：

方式一、拍摄机场跑道上设置有异物的照片；

方式二、在机场跑道上没有异物的照片上随机加入异物；

方式三，对方式一和方式二中的图像进行亮度调整、裁剪、平移、旋转或者增加噪声。

结合以下方式获得方式一和方式二在一些实施例中，所述异物检测模型采用CSPDarkNet53模块作为特征提取网络，采用SPP模块作为特征处理模块，采用PANet模块以融合图像语义特征和浅层特征，采用CIoU损失作为回归损失函数，采用交叉熵损失函数作为分类损失函数。