本發(fā)明涉及計(jì)算機(jī)視覺，尤其涉及基于機(jī)器學(xué)習(xí)的無人車載端的機(jī)場圍欄狀態(tài)檢測圖像方法。

背景技術(shù)：

1、機(jī)場圍欄作為保障機(jī)場安全的重要設(shè)施，其完整性直接關(guān)系到機(jī)場的整體安全防護(hù)效果。傳統(tǒng)上，機(jī)場圍欄的狀態(tài)檢測主要依賴于人工巡檢，巡檢人員通過定期或不定期的方式對圍欄進(jìn)行檢查，以確保圍欄沒有被破壞或出現(xiàn)漏洞。然而，這種傳統(tǒng)的人工巡檢方式存在多個顯著的缺陷。

2、首先，人工巡檢的效率低下。機(jī)場范圍廣闊，圍欄長度往往較長，依靠人工巡檢不僅耗時(shí)費(fèi)力，而且無法做到全面覆蓋，巡檢人員需要耗費(fèi)大量時(shí)間和精力在大面積的圍欄區(qū)域進(jìn)行逐一檢查，特別是在復(fù)雜的地形或惡劣天氣條件下，這種巡檢方式的效率會進(jìn)一步下降。其次，人工巡檢容易受到人為因素的影響，巡檢人員可能因疲勞、疏忽、經(jīng)驗(yàn)不足或其他主觀因素而導(dǎo)致檢測不到位，這直接影響到檢測的準(zhǔn)確性，比如，夜間巡檢時(shí)，視線受限，容易漏檢或誤判，而長時(shí)間的工作也可能導(dǎo)致巡檢人員注意力不集中，從而增加了圍欄安全隱患。此外，人工巡檢的及時(shí)性也無法保證，在機(jī)場運(yùn)營過程中，圍欄可能隨時(shí)受到外力破壞，如惡劣天氣、外來車輛撞擊等，由于巡檢具有一定的周期性，破壞可能在巡檢間隔期間發(fā)生，這就給不法分子提供了可乘之機(jī)，嚴(yán)重威脅到機(jī)場的安全。

3、現(xiàn)有技術(shù)中，雖然有一些自動化檢測系統(tǒng)被提出，但大多數(shù)依賴于固定的傳感器或攝像頭，這些系統(tǒng)雖然能夠提高檢測的及時(shí)性，但覆蓋范圍有限，且受限于安裝地點(diǎn)，無法靈活應(yīng)對圍欄各個區(qū)域的狀態(tài)檢測。更重要的是，現(xiàn)有的自動檢測系統(tǒng)通?；诤唵蔚膱D像處理算法，難以應(yīng)對復(fù)雜的環(huán)境變化，如光照、陰影、天氣等，容易導(dǎo)致誤報(bào)或漏報(bào)。

4、因此，急需一種基于機(jī)器學(xué)習(xí)的無人車載端機(jī)場圍欄狀態(tài)檢測圖像方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于機(jī)器學(xué)習(xí)的無人車載端的機(jī)場圍欄狀態(tài)檢測圖像方法，以解決現(xiàn)有技術(shù)中存在的上述問題。

2、為了達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

3、基于機(jī)器學(xué)習(xí)的無人車載端的機(jī)場圍欄狀態(tài)檢測圖像方法，包括：

4、s101：獲取無人車載端采集的機(jī)場圍欄原始圖像數(shù)據(jù)，對機(jī)場圍欄原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲取標(biāo)準(zhǔn)化圖像數(shù)據(jù)；

5、s102：基于深度學(xué)習(xí)算法，構(gòu)建圍欄狀態(tài)檢測模型；

6、s103：將圍欄狀態(tài)檢測模型部署到無人車載端，通過對標(biāo)準(zhǔn)化圖像數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測，獲取圍欄狀態(tài)檢測結(jié)果；

7、s104：將圍欄狀態(tài)檢測結(jié)果通過無人車載端的顯示屏或遠(yuǎn)程監(jiān)控中心進(jìn)行展示，當(dāng)檢測到異常狀態(tài)時(shí)，觸發(fā)報(bào)警機(jī)制通知相關(guān)人員。

8、其中，s101步驟包括：

9、s1011：基于無人車載端的雙光譜高清攝像頭對機(jī)場圍欄進(jìn)行圖像采集，獲取機(jī)場圍欄原始圖像數(shù)據(jù)，原始圖像數(shù)據(jù)包括在不同光照條件、不同角度以及不同天氣狀況下采集的圍欄圖像；

10、s1012：對機(jī)場圍欄原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，根據(jù)預(yù)設(shè)的裁剪參數(shù)，對機(jī)場圍欄原始圖像進(jìn)行裁剪，再根據(jù)預(yù)設(shè)的縮放比例，對裁剪后的圖像進(jìn)行縮放，對縮放后的圖像數(shù)據(jù)進(jìn)行歸一化處理；

11、s1013：獲取預(yù)處理后的標(biāo)準(zhǔn)化圖像數(shù)據(jù)，將標(biāo)準(zhǔn)化圖像數(shù)據(jù)保存至圖像數(shù)據(jù)庫中。

12、其中，s102步驟包括：

13、s1021：利用深度學(xué)習(xí)算法，對標(biāo)準(zhǔn)化圖像數(shù)據(jù)進(jìn)行初步特征提取，在深度學(xué)習(xí)算法中，堆疊多個卷積層以提取低級別和高級別特征，在卷積層后面，加入池化層以進(jìn)行特征降維，在特征提取過程中，引入殘差結(jié)構(gòu)以解決模型訓(xùn)練中的梯度消失問題，引入注意力機(jī)制，以增強(qiáng)模型對重點(diǎn)特征區(qū)域的識別能力；

14、s1022：將提取的圖像特征輸入全連接層，進(jìn)行特征整合和分類，使用若干標(biāo)注圍欄正常狀態(tài)及異常狀態(tài)的圖像數(shù)據(jù)作為訓(xùn)練集，對圍欄狀態(tài)檢測模型進(jìn)行訓(xùn)練，獲取訓(xùn)練后的圍欄狀態(tài)檢測模型，在訓(xùn)練過程中，采用反向傳播算法和優(yōu)化器對圍欄狀態(tài)檢測模型參數(shù)進(jìn)行調(diào)整。

15、其中，獲取圍欄狀態(tài)檢測結(jié)果，包括：

16、對圍欄狀態(tài)檢測模型進(jìn)行壓縮處理，得到壓縮后的圍欄狀態(tài)檢測模型數(shù)據(jù)；

17、對壓縮后的圍欄狀態(tài)檢測模型數(shù)據(jù)進(jìn)行剪枝處理，以減少模型參數(shù)及計(jì)算量，得到經(jīng)過剪枝處理的圍欄狀態(tài)檢測模型；

18、將經(jīng)過剪枝處理的圍欄狀態(tài)檢測模型部署至無人車載端，生成待檢測模型；

19、獲取無人車載端的雙光譜高清攝像頭實(shí)時(shí)捕獲的圍欄圖像數(shù)據(jù)，對圍欄圖像數(shù)據(jù)進(jìn)行預(yù)處理后作為標(biāo)準(zhǔn)化圖像數(shù)據(jù)；

20、將標(biāo)準(zhǔn)化圖像數(shù)據(jù)輸入至待檢測模型中，進(jìn)行實(shí)時(shí)檢測；

21、從實(shí)時(shí)檢測中獲取圍欄狀態(tài)檢測結(jié)果。

22、其中，將圍欄狀態(tài)檢測結(jié)果通過無人車載端的顯示屏或遠(yuǎn)程監(jiān)控中心進(jìn)行展示，包括：

23、確定無人車載端的顯示屏輸出的圍欄狀態(tài)檢測結(jié)果并傳輸至遠(yuǎn)程監(jiān)控中心，檢測結(jié)果包括正常狀態(tài)結(jié)果和異常狀態(tài)結(jié)果；

24、確定多個新的圍欄狀態(tài)檢測結(jié)果并輸出，確定每個新的檢測結(jié)果的狀態(tài)并傳輸至遠(yuǎn)程監(jiān)控中心，直至新的異常狀態(tài)結(jié)果的數(shù)量達(dá)到預(yù)設(shè)數(shù)量閾值，或確定的當(dāng)前檢測狀態(tài)結(jié)果為最后一個檢測結(jié)果；

25、控制無人車載端記錄并保存異常狀態(tài)的圖像數(shù)據(jù)，返回執(zhí)行通過顯示屏或遠(yuǎn)程監(jiān)控中心輸出初始圍欄狀態(tài)檢測結(jié)果，直至新的異常狀態(tài)結(jié)果的數(shù)量達(dá)到預(yù)設(shè)數(shù)量閾值，或確定的當(dāng)前檢測狀態(tài)結(jié)果為最后一個檢測結(jié)果；

26、基于每個檢測結(jié)果以及檢測結(jié)果的狀態(tài)生成列表并輸出；

27、確定無人車載端或遠(yuǎn)程監(jiān)控中心接收到的圍欄狀態(tài)檢測結(jié)果并傳輸至報(bào)警機(jī)制。

28、其中，采用反向傳播算法和優(yōu)化器對圍欄狀態(tài)檢測模型參數(shù)進(jìn)行調(diào)整，包括：

29、獲取預(yù)設(shè)的機(jī)場圍欄標(biāo)準(zhǔn)圖像數(shù)據(jù)集，從圖像數(shù)據(jù)集中提取多個圖像特征；

30、將提取的多個圖像特征輸入至全連接層，對圖像特征進(jìn)行整合和分類；

31、獲取預(yù)設(shè)的標(biāo)注圍欄正常狀態(tài)及異常狀態(tài)的圖像數(shù)據(jù)集，使用圖像數(shù)據(jù)集作為訓(xùn)練集，對圍欄狀態(tài)檢測模型進(jìn)行訓(xùn)練；

32、在訓(xùn)練過程中，采用反向傳播算法計(jì)算圍欄狀態(tài)檢測模型的誤差，并根據(jù)誤差更新圍欄狀態(tài)檢測模型的參數(shù)；

33、獲取預(yù)設(shè)的優(yōu)化器，從優(yōu)化器中選擇最優(yōu)參數(shù)調(diào)整策略，對圍欄狀態(tài)檢測模型的參數(shù)進(jìn)行迭代調(diào)整；

34、重復(fù)反向傳播算法和優(yōu)化器的參數(shù)調(diào)整步驟，直至圍欄狀態(tài)檢測模型的誤差值小于預(yù)設(shè)的誤差閾值；

35、獲取訓(xùn)練后的圍欄狀態(tài)檢測模型，驗(yàn)證圍欄狀態(tài)檢測模型在不同光照條件、角度及天氣狀況下的檢測精度。

36、其中，將標(biāo)準(zhǔn)化圖像數(shù)據(jù)輸入至待檢測模型中，進(jìn)行實(shí)時(shí)檢測，包括：

37、將第一幀標(biāo)準(zhǔn)化圖像數(shù)據(jù)輸入至待檢測模型中，得到第一檢測結(jié)果；

38、從第二幀標(biāo)準(zhǔn)化圖像數(shù)據(jù)開始，將前一幀的檢測結(jié)果與當(dāng)前幀的標(biāo)準(zhǔn)化圖像數(shù)據(jù)一起輸入至待檢測模型中,得到當(dāng)前幀的檢測結(jié)果；

39、對第一檢測結(jié)果和所有當(dāng)前幀的檢測結(jié)果進(jìn)行整合，得到圍欄狀態(tài)檢測結(jié)果；

40、根據(jù)圍欄狀態(tài)檢測結(jié)果，對機(jī)場各個區(qū)域進(jìn)行狀態(tài)檢測，具體包括:

41、獲取機(jī)場圍欄標(biāo)準(zhǔn)圖像數(shù)據(jù)，從機(jī)場圍欄標(biāo)準(zhǔn)圖像數(shù)據(jù)中提取機(jī)場區(qū)域劃分信息；

42、根據(jù)機(jī)場區(qū)域劃分信息，將圍欄狀態(tài)檢測結(jié)果映射到對應(yīng)的機(jī)場區(qū)域；

43、對每個機(jī)場區(qū)域的圍欄狀態(tài)進(jìn)行評估，得到機(jī)場區(qū)域狀態(tài)評估結(jié)果；

44、根據(jù)機(jī)場區(qū)域狀態(tài)評估結(jié)果，生成機(jī)場安全狀態(tài)報(bào)告。

45、其中，確定多個新的圍欄狀態(tài)檢測結(jié)果并輸出，包括：

46、從標(biāo)準(zhǔn)化圖像數(shù)據(jù)中識別并提取圍欄狀態(tài)檢測數(shù)據(jù)，其中，圍欄狀態(tài)檢測數(shù)據(jù)包括圍欄檢測參數(shù)和圖像環(huán)境參數(shù)；

47、根據(jù)圍欄檢測參數(shù)和圖像環(huán)境參數(shù)，對圍欄狀態(tài)檢測數(shù)據(jù)進(jìn)行分層處理；

48、將機(jī)場圍欄標(biāo)準(zhǔn)圖像數(shù)據(jù)與圍欄狀態(tài)檢測數(shù)據(jù)進(jìn)行對比，確定圍欄狀態(tài)；

49、對比分析每個新的圍欄狀態(tài)檢測結(jié)果，包括正常狀態(tài)結(jié)果和異常狀態(tài)結(jié)果，逐一將新的圍欄狀態(tài)檢測結(jié)果與機(jī)場圍欄標(biāo)準(zhǔn)圖像數(shù)據(jù)中的標(biāo)準(zhǔn)狀態(tài)進(jìn)行匹配，輸出每個檢測結(jié)果的狀態(tài)。

50、其中，確定無人車載端或遠(yuǎn)程監(jiān)控中心接收到的圍欄狀態(tài)檢測結(jié)果并傳輸至報(bào)警機(jī)制，包括：

51、獲取無人車載端或遠(yuǎn)程監(jiān)控中心接收到的圍欄狀態(tài)檢測結(jié)果的圖像數(shù)據(jù)以及傳輸時(shí)間，傳輸時(shí)間為當(dāng)前圍欄狀態(tài)檢測結(jié)果輸出后到獲取到報(bào)警信號之間的時(shí)長；

52、基于圖像數(shù)據(jù)確定當(dāng)前圍欄狀態(tài)檢測結(jié)果并傳輸至報(bào)警機(jī)制，檢測結(jié)果包括正常狀態(tài)結(jié)果和異常狀態(tài)結(jié)果；

53、若檢測結(jié)果為異常狀態(tài)結(jié)果，則基于傳輸時(shí)間以及圖像數(shù)據(jù)觸發(fā)報(bào)警機(jī)制；

54、若檢測結(jié)果為正常狀態(tài)結(jié)果，則繼續(xù)監(jiān)測并保存檢測結(jié)果。

55、其中，根據(jù)圍欄檢測參數(shù)和圖像環(huán)境參數(shù)，對圍欄狀態(tài)檢測數(shù)據(jù)進(jìn)行分層處理，包括：

56、從圖像環(huán)境參數(shù)中獲取環(huán)境參數(shù)類型，從圍欄檢測參數(shù)中獲取圍欄檢測參數(shù)類型；

57、獲取每個環(huán)境參數(shù)類型關(guān)聯(lián)的圍欄檢測參數(shù)類型，作為待處理數(shù)據(jù)組；

58、根據(jù)環(huán)境參數(shù)類型，對每個待處理數(shù)據(jù)組進(jìn)行排序后，將每個環(huán)境參數(shù)類型和圍欄檢測參數(shù)類型對應(yīng)的數(shù)據(jù)存入對應(yīng)的待處理數(shù)據(jù)組后，得到圍欄狀態(tài)檢測數(shù)據(jù)。

59、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

60、一種基于機(jī)器學(xué)習(xí)的無人車載端的機(jī)場圍欄狀態(tài)檢測圖像方法，包括：獲取無人車載端采集的機(jī)場圍欄原始圖像數(shù)據(jù)，對機(jī)場圍欄原始圖像數(shù)據(jù)進(jìn)行預(yù)處理，獲取標(biāo)準(zhǔn)化圖像數(shù)據(jù)；基于深度學(xué)習(xí)算法，構(gòu)建圍欄狀態(tài)檢測模型；將圍欄狀態(tài)檢測模型部署到無人車載端，通過對標(biāo)準(zhǔn)化圖像數(shù)據(jù)進(jìn)行實(shí)時(shí)檢測，獲取圍欄狀態(tài)檢測結(jié)果；將圍欄狀態(tài)檢測結(jié)果通過無人車載端的顯示屏或遠(yuǎn)程監(jiān)控中心進(jìn)行展示，當(dāng)檢測到異常狀態(tài)時(shí)，觸發(fā)報(bào)警機(jī)制通知相關(guān)人員。能夠自動、準(zhǔn)確、高效地檢測機(jī)場圍欄狀態(tài)，解決了傳統(tǒng)人工巡檢存在的問題，為保障機(jī)場安全提供了有力的技術(shù)支持。

61、本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實(shí)施本發(fā)明而了解。

62、下面通過附圖和實(shí)施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。