基于计算机视觉的机场跑道道面健康状态智能评估方法与流程
本发明涉及计算机视觉与机场场道健康监测,具体涉及基于计算机视觉的机场跑道道面健康状态智能评估方法。
背景技术:
1、机场跑道道面,是指机场跑道供飞机起飞、着陆、滑行使用的表层结构,是飞机与地面直接接触的部分,也是机场最核心的基础设施之一。
2、民航机场跑道道面易产生各类病害,现有主流评估方法多为单目二维视觉检测方案或是直接移植通用道路图像处理算法,传统单目方案采用全局统一图像预处理,未针对跑道标线、强光反光、油污等特有干扰分区处理,易造成细微病害特征丢失,且仅依靠单一尺度特征分割病害,易出现小病害漏检、大病区分割碎片化的问题,仅能输出病害二维平面数据,无法量化坑槽深度、沉降量等三维损伤指标,同时仅支持单次静态检测,缺少时序图像配准与差分分析流程,无法滤除光照、临时设备带来的无效像素干扰,难以追踪病害长期演化趋势、预判潜在风险;而通用道路算法适配性差,未设置道面病害专属识别约束,也未匹配民航跑道运维评价标准,评估结果缺乏行业量化依据,综上现有方法普遍存在复杂工况下病害特征易丢失、多尺度病害识别精度不足、无法量化三维损伤、难以动态追踪病害演化的缺陷,存在检测结果不准、评估维度单一、不能支撑预防性运维决策的短板,难以满足机场跑道高可靠、高安全的常态化健康监测需求。
技术实现思路
1、本发明针对现有技术中存在的技术问题,提供基于计算机视觉的机场跑道道面健康状态智能评估方法。
2、本发明解决上述技术问题的技术方案如下:基于计算机视觉的机场跑道道面健康状态智能评估方法,包括以下步骤:
3、s1:巡检设备采集跑道可见光、双目立体图像,剔除无效画面,得到有效原始图像数据;
4、s2:对原始图像分区识别干扰区域与疑似病害区域,分区域执行图像变换处理,去除干扰并保留病害特征,得到优化图像;
5、s3:对优化图像构建多尺度特征金字塔,融合深浅层图像特征并结合边缘约束,输出病害二维轮廓、位置及范围信息;
6、s4:基于采集的双目立体图像,结合输出的疑似病害区域位置信息,计算视差并重构道面三维形貌,映射像素与深度参数,测算病害三维形变指标;
7、s5:基于留存的同区段历史时序图像,以疑似病害区域为基准配准历史时序图像,经像素差分去除环境干扰,结合多期数据统计病害变化情况,分析演化趋势;
8、s6:整合二维分割结果、三维形变指标、时序演化数据,结合机场道面健康评价标准进行综合研判,划分健康与风险等级,生成道面健康评估报告。
9、在一个优选地实施方式中,所述s1中,搭载图像采集模块的巡检设备沿机场跑道全域行进,同步拍摄可见光序列图像以及双目立体图像,对采集到的批量图像逐一筛查,去除画面严重模糊、取景偏离跑道、遮挡严重、曝光异常的无分析价值图像,留存取景完整、画质合格的图像,统一归集形成有效原始图像数据集。
10、在一个优选地实施方式中,所述s2中,针对输入的原始跑道图像,依据画面视觉特征进行区域划分,按像素统计图像的灰度值范围、色彩分布、纹理梯度及边缘轮廓信息,得到每个像素对应的基础视觉特征数据,基于灰度与色彩特征初步分类:若像素灰度值持续处于极高区间,且局部亮度变化无明显纹理细节,判定为强光反光区域,若像素灰度值低于正常道面平均水平,且色彩呈现油污、污渍特有的暗沉特征,判定为表面油污污渍区域,若像素呈现跑道标线特有的高对比度色彩,且局部像素点形成规则的线性轮廓,判定为跑道标线区域;
11、基于纹理与边缘特征再次区分:对未被标记为反光、油污、标线的区域,统计局部纹理的均匀度:纹理均匀、无明显突变的区域判定为正常完好道面区域,若局部像素出现灰度突变、纹理断裂、边缘不规则,且不满足标线、反光、油污的特征,判定为纹理异常的疑似病害区域;
12、区分出跑道标线区域、表面油污污渍区域、强光反光区域、正常完好道面区域以及纹理异常的疑似病害区域,得到干扰区域与待检测病害区域的精准区分;
13、对不同划分区域采用对应的纯图像变换操作:对反光区域开展反光抑制处理,消除强光过曝像素,对标线、杂物的干扰区域进行纹理平滑过滤,对明暗不均区域做对比度校正,统一画面整体画质,针对性消除光照、标识、污渍、杂物带来的视觉干扰;
14、在对干扰区域进行优化处理的同时,保留疑似病害区域的边缘轮廓、纹理细节与像素特征,完成分区图像变换与干扰去除后,得到画质均匀、干扰信息剔除、病害特征完整突出的优化标准图像。
15、在一个优选地实施方式中,所述s3中,对单张优化图像进行逐级缩放与分层拆解,得到不同分辨率的图像层级,高分辨率层级保留图像细微纹理、局部细节,低分辨率层级呈现整体形貌、大范围区域形态,形成覆盖不同观测尺度的图像层级体系;
16、提取各层级图像对应的视觉特征,按层级提取图像的基础视觉特征:对高分辨率层级,提取局部像素的灰度梯度、纹理走向、边缘断点的细节特征,对低分辨率层级,提取区域整体灰度分布、轮廓形状、连通区域形态的全局特征,形成各层级对应的视觉特征集合,将高分辨率层级的局部细节特征,与低分辨率层级的全局形态特征相互结合。
17、在一个优选地实施方式中,基于像素灰度变化、轮廓过渡规律划定边缘边界,锁定道面区域与病害区域的分界范围,以单个像素为最小单元,结合融合后的特征与边缘约束条件,逐一区分正常道面像素与病害像素,完整划分出各类病害所在区域;
18、统计分割结果,提取病害的轮廓线条、像素坐标位置、区域覆盖范围的二维数据;
19、轮廓线条提取:对病害像素集合进行边缘检测:逐一检查每个病害像素的邻域像素,若其邻域内同时包含病害像素与正常道面像素,则判定该像素为病害边缘点,将所有边缘点按空间连接关系依次连接,形成闭合的病害轮廓线条;
20、像素坐标位置提取:对病害区域内的所有像素点,读取其在图像坐标系中的横、纵坐标值,统计病害区域的外接矩形框,记录矩形框的左上角与右下角坐标;
21、区域覆盖范围提取:统计病害区域内所有病害像素的总数量,换算得到病害区域的像素面积,结合图像的实际物理分辨率,将像素面积转换为病害区域的实际覆盖范围,同时记录外接矩形的长宽尺寸,完整表征病害的区域规模信息。
22、在一个优选地实施方式中,所述s4中,基于采集的双目立体图像,结合输出的病害区域坐标、范围的位置信息,在双目立体图像中精准锁定对应病害区域,划定运算目标范围,对双目立体图像同一空间位置的像素进行比对,统计左右视图中同名像素的位置偏移量,完成视差数据计算,得到全域及病害区域的视差分布图;
23、基于视差数据与双目成像几何关系,将二维平面图像信息转换为空间立体信息,基于已计算的视差数据,对左右视图中每个同名像素的位置偏移进行匹配,形成对应的像素关联关系,构建起图像平面内的像素对应集合,依据双目相机的固定拍摄位置与成像视角,确定像素偏移量与空间深度的对应逻辑:像素偏移量变大,对应空间位置距离相机变近,偏移量变小,对应距离变远,针对每个匹配完成的像素,根据其在图像平面的二维坐标,结合对应规则与视差数据,推算出该像素点在三维空间中的位置,将图像平面上的点映射到空间坐标系中,遍历所有完成映射的像素点,按其空间位置进行排布,形成连续的三维点云,将点云数据按邻接关系构建成面,还原出跑道道面整体及病害区域的真实三维表面形态,完成二维平面信息到空间立体信息的转换,还原跑道道面整体及病害区域的真实三维表面形态,建立图像像素坐标和实际空间深度的对应换算关系,把每一个像素点转化为对应的空间深度数值。
24、在一个优选地实施方式中,结合深度数据,针对已定位的病害区域,分别计算坑槽深度、道面沉降量、表面凸起高度的形变参数;
25、坑槽深度计算:在病害区域的三维数据中,筛选出深度值最大的位置,读取其对应的深度数据,将该深度值与基准参考面的深度进行对比,两者的差值即为坑槽深度;
26、道面沉降量计算:统计病害区域整体的平均深度数据,将其与基准参考面的深度进行对比,两者的差值即为该区域的道面沉降量;
27、表面凸起高度计算:在病害区域的三维数据中,筛选出深度值最小的位置,读取其对应的深度数据,将基准参考面的深度与该深度值进行对比,两者的差值即为表面凸起高度。
28、在一个优选地实施方式中,所述s5中,基于同一跑道区段不同时期留存的时序图像,以确定的病害区域轮廓、坐标作为参照基准,调整各时序图像的位置、角度与尺度,使多张图像中道面、病害区域进行精准空间对齐,对完成配准的多期图像逐像素做差值运算;
29、比对相邻时段像素差异,基于输出的病害区域轮廓与坐标,将不同时段采集的同区段图像进行位置、角度、尺度调整,使多期图像中同一物理位置的像素点对应,形成对齐的图像序列,对齐后的相邻两期图像,按像素位置比对,读取同一位置像素的灰度、色彩数值,判断两期图像中该像素的数值是否发生变化,得到像素差异结果,将数值发生变化的像素点标记为差异像素,按空间邻接关系合并形成差异区域,初步识别出相邻时段内图像发生变化的区域集合,结合差异区域的位置、形态、分布特征,区分光照变化、临时杂物、移动设备的短时干扰产生的像素变动,将该类无效差异剔除,保留道面本身发生改变的像素区域。
30、在一个优选地实施方式中,结合多期图像对应的病害二维范围以及三维形变指标,逐期统计病害区域面积、边界范围、深度、沉降量数值的变化量,根据连续多组统计数据,梳理病害形态扩张、形变加剧的变化规律,判断病害发展速度与演变态势。
31、在一个优选地实施方式中,所述s6中,统一汇总输出的病害二维位置、轮廓、范围数据,并根据测算的病害深度、沉降、凸起的三维形变指标,以及分析得到的病害时序变化、演化速率数据,形成覆盖形态、尺度、立体损伤、动态变化的完整病害数据集;
32、基于机场跑道道面运维健康评价规范,将整合后的各项病害参数与标准阈值逐一比对,综合考量病害尺寸、形变程度、发展速度的多重因素,完成道面损伤情况全方位研判,根据综合研判结果,对跑道各区段道面健康状态进行等级划分,同时依据病害演化趋势,判定病害潜在扩散、结构损伤风险,标注对应风险等级。
33、本发明的有益效果是:通过面向跑道复杂干扰的自适应分层图像增强,可针对性消除强光反光、表面油污、跑道标线、雨雪污渍等户外环境带来的视觉干扰,同时完整保留裂缝、坑槽等病害的边缘轮廓与纹理细节,有效解决了传统方案中因干扰导致病害特征丢失的问题;
34、通过构建多尺度特征金字塔并融合深浅层图像特征,结合边缘约束条件,本发明可同时适配微裂纹、网状裂缝及大面积坑槽等不同尺度、不同形态的病害,避免了小病害漏检、大病害分割碎片化的缺陷,实现了道面病害的像素级精准、完整分割,提升了病害识别的全面性与准确性;
35、基于双目立体图像视差计算与三维形貌重构,建立像素坐标与实际深度的映射关系,可自动测算病害区域的坑槽深度、道面沉降量、表面凸起高度等三维形变指标,将传统二维视觉检测升级为可量化的三维健康评估,解决了二维图像无法表征立体损伤的局限;
36、通过对不同周期的跑道图像进行精准配准与像素差分运算,本发明可滤除光照变化、临时杂物、移动设备等短时干扰,提取病害面积、边界范围、深度及沉降量的时序变化数据,分析病害的扩张速率与演化趋势,实现从静态单次检测到长期动态监测的升级。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com