基于机器视觉的机场路面异常检测方法与流程

技术特征：
1.一种基于机器视觉的机场路面异常检测方法，其特征在于，包括：s1：获取机场跑道灰度图像，判断机场跑道灰度图像是否清晰；若机场跑道灰度图像清晰，进行s6；若机场跑道灰度图像不清晰，进行s2；s2：获取机场跑道灰度图像的灰度直方图，利用灰度直方图中的所有灰度值以及灰度值频率，采用em算法得到对应的高斯混合模型；s3：通过高斯混合模型中每个子高斯模型的均值、均值频率以及每个子高斯模型的灰度值集合中的最大值和最小值得到每个子高斯模型的标准差扩展权重；s4：建立约束模型，基于该约束模型，利用每个子高斯模型的标准差、标准差扩展权重计算满足约束条件的每个子高斯模型的标准差扩展因子最大值以及对应的均值扩展因子，分别作为最优的标准差扩展因子和均值扩展因子；s5：通过最优的标准差扩展因子、均值扩展因子以及子高斯模型的标准差得到扩展后的高斯混合模型，将扩展后的高斯混合模型曲线作为规定的直方图，通过机场跑道灰度图像和规定的直方图得到清晰的机场跑道灰度图像；s6：建立神经网络，将清晰的机场跑道灰度图像输入该神经网络，得到机场跑道中的异常位置及异常位置尺寸。2.根据权利要求1所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，得到最优的标准差扩展因子的方法为：基于约束模型，利用每个子高斯模型的标准差、标准差扩展权重得到满足约束条件的每个子高斯模型的标准差扩展因子系数最大值；通过满足约束条件的每个子高斯模型的标准差扩展因子系数最大值和标准差扩展权重得到满足约束条件的每个子高斯模型的标准差扩展因子最大值，将其作为最优的标准差扩展因子；所述标准差扩展因子的表达式为：β(i)＝w
i
β式中：i表示第i个子高斯模型，β(i)表示第i个子高斯模型的标准差扩展因子，i∈[1,n]，β表示标准差扩展因子系数，w
i
表示第i个子高斯模型的标准差扩展权重。3.根据权利要求2所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，约束模型的表达式为：式中：a(i)表示第i个子高斯模型的均值扩展因子，σ
i
表示第i个子高斯模型的标准差，n表示子高斯模型的个数。4.根据权利要求2所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，子高斯模型的标准差扩展权重的表达式为：
式中：μ
i
表示第i个子高斯模型的均值，s(μ
i
)表示第i个子高斯模型的均值所对应的频率，d
i
表示第i个子高斯模型的灰度值集合。5.根据权利要求1所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，判断机场跑道灰度图像是否清晰的方法为：通过机场跑道灰度图像中像素点的灰度值和每种灰度值对应的频数对所有的像素点进行聚类，得到各个类别；通过各个类别中的最大灰度值和最小灰度值组成的集合以及类别个数得到机场跑道灰度图像的清晰度；机场跑道灰度图像的清晰度的表达式为：式中：h表示机场跑道灰度图像的清晰度，b表示各个类别中的最大灰度值和最小灰度值组成的集合，k表示类别个数。6.根据权利要求1所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，利用灰度直方图中的所有灰度值以及灰度值频率，采用em算法得到对应的高斯混合模型之前，还包括：对灰度直方图进行归一化、平滑处理，得到处理后的灰度直方图；获取处理后的灰度直方图中极大值的个数。7.根据权利要求6所述的一种基于机器视觉的机场路面异常检测方法，其特征在于，高斯混合模型中子高斯模型的个数为处理后的灰度直方图中极大值的个数。

技术总结
本发明涉及机器视觉领域，提出了一种基于机器视觉的机场路面异常检测方法，包括：S1：判断机场跑道灰度图像是否清晰；若图像清晰，进行S6；若图像不清晰，进行S2；S2：获取机场跑道灰度图像的灰度直方图，得到对应的高斯混合模型；S3：得到每个子高斯模型的标准差扩展权重；S4：建立约束模型，得到最优的标准差扩展因子和均值扩展因子；S5：得到清晰的机场跑道灰度图像；S6得到机场跑道中的异常位置及异常位置尺寸。本发明基于多峰高斯函数的直方图规定化算法对图像进行增强，识别图像中的异常，提高了检测效率和精确度。了检测效率和精确度。了检测效率和精确度。


技术研发人员：赵雅明 王玮 张光松 王畔 毋亚辉 王超 田军营 顾红印 耿明明 缑以博 王胜召 席伊超 郭翼飞 刘凯雷 孟若愚 张明飞
受保护的技术使用者：中铁建设集团有限公司
技术研发日：2022.04.19
技术公布日：2022/7/29