一种机场道面FOD探测系统的全流程样本数据管理方法与流程

本发明属于深度学习智能检测，具体涉及一种机场道面fod探测系统的全流程样本数据管理方法。

背景技术：

1、近年来，随着国内机场航空业务量的发展，航空器运行架次逐年增加，伴随着高危fod给机场安全运行和发展造成的影响也越来越大，但针对跑道、滑行道区域防控fod的作业时间有限，故及时发现fod并予以处理是个短板和难题。

2、机场道面fod探测系统主要用于跑道fod实时探测，兼顾探测设备可视范围内的滑行道和联络道道面区域的fod探测，通过采用深度学习人工智能算法和经典图像处理算法融合实现fod“无源”探测，以确保飞机的起降安全。

3、基于深度学习的异物检测识别对fod样本数据要求高、需求量大、覆盖面全，fod样本在全天不同时段的图像特征不同，且对训练模型的优化有不可忽视的影响作用，故亟需对fod样本数据进行全流程的管理和使用。

技术实现思路

1、为解决上述技术问题，本发明提供一种机场道面fod探测系统的全流程样本数据管理方法，

2、具体方案如下：

3、一种机场道面fod探测系统的全流程样本数据管理方法,包括如下步骤

4、s1）：根据时间差异化对不同粒径大小的fod制定采集方法构造全姿态样本数据；

5、s2）：对已采集并构造的样本库中的数据进行特征标定；

6、s3）：深度学习网络利用采集、构造和标注的样本数据进行模型训练，并分别采用新数据所述新数据为测试集和步骤s2)中的训练集数据将训练好的模型进行fod探测识别验证并判定检测结果；

7、s4): 根据步骤s3）中检测结果，对样本数据做出相应处理。

8、步骤s2）中所述的特征标定还包括标定方法，所述标定方法包括，特征标注的框选范围为图像中可视的能覆盖住每个异物的最小外接矩形、标注的目标特征在图像中像素最小可为12pt、图像中除异物外的草坪、机场固有设备和人体作为背景不予以标注。

9、根据所述标定方法对步骤s1）中样本数据进行特征标注，获取所需正样本的特征进行训练，标注后的样本数据为训练集。

10、步骤s3）中的检测结果包括欠拟合、适度拟合和过拟合。

11、步骤s4）中，对于欠拟合的处理方法为，采取数据刷新清洗的方式，过滤不理想的样本特征、增强样本的强表达能力特征、增加对应特征的样本量，更新样本数据库。

12、步骤s4）中，对于适度拟合的处理方法为，不变动样本数据。

13、步骤s4）中，对于过拟合的处理方法为，采取数据增强方法，所述增强方法为对当前数据进行平移、旋转、缩放和镜像处理，以增加样本的多样性；

14、调整训练数据的分布，将训练数据样本分布与测试数据的分布保持一致，调整样本数据的比率，并更新样本数据库。

15、本发明公开了一种机场道面fod探测系统的全流程样本数据管理方法，针对基于深度学习的机场道面fod探测识别中全天候不同时间段fod样本需求、多种类、小目标不易识别及模型优化调整等要求，本发明提出的样本数据管理方法可对fod样本数据进行全周期化的采集、处理和更新，提高样本管理效率，保证数据的完整性，便于深度学习训练中数据的管理和使用，为fod识别的准确率提供有效支撑。

技术特征：

1.一种机场道面fod探测系统的全流程样本数据管理方法,其特征在于：包括如下步骤

2.根据权利要求1所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：步骤s2）中所述的特征标定还包括标定方法，所述标定方法包括，特征标注的框选范围为图像中可视的能覆盖住每个异物的最小外接矩形、标注的目标特征在图像中像素最小可为12pt、图像中除异物外的草坪、机场固有设备和人体作为背景不予以标注。

3.根据权利要求2所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：根据所述标定方法对步骤s1）中样本数据进行特征标注，获取所需正样本的特征进行训练，标注后的样本数据为训练集。

4.根据权利要求1所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：步骤s3）中的检测结果包括欠拟合、适度拟合和过拟合。

5.根据权利要求4所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：步骤s4）中，对于欠拟合的处理方法为，采取数据刷新清洗的方式，过滤不理想的样本特征、增强样本的强表达能力特征、增加对应特征的样本量，更新样本数据库。

6.根据权利要求4所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：步骤s4）中，对于适度拟合的处理方法为，不变动样本数据。

7.根据权利要求4所述的机场道面fod探测系统的全流程样本数据管理方法,其特征在于：步骤s4）中，对于过拟合的处理方法为，采取数据增强方法，所述增强方法为对当前数据进行平移、旋转、缩放和镜像处理，以增加样本的多样性；

技术总结
本发明公开了一种机场道面FOD探测系统的全流程样本数据管理方法，根据时间差异化对不同粒径大小的FOD制定采集方法构造全姿态样本数据；对已采集并构造的样本库中的数据进行特征标定；深度学习网络利用采集、构造和标注的样本数据进行模型训练，并分别采用新数据所述新数据为测试集和训练集数据将训练好的模型进行FOD探测识别验证并判定检测结果；根据检测结果，对样本数据做出相应处理，解决基于深度学习的机场道面FOD探测识别中全天候不同时间段样本需求、FOD种类多、小目标不易识别及模型优化调整等问题，提高样本管理效率，保证数据的完整性，为FOD识别的准确率提供有效支撑。

技术研发人员：王宇慧,李志远,都军民,李沛铮,王建楹,颜世恒,马锦山
受保护的技术使用者：中国船舶重工集团公司第七一三研究所
技术研发日：
技术公布日：2024/1/11