(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211019354.1 (22)申请日 2022.08.24 (71)申请人 中国民航大 学 地址 300300 天津市东 丽区津北公路2898 号 (72)发明人 费春国　刘启轩　 (74)专利代理 机构 天津才智专利商标代理有限 公司 12108 专利代理师 庞学欣 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/44(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于双通道动态变结构神经网络的FOD检测 系统及方法 (57)摘要 一种基于双通道动态变结构神经网络的FOD 检测系统及方法。 系统包括外壳和安装在外壳内 部的图像采集装置、 两个图像预处理模块、 比较 器、 图像特征取反模块、 图像背景去除模块、 外来 物定位模块、 外来物存在识别模块和外来物种类 识别模块； 本发明的优点和有益效果： 可 以实现 对机场外来物的快速定位与种类识别， 帮助机场 工作人员对其快速准确清除， 从而保障航班的安 全起降。 另外， 检测效果 好， 准确度较高。 权利要求书2页 说明书5页 附图4页 CN 115359425 A 2022.11.18 CN 115359425 A 1.一种基于双通道动态变结构网络的FOD检测系统， 其特征在于： 所述基于双通道动态 变结构网络的FOD检测系统包括外壳(9)和安装在外壳(9)内部的图像采集装置(1)、 两个图 像预处理模块(2)、 比较器(3)、 图像特征取反模块(4)、 图像背景去除模块(5)、 外来物定位 模块(6)、 外来物存在识别模块(7)和外来物种类识别模块(8)； 其中图像采集装置(1)上的 高清摄像头位于外壳(9)的通孔处， 并且图像采集装置(1)分别与两个图像预处理模块(2) 相连接； 两个图像预处理模块(2)同时依次通过比较器(3)、 图像特征取反模块(4)、 图像背 景去除模块(5)与外来物存在识别模块(7)相连接； 外来物存在识别模块(7)同时与外来物 定位模块(6)和外来物种类识别模块(8)相连接； 外来物定位模块(6)、 外来物存在识别模块 (7)和外来物种类识别模块(8)分别以无线方式与机场控制中心相连接 。 2.根据权利要求1所述的基于双通道动态变结构网络的FOD检测系统， 其特征在于： 所 述图像预处理模块(2)、 比较器(3)、 图像特征取反模块(4)、 图像背景去除模块(5)、 外来物 定位模块(6)、 外来物存在识别模块(7)和外来物种类识别模块(8)集 成在电子芯片上， 电子 芯片采用树莓派的嵌入式开发板 。 3.一种利用权利要求1所述基于双通道动态变结构网络的FOD检测系统的检测方法， 其 特征在于： 所述检测方法包括按顺序的下列步骤： 1)利用图像采集装置(1)拍摄若干张像素尺寸为n ×n的无外来物机场图像作为基准图 像， 之后每隔一定时间拍摄同样尺寸的机场真实图像作为待检测图像， 然后分别传送给两 个图像预处 理模块(2)； 2)两个图像预处理模块(2)分别将基准 图像和待检测图像中每个像素点的RGB值提取 出来， 其中基准图像的RGB值为{ P′R,P′G,P′B}， 待检测图像的RGB值为 然后传输 给比较器(3)； 3)比较器(3)将任一 张基准图像的RGB 值{P′R,P′G,P′B}减去每一 张待检测图像的RGB 值 由此将两类图像中的相同像素点剔除， 获得若干张像素尺寸为n ×n的差值图 像， 然后传输给图像特 征取反模块(4)； 若存在外来物， 则其RGB值将出现在差值图像中； 4)利用图像特征取反模块(4)对差值图像中所有RGB值进行颜色取反， 将背景变为白 色， 所采用的公式为： 之后再将取反后的差值图像中的干扰信息和背景剔除， 只保存明显的像素点， 获得用 于检测的像素尺寸 为n×n的图像特 征值并传输给外来物存在识别模块(7)； 5)外来物存在识别 模块(7)首先根据外来物形状大小在内的特点设置m ×m通用外来物 卷积核， 其中m＜n， 然后将此卷积核与图像特征值进行卷积计算， 以判定是否存在外来物； 并设置一个阈值β： 如卷积 计算结果全部低于阈值β， 判定无外来物， 并将无外来物的图像特 征值以无线方式传输给机场控制中心， 检测下一张待检测图像； 而当卷积计算结果超出阈 值β 时， 判定存在外来物， 并将存在外来物的图像特征值分别传输给外来物定位模块(6)和 外来物种类识别模块(8)；权　利　要　求　书 1/2 页 2 CN 115359425 A 26)外来物定位模块(6)使用DBSCAN聚类算法对上述存在来物的图像特征值区域进行 聚 类计算， 由此确定出外来物的位置， 并以无线方式传输给机场控制中心； 外来物种类识别模 块(8)采用一个双通道动态变结构神经网络， 利用该网络对上述存在外来物的图像特征值 进行识别， 最终输出外来物的种类并以无线方式传输给机场控制中心。 4.根据权利要求3所述基于双通道动态变结构网络的FOD检测系统的检测方法， 其特征 在于： 在步骤5)中， 所述阈值β 的设定方法如下： 在原始图像中找出像素点最大值Gmax以及像素点最小值Gmin， 整张图像的平均像素点 为： G0＝(Gsum‑Gmax‑Gmin)/n*n 式中Gsum为原始图像全部像素点的总和； 使用大小为m ×m， 元素均为G0的单位矩阵与通 用外来物卷积核 进行卷积运算， 得到阈值β 。 5.根据权利要求3所述基于双通道动态变结构网络的FOD检测系统的检测方法， 其特征 在于： 在步骤6)中， 所述双通道动态变结构神经网络包括n个输入神经元， 通道 ①连接权重 ω11,ω12,L,ω1m； ω21,ω22,L,ω2m； ωn1,ωn2,L,ωnm， 和通道②连接权重ω ′11,ω′12,L, ω′1m； ω′21,ω′22,L,ω′2m； L L； ω′n1,ω′n2,L,ω′nm； 分别将输入神经元的输出连接到网络 ①的隐藏层和网络 ②的隐藏层； 两个网络隐藏层的神 经元输出分别通过连接权重u11,u12, L,u1z； u21,u22,Lu2z； L L； um1,um2,L,umz和u′11,u′12,L,u′1z； u′21,u′22,Lu′2z； L L； u′m1,u′m2,L, u′mz与z个输出神经元相连接， 最终通 过激活函 数来获得神经网络的输出； 同时， 网络 ①隐藏 层的m个神经元和网络 ②隐藏层的m个神经元间通过关联系数权重矩阵A互相连接， 关联系 数权重矩阵A为实对称矩阵。权　利　要　求　书 2/2 页 3 CN 115359425 A 3