一种机场跑道胶痕自动识别方法与流程

本发明属于图像自动识别技术领域，特别是涉及一种基于rgb颜色空间图像识别算法的机场跑道胶痕自动识别方法。

背景技术：

由于飞机起降时，起落架上机轮轮胎与跑道路面剧烈摩擦时会产生一种黑色胶带状物质，俗称黑色胶痕，由此在跑道着落区一万平方米范围内形成“黑迹”。

随着民航业的快速发展，机场跑道上飞机起降变得日益密集，使得跑道着落区路面上附着的黑色胶痕不断增厚，导致机轮轮胎与跑道之间的摩擦系数不断降低，如果不及时对跑道路面上的黑色胶痕进行清除，将给飞机着陆带来严重的安全隐患。

目前，国内外部分大型机场飞机跑道除胶工作，大多先依靠工作人员在飞机跑道上找到胶痕，再采用高压水冲洗、机械刷打磨、化学药剂清洗等方法清除这些胶痕。这种完全依赖人力的除胶方法，不仅影响了机场跑道除胶的工作效率，而且与当前特种设备无人化、智能化等高新技术的发展方向不符。现阶段有人提出对跑道黑色胶痕自动识别的相关技术，但该技术仅局限于从跑道中识别出胶痕，但会将跑道标志线和异物两者与胶痕混淆，识别能力差，识别精度低，不具备实际应用的可行性。因此，如何自动地、精确地识别胶痕，并对其轻重程度进行准确判断就当前迫切需要解决的问题。

技术实现要素：

为了解决上述问题，本发明的目的在于提供一种基于rgb颜色空间的图像识别算法的机场跑道胶痕自动识别方法，不仅能够高效、准确地识别胶痕，还能在分辨白色标志线、异物与黑色胶痕三者的同时智能地识别重度胶痕区与轻度胶痕区。

为了达到上述目的，本发明提供的机场跑道胶痕自动识别方法包括按顺序进行的下列步骤：

步骤1)构建跑道胶痕识别系统；所述的跑道胶痕识别系统包括上位机和下位机；其中：上位机包括无线网卡和pc机；下位机包括单片机、摄像头和wifi模块，其中，单片机分别与摄像头和wifi模块相连接，wifi模块通过无线网卡与pc机连接；

步骤2)利用摄像头实时采集机场跑道着落区路面的原始图像，然后经单片机、wifi模块和无线网卡传送给pc机，在pc机中裁剪下除胶设备不能触及的区域，得到有效识别区域图像；

步骤3)建立rgb立方体模型，将机场跑道着落区路面上所有的颜色表示出来，确定标准灰度线和灰度空间，并将灰度空间划分为白色、灰色、黑色三个区域；

步骤4)利用阈值k将上述有效识别区域图像中的黑色胶痕与其他物体区分开，然后将有效识别区域图像数据经矩阵变换映射到rgb立方体模型中，得到机场跑道胶痕识别公式，利用该公式识别出重度胶痕区、轻度胶痕区、无胶痕区和跑道异物。

在步骤1)中，所述的摄像头采用0v7670摄像头，多个摄像头间隔距离排成一排设置在位于机场跑道着落区外侧的草地上。

在步骤2)中，所述的在pc机4中裁剪下除胶设备不能触及的区域，得到有效识别区域图像的方法是：某一摄像头实际采集的原始图像为机场跑道着落区路面上四边形abdc区域的图像，其中原始图像远端上顶点为a点，远端下顶点为b点，近端上顶点为c点，近端下顶点为d点，离摄像头6越远的区域，其视角越宽，即ab边长于cd边；除胶设备的最大工作宽度上边界线与下边界线之间的区域，上边界线经过c点且垂直于机场跑道长度方向，下边界线经过d点且垂直于机场跑道长度方向，上边界线和下边界线与ab边的交点分别为e点和f点；上边界线和下边界线以外的三角形ace和三角形bdf区域是除胶设备不能触及的区域；从原始图像中裁剪下除胶设备不能触及的区域，得到有效识别区域图像，即四边形cefd区域的图像。

在步骤3)中，所述的建立rgb立方体模型，将机场跑道着落区路面上所有的颜色表示出来，确定标准灰度线和灰度空间，并将灰度空间划分为白色、灰色、黑色三个区域的方法是：

首先，建立rgb立方体模型，其中点o坐标为(0,0,0)，点n坐标为(255,255,255)，点o到点n之间的连线为rgb立方体模型的对角线on，该对角线on是从黑到白渐变的标准灰度线；然后，以对角线on为轴，以任意一点m到对角线on的距离r为半径作一圆柱体，并将该圆柱体近似为灰度空间；最后，从点n到点o沿标准灰度线将灰度空间划分为白色、灰色、黑色三个区域。

在步骤4)中，所述的利用阈值k将上述有效识别区域图像中的黑色胶痕与其他物体区分开，然后将有效识别区域图像数据经矩阵变换映射到rgb立方体模型中，得到机场跑道胶痕识别公式，利用该公式识别出重度胶痕区、轻度胶痕区、无胶痕区和跑道异物的方法是：

当空间内任意一点处于以rgb立方体模型中对角线on为轴，r为半径的圆柱体内时，可近似将该点视为机场跑道着落区路面上正常物体的颜色；否则，则认为是跑道异物；然后，为了将黑色胶痕与其他物体区分开，引入一个阈值k，阈值k的数值为r、g、b值的算术平均值；再次，将有效识别区域图像进行矩阵转换，映射到rgb立方体模型中；最后，根据半径r的大小，分辨出跑道异物、重度胶痕区、轻度胶痕区和无胶痕区。

所述的机场跑道胶痕识别公式为：

式中，p、q1和q2均是阈值，其中阈值p将rgb立方体模型中圆柱体区域以外的区域归类为跑道异物；阈值q1和q2将rgb立方体模型中圆柱体区域截成三部分，即重度胶痕区、轻度胶痕区和无胶痕区；阈值p、q1、q2的最佳取值可利用跑道胶痕识别系统对实物进行对比测试来确定。

与现有技术相比，本发明提供的机场跑道胶痕自动识别方法的有益效果为：运用rgb颜色空间识别方法，可以快速、准确地识别跑道异物、重度胶痕区、轻度胶痕区与无胶痕区，从而为下一步胶痕清理工作提供有效数据。

附图说明

图1为本发明方法中所采用的跑道胶痕识别系统结构示意图；

图2为本发明所采用的摄像头采集机场跑道胶痕图像示意图；

图3为本发明所采用的rgb立方体模型示意图；

图4(a)—(h)为不同阈值下的机场跑道胶痕识别效果图。

具体实施方式

下面结合附图和具体实施例对本发明提供的机场跑道胶痕自动识别方法进行详细说明。

本发明提供的机场跑道胶痕自动识别方法包括按顺序进行的下列步骤：

步骤1)构建跑道胶痕识别系统；如图1所示，所述的跑道胶痕识别系统包括上位机1和下位机2；其中：上位机1包括无线网卡3和pc机4；下位机包括单片机5、摄像头6和wifi模块7，其中，单片机5分别与摄像头6和wifi模块7相连接，wifi模块7通过无线网卡3与pc机4连接；wifi模块7和无线网卡3之间通过ieee802.11n协议进行通信。

所述的摄像头6采用0v7670摄像头，多个摄像头6间隔距离排成一排设置在位于机场跑道着落区外侧的草地上。

步骤2)利用摄像头6实时采集机场跑道着落区路面的原始图像，然后经单片机5、wifi模块7和无线网卡3传送给pc机4，在pc机4中裁剪下除胶设备不能触及的区域，得到有效识别区域图像；

如图2所示，某一摄像头6实际采集的原始图像为机场跑道着落区路面上四边形abdc区域的图像，其中原始图像远端上顶点为a点，远端下顶点为b点，近端上顶点为c点，近端下顶点为d点。由于摄像头6是相对于水平面呈倾斜姿态进行拍摄，所以离摄像头6越远的区域，其视角越宽，即ab边长于cd边。除胶设备的最大工作宽度是虚线1表示的上边界线与虚线2表示的下边界线之间的区域，上边界线经过c点且垂直于机场跑道长度方向，下边界线经过d点且垂直于机场跑道长度方向，上边界线和下边界线与ab边的交点分别为e点和f点。由此可见，上边界线和下边界线以外的三角形ace和三角形bdf区域是除胶设备不能触及的区域，这样会使得原始图像存在冗余信息。因此，为了减少计算时间和存储时间，从原始图像中裁剪下除胶设备不能触及的区域，得到有效识别区域图像，即四边形cefd区域的图像。

步骤3)建立rgb立方体模型，将机场跑道着落区路面上所有的颜色表示出来，确定标准灰度线和灰度空间，并将灰度空间划分为白色、灰色、黑色三个区域；

首先，建立如图3所示的rgb立方体模型，其中点o坐标为(0,0,0)，点n坐标为(255,255,255)，点o到点n之间的连线为rgb立方体模型的对角线on。该对角线on是从黑到白渐变的标准灰度线。然后，以对角线on为轴，以任意一点m到对角线on的距离r为半径作一圆柱体，并将该圆柱体近似为灰度空间。最后，从点n到点o沿标准灰度线将灰度空间划分为白色、灰色、黑色三个区域。

机场跑道标志线为纯白色时的rgb值为0xffffh，对应rgb立方体模型中的点n(255,255,255)。但是，由于在图像采集过程中摄像头6拍摄时会受到拍摄光线、拍摄角度及其上传感器等因素的影响，所提取的机场跑道标志线不是纯白色，因此应该适当限制rgb的取值范围，使其所表示的色彩在纯白色和灰白色之间，即对应于灰度空间中的白色区域。同理，机场跑道着落区路面上的黑色胶痕为纯黑色时的rgb值为0x0000h，对应rgb立方体模型中的点o(0,0,0)。在rgb的一定取值范围内，黑色胶痕区域对应于灰度空间中的黑色区域，无胶痕区域对应于灰度空间中的灰色区域，跑道异物则在灰色空间之外。

步骤4)利用阈值k将上述有效识别区域图像中的黑色胶痕与其他物体区分开，然后将有效识别区域图像数据经矩阵变换映射到rgb立方体模型中，得到机场跑道胶痕识别公式，利用该公式识别出重度胶痕区、轻度胶痕区、无胶痕区和跑道异物；

当空间内任意一点处于以rgb立方体模型中对角线on为轴，r为半径的圆柱体内时，可近似将该点视为机场跑道着落区路面上正常物体的颜色；否则，则认为是跑道异物。然后，为了将黑色胶痕与其他物体区分开，引入一个阈值k，阈值k的数值为r、g、b值的算术平均值。再次，由于摄像头6采集的原始图像是rgb565格式，有效识别区域图像也是rgb565格式，因此需要将有效识别区域图像进行矩阵转换，映射到rgb立方体模型中。最后，根据半径r的大小，分辨出跑道异物、重度胶痕区、轻度胶痕区和无胶痕区。

由于rgb立方体模型中的任意一点m到对角线on的距离r为：

由于在以r为半径的圆柱体内存在黑色胶痕、白色机场跑道标志线和灰白色混凝土，所以引入阈值k，即：

k＝mean(r,g,b)(2)

如上所述，有效识别区域图像是rgb565格式，该格式下图像的数据与rgb颜色空间中的数据之间存在如下转换关系：

式中，r′、g′、b′为有效识别区域图像的数据，且r′、g′、b′的取值范围分别为0到31、0到63、0到31，这些数据只有经过矩阵转换才能映射到rgb立方体模型中，因此这些数据在rgb立方体模型中是不连续的。

综合式(1)、式(2)和式(3)，机场跑道胶痕识别公式可以表示为：

式中，p、q1和q2均是阈值，其中阈值p将rgb立方体模型中圆柱体区域以外的区域归类为跑道异物；阈值q1和q2将rgb立方体模型中圆柱体区域截成三部分，即重度胶痕区、轻度胶痕区和无胶痕区。

阈值p、q1、q2的最佳取值可利用跑道胶痕识别系统对实物进行对比测试来确定。

为了方便对比实验结果，将机场跑道着落区路面上的重度胶痕区、轻度胶痕区、无胶痕区、跑道异物分别设置为rgb立方体模型中的黑点(0,0,0)、灰点(125,125,125)、白点(255,255,255)和红点(255,0,0)，在0～255之间分别设置阈值p、q1、q2并进行三组机场跑道胶痕识别实验，确保每组实验中只有一个阈值发生变化，分析对比每组的识别效果，得到阈值的最佳取值。

其中，图4a为机场跑道着落区路面的原始图像。图4b、g、h为组1，阈值p为唯一变化参数；图4c、d、g为组2，阈值q1为唯一变化参数；图4b、e、f为组3，阈值q2为唯一变化参数。图4b中，p＝4*8、q1＝14*8、q2＝17*8；图4c中，p＝4*8、q1＝12*8、q2＝17*8；图4d中，p＝4*8、q1＝15*8、q2＝17*8；图4e中，p＝4*8、q1＝14*8、q2＝15*8；图4f中，p＝4*8、q1＝14*8、q2＝19*8；图4g中，p＝3*8、q1＝14*8、q2＝17*8；图4h中，p＝6*8、q1＝14*8、q2＝17*8。按以上数据进行三组机场跑道胶痕识别实验，结果如图4所示。

由图4b～4h可知，在阈值q1和q2取值一定的条件下，阈值p的取值越大，跑道异物越不容易被识别；在阈值q1和p取值一定的条件下，阈值q2的取值越小，黑色胶痕越容易被识别为轻度胶痕；在阈值q2和p取值一定的条件下，阈值q1的取值越大，黑色胶痕越容易被识别为重度胶痕。因此，为了取得最佳的识别效果，设置阈值分别为p＝4*8、q1＝14*8、q2＝17*8，如图4b所示。实验结果表明，本发明方法可使系统的识别精度更高，响应更快，控制性能更好。