基于改进SPCNN模型的机场跑道胶痕检测方法

本发明属于图像分割技术领域，涉及基于改进spcnn模型的机场跑道胶痕检测方法。

背景技术：

由于飞机起降时，轮胎与跑道路面接触相互作用所产生的摩擦力和切割力会造成轮胎表面橡胶颗粒脱落。它们会附着在路面上并逐渐积累形成黑色胶痕，从而使跑道抗滑系数降低，产生粘性滑水现象。

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。因此，对胶痕进行检测是机场跑道安全维护任务中的一项重要内容。

目前，国内外多采用人工视觉方法检测跑道胶痕。工作人员借助手电筒、车灯等设备对跑道胶痕的分布和积累状态进行逐段检查。该方法主要借鉴维修人员的工作经验，检测效率低、检出精度低，难以获得满意的检测结果。近几年，随着计算机视觉和图像处理技术的不断发展，研究人员将两者结合实现了跑道胶痕的自动检测。但由于只能在夜间停航时进行检测，检测系统受夜间光照条件的影响，得到的跑道胶痕图像质量较差，同时机场跑道环境的多样性也增加了图像背景的复杂度，现阶段研究人员提出跑道黑色胶痕自动识别的相关技术识别能力差，识别精度低，不具备实际应用的可行性。因此，如何精确智能地识别胶痕就成为了当前迫切需要解决的问题。

为此，本发明提出基于改进spcnn模型的机场跑道胶痕检测方法。

技术实现要素：

为解决上述问题，本发明提出了基于改进spcnn模型的机场跑道胶痕检测方法。

为实现上述目的，本发明提供了如下的技术方案。

基于改进spcnn模型的机场跑道胶痕检测方法，包括以下步骤：

将spcnn模型中的反馈输入部分更改为通过邻域灰度关系确定；将spcnn模型中的神经元点火阈值指数衰减机制更改为线性分层步长衰减方法，在线性分层步长衰减方法中根据神经元点火区域与未点火区域的统计特性设计分层步长；

采用cs算法并结合最小交叉熵准则在解空间里对更改后的spcnn模型中的连接系数β和放大系数vθ进行寻优，获取改进后的spcnn模型；

将机场跑道原始图像输入改进后的spcnn模型中进行迭代，每次迭代点火区域映射在原图上的区域平均灰度值增长量小于预设值，停止迭代，输出分割后的跑道胶痕图像，计算图中的胶痕占比，输出胶痕检测结果。

优选地，所述反馈输入的值根据当前像素灰度值与邻域内像素的均值灰度值的大小关系来决定，当前像素灰度值较大，则当前像素灰度值取邻域内最大的灰度值，反之则取值邻域内最小的灰度值；

式中：fij为神经元反馈输入部分，skl为神经元点(i,j)8邻域内像素点的灰度值；为8邻域内像素点的平均灰度值。

优选地，所述神经元点火阈值的改进方法包括以下步骤：

所述神经元点火阈值的公式为：

θij[n]＝θij[n-1]-kδ+vθyij[n-1]

式中：vθ为放大系数；yij为神经元脉冲输出；δ为基础衰减步长；k为分层比例系数；

确定点火区域和未点火的区域的平均灰度值：

式中：ω0＝{(i,j)|yij(n-1)＝0}，ω1＝{(i,j)|yij(n-1)＝1}；t0[n]和t1[n]将灰度直方图分为[0,t0[n]]，[t0[n],t1[n]]，[t1[n],255]3种区域，分别对应目标区，目标和背景的混合区以及背景区；

所述神经元点火阈值的公式中的k的取值如下式：

优选地，所述spcnn模型中的连接系数β和放大系数vθ寻优方法包括以下步骤：

s1：设置鸟巢数量num＝15，搜索空间维度dim＝2，最大迭代次数time＝500，发现概率pa＝0.25；β范围为0～1，vθ范围为0～99；随机初始化鸟窝的位置xi，定义目标函数f(x)为最小交叉熵；

s2：利用预定义的适应度函数计算初始化鸟窝适应度值f(xi)，记录当前整个鸟窝位置并比较得到当前最优fbest；

s3：保留上代最优鸟窝位置，利用下式更新其他鸟窝位置；杜鹃寻窝的路径和位置按levy更新：

式中，xi(t+1)是第i个杜鹃在第t+1代的鸟巢位置；xi(t)是第t代的鸟窝位置，α是步长，α＝1；levy(λ)为随机搜索路径：

levy～u＝t^-λ(1＜λ≤3)

将新生成的鸟窝与上一代鸟窝位置进行比较，更新除最优鸟窝外的位置和状态，计算fnew再与fbest进行比较，更新fbest；

s4：位置更新后，生产随机数r并与pa比较，若r≥pa则随机更新一次鸟窝位置；

s5：当前熵值小于上一次的熵，或者算法执行到最大更新次数，cs算法终止，得到最优鸟窝；否则回到所述s3；

s6：重复步骤s1-s5，将最佳鸟窝位置的两个参数所述连接系数β和放大系数vθ代入改进的所述spcnn模型中。

优选地，所述spcnn模型中进行迭代时的迭代终止条件包括以下步骤：

改进的所述spcnn模型每次迭代点火区域映射在原图上的区域平均灰度值为：

ω＝{(i,j)|yij(n)＝1}

式中：初始值设置为0；n为该区域内的像素总数；ω为第n次输出的点火区域；

随着迭代过程的进行，将会不断增长直到无明显变化，输出区域与目标区域已大部分吻合，不再进行更新即停止迭代。

本发明有益效果：

本发明提出基于改进spcnn模型的机场跑道胶痕检测方法。该方法通过对spcnn模型进行改进优化，结合杜鹃搜索算法对改进模型中难以确定的参数进行寻优。该算法具有分割精度高，抗干扰性强，具有一定的适应性，能够有效地完成机场跑道胶痕图像的分割，实现胶痕区域的精确检测，从而为下一步胶痕清理工作提供有效数据。

以下结合附图及实施例对本发明作进一步的说明。

附图说明

图1是本发明实施例中基于改进spcnn模型的机场跑道胶痕检测方法的总体流程图；

图2是本发明实施例中基于改进spcnn模型的机场跑道胶痕检测方法的原始spcnn模型的结构图；

图3是本发明实施例中基于改进spcnn模型的机场跑道胶痕检测方法改进的spcnn模型的流程图；

图4是本发明实施例中基于改进spcnn模型的机场跑道胶痕检测方法的不同特征的原始图像；

图5是本发明实施例中基于改进spcnn模型的机场跑道胶痕检测方法的检测效果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

基于改进spcnn模型的机场跑道胶痕检测方法，如图1～5所示，具体包括：

初始的spcnn模型结构如图2所示，具体的：

fij[n]＝sij

lij[n]＝∑wijklykl[n-1]

uij[n]＝fij[n](1+βlij[n])

θij[n]＝exp(-αθ)θij[n-1]+vθyij[n-1]

式中，fij为神经元反馈输入部分；sij为输入激励，表示当前神经元即点(i,j)的像素灰度值；lij为为连接输入；wijkl为神经元内部连接矩阵；uij为神经元内部活动项；β为连接系数；yij为神经元脉冲输出；θij为神经元动态阈值；αθ为衰减系数；vθ为放大系数。

首先，改进模型，如图3所示：

将原始spcnn模型中反馈输入的改为利用邻域灰度关系优化反馈输入，具体的，反馈输入的值根据当前像素灰度值与邻域内像素的均值灰度值的大小关系来决定，当前像素灰度值较大，则当前像素灰度值取邻域内最大的灰度值，反之则取值邻域内最小的灰度值；

式中：fij为神经元反馈输入部分，skl为神经元点(i,j)8邻域内像素点的灰度值；为8邻域内像素点的平均灰度值。

将模型中的神经元点火阈值指数衰减机制更改为线性分层步长衰减方式，根据神经元点火区域与未点火区域的统计特性设计分层步长；

具体的，神经元点火阈值的改进方法包括以下步骤：

神经元点火阈值的公式为：

θij[n]＝θij[n-1]-kδ+vθyij[n-1]

式中：vθ为放大系数；yij为神经元脉冲输出；δ为基础衰减步长；k为分层比例系数；

确定点火区域和未点火的区域的平均灰度值：

式中：ω0＝{(i,j)|yij(n-1)＝0}，ω1＝{(i,j)|yij(n-1)＝1}；t0[n]和t1[n]将灰度直方图分为[0,t0[n]]，[t0[n],t1[n]]，[t1[n],255]3种区域，分别对应目标区，目标和背景的混合区以及背景区；

在混合区为了确保能把混合的目标和背景，通过不同的点火时刻区分出来，衰减步长应足够小，在背景区和目标区衰减步长不需要太小，故神经元点火阈值的公式中的k的取值如下式：

进一步，采用cs算法并结合最小交叉熵准则在解空间里对spcnn模型中的连接系数β和放大系数vθ进行寻优，获取最终的spcnn模型；

具体的，spcnn模型中的连接系数β和放大系数vθ寻优方法包括以下步骤：

s1：设置鸟巢数量num＝15，搜索空间维度dim＝2，最大迭代次数time＝500，发现概率pa＝0.25；β范围为0～1，vθ范围为0～99；随机初始化鸟窝的位置xi，定义目标函数f(x)为最小交叉熵；

s2：利用预定义的适应度函数计算初始化鸟窝适应度值f(xi)，记录当前整个鸟窝位置并比较得到当前最优fbest；

s3：保留上代最优鸟窝位置，利用下式更新其他鸟窝位置；杜鹃寻窝的路径和位置按levy更新：

式中，xi(t+1)是第i个杜鹃在第t+1代的鸟巢位置；xi(t)是第t代的鸟窝位置，α是步长，α＝1；levy(λ)为随机搜索路径：

levy～u＝t^-λ(1＜λ≤3)

将新生成的鸟窝与上一代鸟窝位置进行比较，更新除最优鸟窝外的位置和状态，计算fnew再与fbest进行比较，更新fbest；

s4：位置更新后，生产随机数r并与pa比较，若r≥pa则随机更新一次鸟窝位置；

s5：当前熵值小于上一次的熵，或者算法执行到最大更新次数，cs算法终止，得到最优鸟窝；否则回到所述s3；

s6：重复步骤s1-s5，将最佳鸟窝位置的两个参数所述连接系数β和放大系数vθ代入改进的所述spcnn模型中。

将机场跑道原始图像如图4中的图a～图c，输入改进后的spcnn模型中进行迭代，每次迭代点火区域映射在原图上的区域平均灰度值增长到无明显变化，如图5中的图a～图c，则停止迭代：

改进的spcnn模型每次迭代点火区域映射在原图上的区域平均灰度值为：

ω＝{(i,j)|yij(n)＝1}

式中：初始值设置为0；n为该区域内的像素总数；ω为第n次输出的点火区域；

随着迭代过程的进行，将会不断增长直到无明显变化，输出区域与目标区域已大部分吻合，不再进行更新即停止迭代。

最后，输出分割后的跑道胶痕图像，计算图中的胶痕占比，输出胶痕检测结果。

实验结果表明，针对不同特征的机场跑道胶痕原始图像，本方法基于改进spcnn模型进行符合真实情况的分割所获得的胶痕检测结果不仅在胶痕密集区域更好地区分出了胶痕和路面，同时也能很好地去除路面背景以及光照的影响。完整清晰地保留了胶痕的细节，误分割程度小，精度更高，边界更清晰，抗干扰性更好，适应性更强。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。