(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 202210557467.0 (22)申请日 2022.05.19 (71)申请人 泰昌科技 （杭州） 有限公司 地址 310000 浙江省杭州市余杭区良渚街 道网周路9 9号3幢27层2701室 (72)发明人 华威　张鹏飞　邵安强　包菊芬　 (74)专利代理 机构 北京恒泰铭睿知识产权代理 有限公司 1 1642 专利代理师 周成金 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) B60P 3/11(2006.01)G06V 10/82(2022.01) (54)发明名称 拖挂式无人机移动机场及其 运行方法 (57)摘要 本申请涉及移动式无人机场的领域， 其具体 地公开了一种拖挂式无人机移动机场及其运行 方法。 所述拖挂式无人机移动机场通过使用深度 卷积神经网络模型对所述待停止点的图像和所 述待停止点的周围的全景图像进行编码以进行 用于分类的特征提取， 这样就能够基于所述待停 止点和所述待停止点周围的特征信息来综合对 所述待停止点是否适宜停车进行准确地分类判 断， 进而使得拖挂式无人机移动机场在自动巡检 时能够智能地选择合适的停 止点， 以保证无人机 的正常工作 与安全性。 权利要求书3页 说明书14页 附图5页 CN 114842362 A 2022.08.02 CN 114842362 A 1.一种拖 挂式无人机移动机场， 其特 征在于， 包括： 待停止点图像获取单元， 用于通过部署于拖挂式无人机移动机场的俯视的相机采集的 待停止点的图像； 全景图像获取单元， 用于通过部署于所述拖挂式无人机移动机场的全景相机采集的所 述待停止点的周围的全景图像； 第一卷积编码单元， 用于将所述待停止点的图像通过第 一卷积神经网络以获得第 一特 征图， 其中， 所述第一卷积神经网络包括深 ‑浅特征融合模块； 第二卷积编码单元， 用于将所述待停止点的周围的全景图像通过使用空间注意力 机制 的第二卷积神经网络以获得第二特 征图； 全局归一化修正单元， 用于对所述第 一特征图进行相对于所述第 二特征图的全局归一 化以生成校正第二特征图， 其中， 所述全局归一化基于一与所述第一特征图中各个位置的 特征值的加和 值的对数值与一与所述第二特征图中所有位置的特征值的全局加和 值的加 和值的对数值之间的比值 来进行； 特征图融合单元， 用于 融合所述第 一特征图和所述校正后第 二特征图以生成分类特征 图； 以及 决策单元， 用于将所述分类特征图通过分类器以获得分类结果， 所述分类结果用于表 示所述待停止点是否适宜停车。 2.根据权利要求1所述的拖挂式无人机移动机场， 其中， 第一卷积编码单元， 用于将所 述待停止点的图像通过第一卷积神经网络以获得第一特征图， 其中， 所述第一卷积神经网 络包括深 ‑浅特征融合模块， 包括： 浅层特征提取子单元， 用于从所述第一卷积神经网络的第M层得到浅层特征图， 所述M 大于等于1且小于等于 6； 深层特征图提取子单 元， 用于从所述第一卷积神经网络的最后一层得到深层特 征图； 融合子单元， 用于通过所述第一卷积神经网络的深 ‑浅特征融合模块来融合所述浅层 特征图和所述深层特 征图以获得 所述第一特 征图。 3.根据权利要求2所述的拖挂式无人机移动机场， 其中， 所述融合子单元， 进一步用于： 使用所述深 ‑浅特征融合模块以如下公式来融合所述浅层特征图和所述深层特征图 以获得 所述第一特 征图， 其中， 所述公式为： F1＝α Fs+β Fd 其中， F1为所述第一特征 图， Fs为所述浅层特征 图， Fd为所述深层特征 图，“+”表示所述 浅层特征图和所述深层特征图相对应位置处的元素相加， α和β 为用于控制所述第一特征图 中所述浅层特 征图和所述深层特 征图之间的平衡的加权参数。 4.根据权利要求3所述的拖挂式无人机移动机场， 其中， 所述第二卷积编码单元， 进一 步用于： 所述第二卷积神经网络模型的各层 在层的正向传递中对输入数据进行： 对所述输入数据进行基于二维卷积核的卷积处 理以生成卷积特 征图； 对所述卷积特 征图进行池化处 理以生成池化特 征图； 对所述池化特 征图进行激活 处理以生成激活特 征图； 对所述激活特 征图进行沿通道维度的全局平均池化以获得空间特 征矩阵； 对所述空间特 征矩阵进行 卷积处理和激活 处理以生成权 重向量； 以及权　利　要　求　书 1/3 页 2 CN 114842362 A 2以所述权重向量中各个位置的权重值分别对所述激活特征图的各个特征矩阵进行加 权以获得生成特 征图； 其中， 所述第 二卷积神经网络模型的最后一层输出的所述生成特征图为所述第 二特征 图。 5.根据权利要求4所述的拖挂式无人机移动机场， 其中， 所述全局归一化修正单元， 进 一步用于： 以如下公式对所述第一特征图进 行相对于所述第二特征图的全局归一化以生成 所述校正第二特 征图； 其中， 所述公式为： 其中 分别是所述第一特征图F1、 所述第二特征 图F2的第(i,j,k)位置 的 特征值。 6.根据权利要求5所述的拖挂式无人机移动机场， 其中， 所述决策单元， 进一步用于： 所 述分类器以如下公式对所述分类特征图进行处理以生成分类结果， 其中， 所述公式为： softmax{(Wn,Bn):…:(W1,B1)|Project(F)}， 其中Project(F)表示将所述分类特征图投影 为向量， W1至Wn为各层全连接层的权 重矩阵， B1至Bn表示各层全连接层的偏置矩阵。 7.一种拖 挂式无人机移动机场的运行 方法， 其特 征在于， 包括： 通过部署于拖 挂式无人机移动机场的俯视的相机采集的待停止点的图像； 通过部署于所述拖挂式无人机移动机场的全景相机采集的所述待停止点的周围的全 景图像； 将所述待停止点的图像通过第一卷积神经网络以获得第一特征图， 其中， 所述第一卷 积神经网络包括深 ‑浅特征融合模块； 将所述待停止点的周围的全景图像通过使用空间注意力机制的第二卷积神经网络以 获得第二特 征图； 对所述第一特征图进行相对于所述第 二特征图的全局归一化以生成校正第 二特征图， 其中， 所述全局归一化基于一与所述第一特征图中各个位置的特征值的加和值的对数值与 一与所述第二特征图中所有位置的特征值的全局加和 值的加和 值的对数值之间的比值来 进行； 融合所述第一特 征图和所述校正后第二特 征图以生成分类特 征图； 以及 将所述分类特征图通过分类器以获得分类结果， 所述分类结果用于表示所述待停止点 是否适宜停车。 8.根据权利要求7所述的拖挂式无人机移动机场的运行方法， 其中， 将所述待停止点的 图像通过第一卷积神经网络以获得第一特 征图， 包括： 从所述第一卷积神经网络的第M层得到 浅层特征图， 所述M大于等于1且小于等于 6； 从所述第一卷积神经网络的最后一层得到深层特 征图； 通过所述第 一卷积神经网络的深 ‑浅特征融合模块来融合所述浅层特征图和所述深层 特征图以获得 所述第一特 征图。权　利　要　求　书 2/3 页 3 CN 114842362 A 3