(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 202111636710.X (22)申请日 2021.12.2 9 (71)申请人 中国航空工业 集团公司西安 航空计 算技术研究所 地址 710065 陕西省西安市高新区锦业 二 路15号 (72)发明人 李融奇　卢伟　白林亭　文鹏程　 胥凌　李亚晖　 (74)专利代理 机构 北京清大紫荆知识产权代理 有限公司 1 1718 专利代理师 窦雪龙 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/82(2022.01) G06T 7/13(2017.01)G06T 7/70(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 1/20(2006.01) (54)发明名称 一种深度学习的机场跑道目标实时检测方 法和系统 (57)摘要 本申请提供了一种深度学习的机场跑道目 标实时检测方法和系统， 属于智能计算的技术领 域， 具体包括： 接收输入图像， 对图像进行分辨率 调整以达到适合初步检测模型的要求； 对行分辨 率调整之后的图像利用嵌入式装置进行深度学 习模型实时检测确立跑道的位置信息， 所述位置 信息是包含 跑道的矩形框； 建立跑道 边缘检测深 度学习模型； 对于跑道位置信息的图像， 还原至 初始的图像分辨率， 学习模型输入还原后的图 像， 输出编码信息， 通过编码信息表示跑道边缘 数据； 对深度学习模型输出的编码信息进行反解 码， 得到跑道边缘的线条， 并在原始图像上做出 标记， 输出可视化结果。 通过本申请的处理方案， 有效解决嵌入式计算平台处 理效率低下的问题。 权利要求书1页 说明书4页 附图1页 CN 114445722 A 2022.05.06 CN 114445722 A 1.一种深度学习的机场跑道目标实时检测方法， 其特 征在于,包括： 步骤1， 接收输入图像， 对图像进行分辨 率调整以达 到适合初步检测模型的要求； 步骤2， 对行分辨率调整之后的图像利用嵌入式装置进行深度学习模型实时检测确立 跑道的位置信息， 所述 位置信息是包 含跑道的矩形框； 步骤3， 建立跑道边 缘检测深度学习模型； 步骤4， 对于跑道位置信息的图像， 还原至初始的图像分辨率， 学习模型输入还原后的 图像， 输出编码信息， 通过编码信息表示跑道边 缘数据； 步骤5， 对深度学习模型输出的编码信息进行反解码， 得到跑道边缘的线条， 并在原始 图像上做出 标记， 输出 可视化结果。 2.根据权利要求1所述的深度 学习的机场跑道目标实时检测方法， 其特征在于， 所述步 骤4输出多组编码信息， 多组所述编码信息分别是跑道的左边缘线、 右边缘线、 跑道中线和 人行横道起始线。 3.根据权利要求1所述的深度 学习的机场跑道目标实时检测方法， 其特征在于， 所述编 码信息包括 斜率、 截距、 起 点信息和终点信息 。 4.根据权利要求3所述的深度 学习的机场跑道目标实时检测方法， 其特征在于， 依据一 组编码中斜率和截距得到一个直线， 直线与矩形框形成两个交点， 其中， 起点信息包括 纵坐 标值较小的交点与起 点的距离， 终点信息包括纵坐标值较小的交点与终点的距离 。 5.根据权利要求1所述的深度 学习的机场跑道目标实时检测方法， 其特征在于， 所述步 骤1具体是根据预设的宽度W、 高度H的像素数对原图像进行调整， 所述宽度W、 高度H， 是根据 处理器计算能力来确定以满足 实时检测的帧率要求。 6.根据权利要求1所述的深度 学习的机场跑道目标实时检测方法， 其特征在于： 所述步 骤2具体是基于卷积神经网络算法对像素为W ×H的图像进行跑道识别初检测， 输出跑道位 置信息。 7.根据权利要求6所述的深度 学习的机场跑道目标实时检测方法， 其特征在于： 所述步 骤2利用FPGA对深度学习模型进行硬件加速， 以达 到更好的实时性的要求。 8.一种深度学习的机场跑道目标实时检测系统， 其特 征在于， 包括： 图像预处理单元， 用于接收输入图像， 将图像分辨率进行调整以达到跑道位置实时检 测的模型输入要求 跑道位置实时检测单 元， 对预处 理好的图像进行目标检测， 得到跑道位置相关信息； 跑道边缘实时检测单元， 根据 跑道位置图像， 输出编码信 息， 通过编码信息表示跑道边 缘数据。权　利　要　求　书 1/1 页 2 CN 114445722 A 2一种深度学习的机场跑道目标实时检测方 法和系统 技术领域 [0001]本申请涉及智能计算的领域， 尤其是涉及 一种深度学习的机场跑道目标实时检测 方法和系统。 背景技术 [0002]随着智能航空技术的不断发展， 对于机场跑道的实时检测需求也越来越有必要。 然而， 机场跑道的实时检测对于实时性和准确性要求高， 机载平台受空间和散热的影响， 计 算性能受到限制。 [0003]为了提升嵌入式深度学习算法的处理效率， 硬件厂商先后推出多款AI芯片， 通过 在硬件层面优化计算结构提高处理速度。 然而仅仅依靠硬件的优化很难达到要求的实时性 检测。 发明内容 [0004]有鉴于此， 本申请提供一种深度学习的机场跑道目标实时检测方法和系统， 解决 了现有技 术中的问题， 有效解决嵌入式计算平台处 理效率低下的问题。 [0005]本申请提供的一种深度学习的机场跑道目标实时检测方法采用如下的技 术方案： [0006]一种深度学习的机场跑道目标实时检测方法， 包括： [0007]步骤1， 接收输入图像， 对图像进行分辨 率调整以达 到适合初步检测模型的要求； [0008]步骤2， 对行分辨率调整之后的图像利用嵌入式装置进行深度学习模型实时检测 确立跑道的位置信息， 所述 位置信息是包 含跑道的矩形框； [0009]步骤3， 建立跑道边 缘检测深度学习模型； [0010]步骤4， 对于跑道位置信息 的图像， 还原至初始的图像分辨率， 学习模型输入还原 后的图像， 输出编码信息， 通过编码信息表示跑道边 缘数据； [0011]步骤5， 对深度学习模型输出的编码信息进行反解码， 得到跑道边缘的线条， 并在 原始图像上做出 标记， 输出 可视化结果。 [0012]可选的， 所述步骤4输出多组编码信息， 多组所述编码信息分别是跑道的左边缘 线、 右边缘线、 跑道中线和人 行横道起始线。 [0013]可选的， 所述编码信息包括 斜率、 截距、 起 点信息和终点信息 。 [0014]可选的， 依据一组编码中斜率和截距得到一个直线， 直线与矩形框形成两个交点， 其中， 起点信息包括纵坐标值较小的交点与起点的距离， 终点信息包括纵坐标值较小的交 点与终点的距离 。 [0015]可选的， 所述步骤1具体是根据预设的宽度W、 高度H的像素数对原图像进行调整， 所述宽度W、 高度H， 是根据处 理器计算能力来确定以满足 实时检测的帧率要求。 [0016]可选的， 所述步骤2具体是基于卷积神经网络算法对像素为W ×H的图像进行跑道 识别初检测， 输出 跑道位置信息 。 [0017]可选的， 所述步骤2利用FPGA对深度学习模型进行硬件加速， 以达到更好的实 时性说　明　书 1/4 页 3 CN 114445722 A 3