一种机场跑道污染物图像分割方法

本发明涉及图像处理，具体涉及一种基于u-net增强的多尺度模块的机场跑道积雪/水（污染物）图像分割方法。

背景技术：

1、跑道是机场飞行区重要基础设施，跑道表面状态对飞机的安全起降至关重要，因此，对跑道积雪/水范围的自动化检测变得越来越重要。

2、目前，机场仍然采用传统的目测方式来检测跑道的积水覆盖率。目测测量不仅是一项繁琐的任务，且检测效率低，精度差。由于目视调查的局限性，因此开发了自动数据收集和数据分析系统。图像是这些系统中最常用的数据。

3、传统的图像处理方法，如基于阈值的分割、边缘检测或区域生长算法，在处理复杂的机场跑道图像时常效果不佳。这些方法通常依赖于手动设置的参数或规则，难以适应机场环境的多样性和复杂性。此外，这些方法往往无法有效处理图像中的噪声和伪影，导致分割精度不高。

4、近年来，深度学习特别是卷积神经网络(cnn)在图像分割领域显示出了巨大的潜力。u-net架构因其在各类图像分割任务中的出色表现而广受欢迎。它通过使用跳跃连接和上采样策略有效地捕获图像的上下文信息，从而实现精确的分割。然而，尽管u-net在许多情况下表现良好，但在处理机场跑道污染物图像时，由于机场环境的复杂性及恶劣天气的影响，仍然面临诸多挑战。

5、因此，开发一种能够适应机场环境的复杂性及恶劣天气影响的高效分割方法是当前研究的重点。

技术实现思路

1、为了克服现有技术中存在的不足，本发明提出了一种基于u-net架构的改进模型，该模型通过集成多尺度增强模块(res-rfs)，显著提高了机场跑道积雪/水（污染物）图像分割的准确性和鲁棒性。本发明的核心创新在于有效结合深度学习中的先进技术，以解决污染物图像分割中的关键问题。

2、本申请提供一种机场跑道污染物图像分割方法，所述分割方法具体包括以下步骤：

3、步骤1，获取多张机场跑道污染物原始图像，对各机场跑道污染物原始图像进行预处理，形成机场跑道污染物图像数据集，所述机场跑道污染物图像数据集中包括训练集和测试集；

4、步骤2，在u-net网络中集成res-rfs多尺度增强模块，将dice loss函数与交叉熵损失函数整合到u-net模型的损失函数中，最小化损失函数，得到改进的u-net网络；

5、步骤3，利用改进的u-net网络对预处理的机场跑道污染物图像进行分割，识别和分割出污染物区域；

6、步骤4，根据分割好的图像，通过cv2.countnonzero函数统计二值化图像中的污染物像素数量计算污染物的范围百分率。

7、进一步的，所述步骤1具体为：

8、步骤1.1：对收集到的机场跑道污染物图像进行图像预处理，对所述图像进行均衡化、噪声滤波和边缘增强的处理；

9、步骤1.2：采用深度学习方式进行图像的人工标注，标记污染物区域的边界和特征；

10、步骤1.3：使用数据增强方式来扩展数据集，增加模型的泛化能力；

11、步骤1.4：将图像数据集分为训练集、验证集和测试集，其中训练集用于模型训练，验证集用于模型调优，测试集用于最终评估。

12、进一步的，所述步骤2具体为：

13、步骤2.1：在u-net网络的skip connections跳跃连接部分集成res-rfs多尺度增强模块，以捕获不同尺度下的污染物特征，并通过跳跃连接保留关键信息；

14、步骤2.2：采用交叉熵损失函数和dice损失的复合损失函数，解决类别不平衡问题以及像素级分割问题。

15、更进一步的，在给定输入机场跑道污染物图像yi和相关的地面真值映射gi后，将联合损失函数用于网络学习，复合损失函数表达式为：

16、。

17、n为像素点总个数；f是模型的意思，就是y经过模型得到输出结果。

18、有益效果

19、通过本申请提供的机场跑道污染物图像分割方法，本发明的模型不仅在处理具有不同大小、形状和颜色的污染物时表现出更高的准确性，而且在面对图像质量变化(如不同的光照条件和机场环境)时也显示出更强的鲁棒性。此外，该模型的设计还考虑了计算效率，使其适用于机场环境中的实时应用。

技术特征：

1.一种机场跑道污染物图像分割方法，其特征在于，所述分割方法具体包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：

3.根据权利要求1所述的方法，其特征在于，所述步骤2具体为：

4.根据权利要求3所述的方法，其特征在于，在给定输入机场跑道污染物图像yi和相关的地面真值映射gi后，将联合损失函数用于网络学习，复合损失函数表达式为：

技术总结
本发明公开一种机场跑道污染物图像分割方法，通过利用工业相机获取图像，对图像进行预处理人工设置标签，形成训练集和测试集，基于改进的U‑Net网络构建机场跑道上污染物图像分割模型，训练图像分割模型得到污染物图像分割效果最佳的分割模型。该模型通过引入Res‑RFS多尺度增强模块来实现图像特征的提取，将Dice Loss函数与交叉熵损失函数整合到U‑Net模型的损失函数。实验证明，新模型在测试数据上实现了高达0.9633的召回率、0.9608的精准率以及0.9620的F1分数和0.9621的平均交并比。研究结果表明，所提出的模型不仅能够满足机场跑道积水图像分割任务的要求，而且具有更优越的检测精度。

技术研发人员：吴瑾,吴颖慧,蔡子良,赵杏,张丽芳
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/9/23