一种用于机场道面污染物种类的识别方法

本发明涉及光谱，具体涉及基于卷积神经网络(cnn)和粒子群优化(pso)的支持向量机(svm)对机场道面不同污染物反射率光谱数据的识别。

背景技术：

1、随着人们生活水平的提高，以及出国留学、旅行、商业往来密切的原因，航空运输业发展迅速，那么飞机的安全起降问题显的格外重要。尤其是特殊气象条件影响下，导致机场道面上存在冰、水、雪、雪泥等污染物，这将大大降低跑道的抗滑性能，同时影响跑道标志物和助航灯的辨识度，使机场通行能力大大降低。最关键的是机场道面上的污染物会对飞机飞行造成安全影响。据统计，有近20％的着陆事故的直接原因是由道面积水、积雪或积冰造成的。

2、所以针对机场道面污染物的监测尤为重要。目前对于机场道面污染物的检测，采用的是人工目视的方法，实际操作以个人经验为主，检测结果受人为因素影响较大，检测精度低，机场道面污染物类型判断不准确，进而影响到对跑道抗滑和适航能力的判断，造成跑道关闭的准则的不明确等方面的问题。因此提升机场跑道表面污染物检测准确度和效率，是目前机场跑道表面状况评估的难点和痛点，也是机场安全能力保障的关键一步。

3、目前，对于污染物的检测多数是基于公路上的研究，主要方法包括：多频电容检测法、雷达技术检测法、图像分析法、光学偏振技术检测法等。(1)多频电容检测法：利用冰、水、雪、空气的介电常数差异性进行区分识别，但该方法功能单一，抗干扰能力较差(2)雷达技术检测法：利用微波雷达通过向道面发送微波信号，然后接收反射回来的信号，根据信号强度和频率的变化来判断道路表面的湿度、冰雪情况。雷达技术在识别方面有较大潜力，但其成本过高，且识别易受温湿度波动影响；(3)光学图像分析法：该方法通过获取图像信息，如提取图像纹理、颜色和形状特征，来判断道路表面是否存在冰雪。然而，在某些情况下，该方法识别能力较差；(4)光学偏振技术检测法：该方法通过道面不同状态下反射光的偏振特性不同，来识别道面冰雪状态，识别效果较好，但在实施过程中，需要人为控制偏振片的旋转角度，且视场易受干扰与光污染。

技术实现思路

1、本发明针对机场道面污染物的监测需求，以及解决现有技术识别种类单一、检测稳定性低、抗干扰能力差等问题至少之一。

2、本发明基于卷积神经网络(cnn)和粒子群优化(pso)的支持向量机(svm)分类法对机场道面污染物进行识别。通过将大量标记好的反射率光谱数据输入到模型中进行训练，以识别机场道面不同污染物。

3、本发明提供一种用于机场道面污染物种类识别的方法，其特征在于，所述方法包括：

4、将微型光纤光谱仪和适用近红外区域检测的微型光纤光谱仪探头置于道面正上方采集不同污染物的反射率光谱数据；

5、建立污染物的反射率光谱数据集；

6、对所述反射率光谱数据集进行预处理，得到第一数据集，将第一数据集按设定比例产生第一训练集和第一测试集；

7、采用基于卷积的神经网络(cnn)得到所述污染物的第一分类；

8、判断所述第一分类是否满足预设条件，如果满足进行第二次分类；

9、所述第二次分类为：

10、根据预处理后的所述反射率光谱数据集得到第二数据集，将第二数据集按设定比例产生第二训练集和第二测试集；采用粒子群优化(pso)的支持向量机(svm)算法模型，识别得到所述污染物的第二分类。

11、所述基于卷积神经网络(cnn)的机场道面污染物识别方法，包括以下步骤：

12、s1：采用波段为1000-1700nm的微型光纤光谱仪，采集机场道面冰、雪、水、雪浆、压实雪的反射率光谱数据，形成道面污染物数据集；

13、s2：对数据进行预处理，并随机划分为训练集和测试集。

14、s3：建立完整的卷积神经网络(cnn)模型，包含输入层、卷积层、激活层(relu)、池化层、全连接层以及输出层；

15、s4：设置训练参数，使用trainnetwork函数对模型进行训练和测试，并得到测试结果；

16、s5：输入新的预测数据，调用模型，输出预测结果。

17、可选的，在步骤s2中，对数据进行预处理指使用mapminmax函数，对数据进行归一化处理，以便提高模型的收敛速度和训练效果；该函数公式如下：

18、

19、可选的，在步骤s1中，数据集包含不同时间段、不同光照条件、不同机场地点的不同厚度的道面污染物，增加了数据多样性，有助于提高模型的泛化能力，拓宽模型的适用范围。

20、可选的，在步骤s3中，卷积神经网络(cnn)模型的网络构架设计包括：

21、(1)卷积层通过滤波器(卷积核)对输入的特征数据进行卷积操作，提取出不同位置的特征。其中卷积核大小为3×1，卷积核数量为36。

22、(2)池化层用于降采样，减少特征数据的维度和参数数量，同时保留主要特征。在这个模型中，使用2×1的最大池化操作(max pooling)，保留每2个元素中的最大值，从而进一步提取关键特征。

23、(3)全连接层将卷积层和池化层提取的特征进行组合和整合，学习到更高级别的特征表示，以便进行最终的分类或回归任务，第一个全连接层有391个神经元，第二个全连接层有289个神经元，最后输出层有1个神经元用于回归任务。

24、可选的，在步骤s4中，训练参数设置包括：

25、(1)选择基于随机梯度下降的adam优化算法，自适应调整学习率，初始学习率设置为0.001。

26、(2)训练的最大迭代次数为60轮，每次训练的批处理大小为10。

27、(3)梯度裁剪阈值设置为1，用于防止梯度爆炸的情况发生。

28、所述基于粒子群优化(pos)的支持向量机(svm)分类干雪及湿雪的方法：包括以下步骤：

29、s1：采用波段为185-1100nm的微型光纤光谱仪，采集机场道面干雪及湿雪的反射率光谱数据，形成道面干雪及湿雪数据集；

30、s2：使用mapminmax函数对输入数据和输出数据进行归一化处理。将输入数据归一化[0，1]的范围内，将输出标签归一化到[1，2]的范围内；

31、s3：将归一化后的数据按给定比例划分为训练集和测试集；

32、s4：使用trainlssvm函数训练基于最小二乘的未优化支持向量机的模型，并设置相关参数；

33、s5：使用simlssvm函数对测试集进行预测，得到预测结果；

34、s6：定义参数结构pso_option，设置粒子群优化算法的各参数；

35、s7：调用psosvmcgforregress函数进行svm惩罚参数c和核函数参g的粒子群优化，得到最优的c和g值，以及最佳的均方差和优化过程的轨迹。

36、s8：利用pso优化得到的最优参数进行svm模型重新训练，并调用trainlssvm函数和simlssvm函数进行模型训练和预测。

37、可选的，在步骤s3中，给定比例为75％和25％。

38、可选的，在步骤s4中，设置相关参数包括：高斯径向基函数的宽度gam设置为0.1，核函数参数sig2设置为0.15。

39、可选的，在步骤s6中，设置粒子群优化算法的各参数包括：学习因子c1为1、c2为0.7，最大迭代次数maxgen为10，种群大小sizepop为2，约束因子k为0.6，惯性权重wv为0.9，惯性权重wp为0.9，c参数的最大范围，设置为1。c参数的最小范围，设置为0.001。

40、g参数的最大范围，设置为1；g参数的最小范围，设置为0.001。

41、有益效果：

42、本技术提供的用于机场道面污染物种类的识别方法，其具有以下技术效果：

43、(1)通过将卷积神经网络(cnn)模型算法和粒子群优化(pso)的支持向量机(svm)模型算法结合，实现了对机场道面污染物，即冰、水、干雪、湿雪、雪浆、压实雪，多种类识别，解决了现有技术识别种类单一的问题。

44、(2)基于卷积神经网络(cnn)模型对冰、水、雪、雪浆、压实雪的识别准确率达95％以上，基于粒子群优化(pso)的支持向量机(svm)模型对干/湿雪的识别准确率达90％以上。

45、(3)相较于人工目视的识别手段，该方法能够快速准确的识别机场道面污染物的种类，提高了识别精度和效率。为机场道面污染物种类自动化识别奠定了基础，也为机场道面表面状况评估提供了数据支撑。

46、本发明进一步的特征和方面，将在以下参考附图的具体实施方式描述中，得以清楚地记载。

技术特征：

1.一种用于机场道面污染物种类识别的方法，其特征在于，所述方法包括：

2.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，所述第一分类包含冰、水、雪、雪浆、压实雪五类。

3.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，所述第二分类包含干雪、湿雪。

4.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，所述预设条件为第一分类为雪。

5.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，建立基于卷积神经网络cnn的第一污染物分类预测模型，所述第一污染物分类预测模型包括：使用mapminmax函数对数据进行归一化处理；建立卷积神经网络cnn模型，模型包含输入层、卷积层、激活层relu、池化层、全连接层以及输出层；设置训练参数，将所述污染物的反射率光谱数据集中所述训练集，以及标签和定义好的网络结构使用trainnetwork函数进行训练；得到模型预测结果并评估模型性能；

6.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，所述建立污染物的反射率光谱数据集具体包括：

7.根据权利要求1所述的用于机场道面污染物种类识别的方法，其特征在于，所述采用粒子群优化pso的支持向量机svm算法模型，识别得到所述污染物的第二分类，具体包括：

8.根据权利要求7所述的用于机场道面污染物种类识别的方法，其特征在于，所述将输入特征设置到指定波段范围内为：430-480nm。

技术总结
本发明提供了一种用于机场道面污染物种类识别的方法，该识别方法包括利用光谱波段范围185‑1100nm，波长分辨率0.44nm的微型光纤光谱仪和适用近红外区域检测，光谱波段范围在1100‑1700nm，波长分辨率为2.73nm的微型光纤光谱仪，获取污染物种类，例如，冰、水、雪、雪浆和压实雪的波长反射率光谱样本，基于卷积神经网络（CNN）建立反射率光谱分类模型，通过训练好的模型对以上几类污染物的反射率光谱数据进行分类预测。同时利用粒子群优化（PSO）的支持向量机（SVM）模型分类方法，实现对干雪及湿雪的分类。将两种方法结合，达到对机场道面冰、水、干雪、湿雪、雪浆、压实雪这几类污染物的识别能力。

技术研发人员：吴瑾,张蕊,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