公开(公告)号：CN112699967B

公开(公告)日：2024-03-12

申请号：CN202110061833.9

申请日：2021-01-18

Applicant: 武汉大学

Inventor： 于秋则 ,  李子玲 ,  倪达文 ,  颜宇轩

IPC: G06V10/774 ,  G06V10/762 ,  G06T3/4053 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提出了一种基于改进深度神经网络的远距离机场目标检测方法。本发明构建机场跑道图像训练集，采用外接矩形边框标注该训练集中每幅图像的机场跑道区域，并标记其跑道状态，构建深度学习模型图像训练集；将机场跑道图像训练集中的跑道区域进行超分辨重建，得到扩充后深度学习模型图像训练集；根据darknet‑53网络构建深度神经网络模型，采用k‑means算法改进先验框，得到适合扩充后深度学习模型图像训练集的先验框，结合先验框构建深度神经网络模型的损失函数模型,将扩充后深度学习模型图像训练集作为训练集输入，通过优化训练得到优化后的深度神经网络模型。本发明能够准确实现机场目标的检测，具有较好的实时性和准确性，方便重新训练适应新的跑道场景。

公开(公告)号：CN112699967A

公开(公告)日：2021-04-23

申请号：CN202110061833.9

申请日：2021-01-18

Applicant: 武汉大学

Inventor： 于秋则 ,  李子玲 ,  倪达文 ,  颜宇轩

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06T3/40

Abstract: 本发明提出了一种基于改进深度神经网络的远距离机场目标检测方法。本发明构建机场跑道图像训练集，采用外接矩形边框标注该训练集中每幅图像的机场跑道区域，并标记其跑道状态，构建深度学习模型图像训练集；将机场跑道图像训练集中的跑道区域进行超分辨重建，得到扩充后深度学习模型图像训练集；根据darknet‑53网络构建深度神经网络模型，采用k‑means算法改进先验框，得到适合扩充后深度学习模型图像训练集的先验框，结合先验框构建深度神经网络模型的损失函数模型,将扩充后深度学习模型图像训练集作为训练集输入，通过优化训练得到优化后的深度神经网络模型。本发明能够准确实现机场目标的检测，具有较好的实时性和准确性，方便重新训练适应新的跑道场景。