一种制造技术

本发明专利技术属于目标检测技术领域，提供了一种

【技术实现步骤摘要】
一种CenterNet与混合注意力相融合的机翼结冰检测方法


[0001]本专利技术属于目标检测
，具体为一种
CenterNet
与混合注意力相融合的机翼结冰检测方法
。
本专利技术可用于结冰图像的识别，进而实现机翼结冰检测的任务
。

技术介绍

[0002]飞机在高空飞行时，其迎风面与空气中的水蒸气或者冷凝水接触的过程中会积冰，积冰分布在迎风的表面部分，主要是机翼迎风曲面，前挡风玻璃，还有发动机进气口以及尾翼等部分
。
由于积冰会对飞机的飞行造成严重的安全隐患，因此飞机结冰的检测是一项至关重要的安全措施
。
机翼为飞机提供
60%
至
80%
的升力，而机翼的结冰会直接导致其气动外形发生变化，从而使得升力减小
、
阻力增大
。
此外，机翼不同位置的结冰和结冰不均匀等情况会直接改变飞机重心的相对位置，进而影响飞机的操控稳定性，甚至导致相关结构被冰冻而失控
。
因此，对机翼的结冰检测研究尤为重要
。
[0003]目前常用的结冰探测装置有目视结冰探测器和电子式结冰探测器
。
目视结冰探测器一般安装在风挡前以被飞行员观察，而对机翼的目视探测则是机组通过机翼探照灯对机翼照射，观察机翼结冰状况，这种方式对于监测者来说结冰状态并不直观，存在经验上的判断，缺乏依据
。
电子式结冰探测器多数为单点探测结构，在对区域结冰进行探测时采用安装多个结冰传感器的解决方案，加大了飞机构型设计和结冰探测装置的安装难度
。
随着人们对飞机结冰探测要求的进一步提升，单点结冰探测传感器很难满足要求
。
阵列式传感器能够实现一定区域的信号采集，并对整体结冰数据进行建模得出区域结冰的
2D
分布图，但其工程实现和硬件开发成本较高，目前并未被大规模应用
。
从机翼构型及系统设计角度考虑，结冰探测装置设受到机翼油箱位置的限制，无法完全覆盖重要部件的所有位置；同时，目前大多数结冰探测设备的安装都必须对飞机结构外形进行改变，这也增加了设备安装的难度
。
[0004]近年来，深度学习被广泛运用在计算机视觉领域，并取得了一些成果，但仍面临着很多挑战
。
基于深度学习的检测方法通常根据有无锚框
(Anchor)
分为两个流派，分别是基于锚框的区域建议方法和基于无锚框
(Anchor
‑
free)
的回归方法
。
基于锚框的方法在自然场景图像检测中取得巨大成功，如
R
‑
CNN
系列，这些方法首先从输入图像中获取目标可能存在的候选区域，之后再对候选区域进行分类及回归操作，最终获得目标的检测框，检测精度较高，但锚框的生成需要人工设定大量的参数，并进行额外的后处理操作，这都将导致模型复杂度较高，计算量较大，大量的锚框区域为负样本，这也造成了正负样本的不均衡，不利于模型的训练
。
[0005]Law H
等人提出了基于无锚框的目标检测方法
CornerNet
，在
COCO
数据集上实现了
42.1%
的平均精度，超过了之前所有的一阶段检测器，然而在检测速度上明显慢于
YOLO。
为了进一步改进
CornerNet
方法，
Zhou X Y
等人提出了
CenterNet
，在目标的中心引入一个额外的中心点，使得角点匹配更加精确，
Anchor
‑
free
系列算法有着更小的网络复杂度和计算量，在检测精度和速度上实现了很好的平衡
。

技术实现思路

[0006]本专利技术的目的在于克服现有机翼结冰检测技术的不足，提供一种
CenterNet
与混合注意力相融合的机翼结冰检测方法，针对实验数据集中结冰区域方向任意的问题，设计了一种角度预测分支网络，实现了对旋转目标的精确标定；由于目标区域特征信息在卷积过程中很容易受到背景噪声的影响，且机翼结冰区域边缘模糊
、
难以识别，本方法加入混合注意力机制（
Convolutional Block Attention Module
），最大程度上保留全部和局部特征信息，提升了网络输出特征图的表达能力
。
[0007]为实现上述专利技术目的，本专利技术设计一种基于
CenterNet
改进的网络模型，其特征在于，包括以下步骤：步骤
S1
：获取机翼在实验室中的结冰数据集，并对图像进行预处理；步骤
S2
：构建
RA
‑
CenterNet
机翼结冰检测网络模型；步骤
S3
：把预处理过后的数据集输入步骤
S1
中构建的网络模型进行训练；步骤
S4
：利用步骤
S3
中训练好的模型，进行机翼结冰检测；步骤
S5
：模型指标评估，采用准确率（
Accuracy
）
、
检测速度（
FPS
）进行效果评价
。
[0008]进一步的，步骤
S1
中获取机翼在实验室中的结冰数据集包括：
S11
：获取实验图像视频集，针对七个样本视频集，对原视频进行十倍压缩，对压缩后的视频进行间隔5帧采样，形成图片集，并将其按照
8:1:1
比例划分为训练集
、
验证集和测试集；进一步的，构建
CenterNet
与混合注意力相融合的机翼结冰检测网络模型
RA
‑
CenterNet
，所述
RA
‑
CenterNet
以
CenterNet
为基础网络，并在
DLA
‑
34
骨干网络基础上增加角度偏移预测分支网络和混合注意力机制，所述步骤
S2
具体包括：
S21
：
RA
‑
CenterNet
将目标看做一个点，目标中心点由关键点热力图（
Keypoint Heatmap
）表示，其中，关键点热力图是将一个高斯分布函数应用于每个关键点的位置，生成以该关键点为中心的高斯热力图，通过预测目标的中心点偏移量
(Offset)
，宽度和高度
(Size)
来获取物体实际
Box
，预测中心点公式如下：其中，
Y
表示中心点的置信度，
W
和
H
表示输入图片的宽和高，
R
是输出步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种
CenterNet
与混合注意力相融合的机翼结冰检测方法，其特征在于，包括以下方法：步骤
S1
：获取机翼在实验室中的结冰数据集，具体为实验场景中多个角度拍摄的机翼结冰图像，实验室环境模拟机翼穿过含过冷水滴云层时的状态，通过随机旋转
、
中心旋转
、
平移
、
裁剪
、
尺寸缩放的方式对所述结冰数据集进行数据增强；步骤
S2
：构建
CenterNet
与混合注意力相融合的机翼结冰检测网络模型
RA
‑
CenterNet
，所述
RA
‑
CenterNet
以
CenterNet
为基础网络，并在
DLA
‑
34
骨干网络基础上增加角度偏移预测分支网络和混合注意力机制，所述步骤
S2
具体包括：步骤
S21
：
RA
‑
CenterNet
将目标看做一个点，目标中心点由关键点热力图表示，其中，关键点热力图是将一个高斯分布函数应用于每个关键点的位置，生成以该关键点为中心的高斯热力图，通过预测目标的中心点偏移量
、
宽度和高度来获取物体实际
Box
，预测中心点公式如下：其中，
Y
表示中心点的置信度，
W
和
H
表示输入图片的宽和高，
R
是输出步长，
C
是中心点的类别；步骤
S22
：在角度偏移预测分支网络中，将边界框表示为（
x
，
y
，
w
，
h
，
θ
）；该角度偏移预测分支网络使用的激活函数公式如下：其中，
x
表示任意实数，
f(x)
为函数值；步骤
S23
：在特征提取阶段，
RA
‑
CenterNet
在下采样后加入混合注意力机制，使得网络更加关注目标区域，在
RA
‑
CenterNet
中，特征图
M
经过两条池化支路再经过3层
MLP
多层感知机网络得到两个
C
×1×1的矢量相加，之后经过
Sigmoid
函数激活操作得到（
0,1
）之间的权重系数
A
C
，公式如下：其中，
△
表示
Sigmoid
函数，
MLP
表示多层感知机，
MaxPool
和
AvgPool
分别表示最大池化和平均池化，
M
表示输入特征图，
A
C
与特征图
M
逐坐标相乘得到聚焦通道后的特征图
M1，公式如下：采用空间注意力机制对所述特征图
M1进行处理，具体为：将特征图
M1经过两种沿通道轴线的全局池化压缩后，经过7×7卷积，使用
Sigmoid
函数操作得到（
0,1
）之间的权重系数
A
S
，公式如下：其中，
△
表示
Sigmoid
...

【专利技术属性】
技术研发人员：王一帆，魏家田，周文俊，彭博，王杨，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：