(19)國家知識產(chǎn)權(quán)局四段46號(72)發(fā)明人張?zhí)旌焦畔紡埨挈S靜洋所(普通合伙)50322專利代理師劉宇GO6VGO6V本發(fā)明公開了一種基于本發(fā)明公開了一種跡對機場場面進行實時檢測，可以實現(xiàn)大面積、21.一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，包括探測所述探測設(shè)備包含高清攝像頭、激光雷達、紅外傳感器；所述探測設(shè)備固定在無人機所述任務調(diào)度模塊用于，調(diào)整探測設(shè)備的拍攝位置，得到第二檢測路徑；所述第二檢測路徑由多個拍攝位置作為路徑的節(jié)點；所述第二檢測路徑為最短路徑且全部的節(jié)點拍攝的圖像能獲取檢測物的完整表面；所述檢測物表示需要進行巡檢的物體；所述探測設(shè)備用于，獲取第二檢測路徑上的節(jié)點對應的三模圖像集合；所述三模圖像集合包括激光深度圖像、紅外圖像和攝像圖像；所述任務調(diào)度模塊用于，根據(jù)多個異物位置，進行路徑規(guī)劃，得到異物檢測路徑；所述異物檢測路徑表示清除異物的路徑。2.根據(jù)權(quán)利要求1所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述任務調(diào)度模塊包括約束條件模塊、算法模塊和深度學習模塊；所述約束條件模塊用于獲取多個約束數(shù)據(jù)；所述算法模塊中內(nèi)置多個路徑檢測算法；所述深度學習模塊內(nèi)置路徑檢測網(wǎng)絡(luò)；采用多個路徑檢測算法訓練路徑檢測網(wǎng)絡(luò)。3.根據(jù)權(quán)利要求2所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特根據(jù)多個約束數(shù)據(jù)，標記無人機限制飛行的位置，得到三維區(qū)域圖像；所述三維區(qū)域圖像中的灰度值為1的位置表示無人機能夠進行飛行的位置，灰度值為0的位置表示限制飛行基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑；所述三維檢測物位置圖像表示標記了檢測物的位置和限飛的位置的圖像；所述初始檢測路徑表示初始設(shè)定且獲取檢測物的完整表面的路徑；通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路徑檢測算法，得到第二檢測路徑；采用第二檢測路徑替換初始檢測路徑。4.根據(jù)權(quán)利要求2所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述采用多個路徑檢測算法訓練路徑檢測網(wǎng)絡(luò)，包括：獲取訓練三維檢測物位置圖像；所述訓練三維檢測物位置圖像表示歷史時間點用于訓練的三維檢測物位置圖像；基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢測路徑；所述第一檢測路徑表示多個路徑檢測算法中能獲取檢測物的完整表面的最短路徑；將所述第一檢測路徑對應的路徑檢測算法作為確定算法；基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢測算法；所述第一檢測算法表示預測的適合三維檢測物位置圖像的算法；將所述確定算法與第一檢測算法求取損失，訓練路徑檢測網(wǎng)絡(luò)。35.根據(jù)權(quán)利要求4所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢測路徑，所述路徑檢測算法的輸入為訓練三維檢測物位置圖像中檢測物的位置和對應的約束條件模塊中的多個約束數(shù)據(jù)；多個路徑檢測算法對應獲得多個訓練檢測路徑；所述訓練檢測路徑表示路徑檢測算法對應的能獲取檢測物的完整表面的路徑；在多個訓練檢測路徑中，將節(jié)點數(shù)量最少的訓練檢測路徑作為第一檢測路徑。6.根據(jù)權(quán)利要求4所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢測算法，所述路徑檢測網(wǎng)絡(luò)的輸入為訓練三維檢測物位置圖像；所述路徑檢測網(wǎng)絡(luò)的輸出為第一檢測算法。7.根據(jù)權(quán)利要求3所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路徑檢測算將三維檢測物位置圖像輸入訓練好的路徑檢測網(wǎng)絡(luò)，得到第二檢測算法；將約束條件模塊中的多個約束數(shù)據(jù)和三維檢測物位置圖像中檢測物的位置輸入第二8.根據(jù)權(quán)利要求2所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述路徑檢測網(wǎng)絡(luò)輸出神經(jīng)元的數(shù)量等于算法模塊中內(nèi)置的路徑檢測算法的數(shù)9.根據(jù)權(quán)利要求1所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特所述圖像識別網(wǎng)絡(luò)包括第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)；將所述激光深度圖像、紅外圖像和攝像圖像分別輸入第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)，得到第一異物特征、第二異物特征和第三異物特征；將所述第一異物特征、第二異物特征和第三異物特征進行疊加，得到重疊特征；將所述重疊特征輸入全連接神經(jīng)網(wǎng)絡(luò)，得到多個異物位置。10.根據(jù)權(quán)利要求3所述的基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，其特征在于，所述基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑，包括：獲取多個激光視角圖像；所述激光視角圖像表示無人機在多個視角下激光雷達獲取的包含檢測物的圖像；按照時間點從早到晚的順序，將多個激光視角圖像對應無人機所在位置進行排列，得到初始檢測路徑；將多個激光視角圖像進行三維重建，得到檢測物位置圖像；所述檢測物位置圖像表示檢測物在三維上的位置；在三維區(qū)域圖像標記檢測物位置圖像中的檢測物對應的位置，得到三維檢測物位置圖4基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及計算機技術(shù)領(lǐng)域，具體而言，涉及一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)。背景技術(shù)[0002]機場場面是飛機起降和滑行的關(guān)鍵區(qū)域，任何在場面上的異物都有可能對飛機的安全運行造成嚴重影響，并引發(fā)嚴重后果。一般通過跑道兩側(cè)固定的探測基站，利用毫米波雷達探測為主、視頻圖像識別為輔的手段進行探測。還能夠采用多點位視頻圖像識別技術(shù)進行探測。這些系統(tǒng)雖然可以實現(xiàn)FOD的主動探測，但是其探測精度和范圍會受到系統(tǒng)安裝方式及位置的影響，想要實現(xiàn)大范圍較高精度的FOD探測，需要同時布置較多數(shù)量的探測點位，這大大提升了系統(tǒng)成本，而且受限于機場復雜的電磁環(huán)境和場面布局，探測點位的安裝與使用都有較大的局限性，限制了此類系統(tǒng)的應用與推廣。目前，大多數(shù)機場仍依靠道面巡查人員進行人工巡查，需要關(guān)閉跑道進行巡查，這不僅效率低、可靠性差，還占用了寶貴的跑道使用時間。此外，目前機場跑道異物檢測系統(tǒng)還未普及應用也是因為現(xiàn)有系統(tǒng)成本較高，還沒有相應成熟的可用技術(shù)或產(chǎn)品。[0003]因此，有必要研究和開發(fā)低成本、大探測范圍、方便實用的機場跑道FOD巡檢與運行安全保障系統(tǒng)，使機場安全人員可以實現(xiàn)對場面區(qū)域異物安全態(tài)勢大面積覆蓋的遠程監(jiān)控，并對檢測出的異物進行定點標注，將對應的信息發(fā)送至機場運行監(jiān)控系統(tǒng)進行記錄；還可以根據(jù)標注信息，規(guī)劃對異物進行定點清除的最佳路徑，盡量減少機場安全人員的工作量，降低機場方面花費在FOD檢測清理上的時間和人力成本，提升機場運行效率；同時提升[0004]同時，從管理角度考慮，管理人員可以根據(jù)FOD檢測的數(shù)據(jù)，分析航班以及機場運行的安全態(tài)勢，為優(yōu)化對應的運行規(guī)章制度提出參考，對民航高質(zhì)量發(fā)展具有重要的意義。發(fā)明內(nèi)容[0005]本發(fā)明的目的在于提供了一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，用以解決現(xiàn)有技術(shù)中存在的上述問題。[0006]所述基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)包括探測設(shè)備、FOD檢測模塊、任務調(diào)度模塊和無線數(shù)傳模塊：所述探測設(shè)備包含高清攝像頭、激光雷達、紅外傳感器；所述探測設(shè)備固定在無人機上；所述任務調(diào)度模塊用于，調(diào)整探測設(shè)備的拍攝位置，得到第二檢測路徑；所述第二檢測路徑由多個拍攝位置作為路徑的節(jié)點；所述第二檢測路徑為最短路徑且全部的節(jié)點拍攝的圖像能獲取檢測物的完整表面；所述檢測物表示需要進行巡檢的物體；所述探測設(shè)備用于，獲取第二檢測路徑上的節(jié)點對應的三模圖像集合；所述三模圖像集合包括激光深度圖像、紅外圖像和攝像圖像；5FOD檢測模塊用于，通過圖像識別網(wǎng)絡(luò)，基于所述三模圖像集合，得到多個異物位所述任務調(diào)度模塊用于，根據(jù)多個異物位置，進行路徑規(guī)劃，得到異物檢測路徑；所述異物檢測路徑表示清除異物的路徑。所述約束條件模塊用于獲取多個約束數(shù)據(jù)；所述算法模塊中內(nèi)置多個路徑檢測算法；所述深度學習模塊內(nèi)置路徑檢測網(wǎng)絡(luò)；采用多個路徑檢測算法訓練路徑檢測網(wǎng)絡(luò)。根據(jù)多個約束數(shù)據(jù)，標記無人機限制飛行的位置，得到三維區(qū)域圖像；所述三維區(qū)域圖像中的灰度值為1的位置表示無人機能夠進行飛行的位置，灰度值為0的位置表示限制基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑；所述三維檢測物位置圖像表示標記了檢測物的位置和限飛的位置的圖像；所述初始檢測路徑表示初始設(shè)定且獲取檢測物的完整表面的路徑；通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路徑檢測算法，得到第二檢測路徑；采用第二檢測路徑替換初始檢測路徑。獲取訓練三維檢測物位置圖像；所述訓練三維檢測物位置圖像表示歷史時間點用于訓練的三維檢測物位置圖像；基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢測路徑；所述第一檢測路徑表示多個路徑檢測算法中能獲取檢測物的完整表面的最短路徑；將所述第一檢測路徑對應的路徑檢測算法作為確定算法；基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢測算法；所述第一檢測算法表示預測的適合三維檢測物位置圖像的算法；將所述確定算法與第一檢測算法求取損失，訓練路徑檢測網(wǎng)絡(luò)。[0010]可選的，所述基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢所述路徑檢測算法的輸入為訓練三維檢測物位置圖像中檢測物的位置和對應的約束條件模塊中的多個約束數(shù)據(jù)；多個路徑檢測算法對應獲得多個訓練檢測路徑；所述訓練檢測路徑表示路徑檢測算法對應的能獲取檢測物的完整表面的路徑；在多個訓練檢測路徑中，將節(jié)點數(shù)量最少的訓練檢測路徑作為第一檢測路徑。[0011]可選的，所述基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢所述路徑檢測網(wǎng)絡(luò)的輸入為訓練三維檢測物位置圖像；所述路徑檢測網(wǎng)絡(luò)的輸出為第一檢測算法。6[0012]可選的，所述通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路將三維檢測物位置圖像輸入訓練好的路徑檢測網(wǎng)絡(luò)，得到第二檢測算法；[0013]可選的，所述路徑檢測網(wǎng)絡(luò)輸出神經(jīng)元的數(shù)量等于算法模塊中內(nèi)置的路徑檢測算法的數(shù)量。[0014]可選的，所述通過圖像識別網(wǎng)絡(luò)，基于所述三模圖像集合，得到多個異物位置，包所述圖像識別網(wǎng)絡(luò)包括第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)將所述激光深度圖像、紅外圖像和攝像圖像分別輸入第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)，得到第一異物特征、第二異物特征和第三異物特征；將所述第一異物特征、第二異物特征和第三異物特征進行疊加，得到重疊特征；將所述重疊特征輸入全連接神經(jīng)網(wǎng)絡(luò)，得到多個異物位置。[0015]可選的，所述基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑，獲取多個激光視角圖像；所述激光視角圖像表示無人機在多個視角下激光雷達獲取的包含檢測物的圖像；按照時間點從早到晚的順序，將多個激光視角圖像對應無人機所在位置進行排將多個激光視角圖像進行三維重建，得到檢測物位置圖像；所述檢測物位置圖像表示檢測物在三維上的位置；在三維區(qū)域圖像標記檢測物位置圖像中的檢測物對應的位置，得到三維檢測物位[0016]相較于現(xiàn)有技術(shù)，本發(fā)明實施例達到了以下有益效果：通過多個動態(tài)規(guī)劃的路徑檢測算法訓練能夠鑒別出適合當前約束數(shù)據(jù)和檢測物的路徑檢測網(wǎng)絡(luò)，使得更加準確和快速的找到最優(yōu)路徑。[0017]采用無人機技術(shù)與深度學習目標檢測算法相結(jié)合實現(xiàn)對機場場面異物的檢測，無人機可以搭載高清相機、激光雷達和紅外等多傳感器組合的探測裝置在機場空域中按照一定的飛行軌跡對機場場面進行實時檢測，可以實現(xiàn)大面積、遠距離的機場跑道或者滑行道中的FOD檢測；同時無人機可以進行機動靈活的移位，方便快速進離場，這避免了傳統(tǒng)方式下需要關(guān)閉機場跑道以方便人工檢查從而占用大量的時間，以及由此帶來的機場運行效率的降低，也避免了中斷航班運行的影響以及由此給航空公司帶來的經(jīng)濟損失。[0018]實現(xiàn)基于無人機和多傳感器的跑道FOD智能巡檢，顯著提高FOD檢測效率和精準人機巡檢飛行路徑在提升任務執(zhí)行的自動化程度的同時，確保無人機與航空器混合運行時的安全間隔，防止了同航班的潛在沖突。7附圖說明[0019]圖1是本發(fā)明實施例提供的一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)中執(zhí)行的方法的流程圖。[0020]圖2是本發(fā)明實施例提供的一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)中算法模塊和深度學習模塊的結(jié)構(gòu)示意圖。[0021]圖3為本發(fā)明實施例提供的一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)的工作流程圖。[0022]圖4為本發(fā)明實施例提供的一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)的原理框圖。具體實施方式[0025]本發(fā)明實施例提供了一種基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系其中，所述無線數(shù)傳模塊用于將所述無人機檢測信息傳輸?shù)紽OD檢測模塊中。[0026]所述探測設(shè)備包含高清攝像頭、激光雷達、紅外傳感器；所述探測設(shè)備固定在無人S101:調(diào)整探測設(shè)備的拍攝位置，得到第二檢測路徑；所述第二檢測路徑由多個拍攝位置作為路徑的節(jié)點；所述第二檢測路徑為最短路徑且全部的節(jié)點拍攝的圖像能獲取檢測物的完整表面；所述檢測物表示需要進行巡檢的物體。[0028]其中，所述拍攝位置表示探測設(shè)備拍攝激光深度圖像、紅外圖像和攝像圖像的位[0029]其中，本實施例中，將路徑中節(jié)點的數(shù)量設(shè)為n,連接節(jié)點的邊長為設(shè)m,0.7n+0.5m[0030]其中，全部的節(jié)點拍攝的圖像能獲取檢測物的完整表面的原因在于每個節(jié)點拍攝時能夠獲取檢測物的一部分，而全部的節(jié)點拍攝的各個方向的圖像能夠獲取檢測物表面的全部區(qū)域。[0031]其中，所述基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)，還包括定位模塊。在無人機平臺上采用定位模塊控制探測設(shè)備到拍攝位置執(zhí)行機場場面掃描和數(shù)據(jù)收集[0032]其中，在地面控制臺上通過FOD檢測模塊和任務調(diào)度模塊進行圖像處理和路徑規(guī)劃。將圖像、路徑等各類數(shù)據(jù)利用數(shù)據(jù)可視化平臺中實時展示工作動態(tài)。[0033]其中，所述地面控制臺與無人機平臺之間通過無線數(shù)傳模塊來傳輸數(shù)據(jù)。本實施例中，所述無線數(shù)傳模塊為5G/無線數(shù)傳模塊。[0034]其中，所述任務調(diào)度模塊包括清理路徑規(guī)劃組件、機場運行電子態(tài)勢組件和飛行路徑規(guī)劃組件。所述清理路徑規(guī)劃組件用于獲取工作人員清理異物的路徑。所述飛行路徑規(guī)劃組件用于獲取無人機飛行的路徑。所述機場運行電子態(tài)勢組件用于判斷機場中檢測物8為靜止或運動的狀態(tài)。[0035]其中，所述基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)的原理框圖如圖4所示。[0036]其中，所述第二檢測路徑由飛行路徑[0037]其中，所述第二檢測路徑為根據(jù)圖3所述的覆蓋最大和速度最快的策略優(yōu)化獲取的路徑。所述策略優(yōu)化中通過獲取檢測物的完整表面來表示覆蓋最大。采用路徑映射和指令生成進行路徑生成，所述路徑映射用于映射為第二檢測路徑，所述指令生成用于生成已經(jīng)獲取了第二檢測路徑的指令。S102:獲取第二檢測路徑上的節(jié)點對應的三模圖像集合；所述三模圖像集合包括激光深度圖像、紅外圖像和攝像圖像。[0039]其中，在執(zhí)行FOD巡檢飛行任務的過程中，無人機平臺搭載的探測設(shè)備實時記錄當前場面的情況，并將生成的激光深度圖像、紅外圖像和攝像圖像通過5G無線數(shù)傳模塊實時回傳給地面控制臺。[0040]其中，如圖3所示，采用飛控指令進行視頻圖像采集、紅外圖像采集和激光雷達深度圖像采集。所述飛控指令表示控制無人機飛行到拍攝位置進行拍攝的指令。S103:通過圖像識別網(wǎng)絡(luò)，基于所述三模圖像集合，得到多個異物位置。[0043]其中，如圖3所示，將三模圖像集合作為圖像數(shù)據(jù)進行基于深度學習的目標檢測，本實施例中，采用圖像識別網(wǎng)絡(luò)進行目標檢測。[0044]所述任務調(diào)度模塊用于，S104:根據(jù)多個異物位置，進行路徑規(guī)劃，得到異物檢測路徑；所述異物檢測路徑表示清除異物的路徑。續(xù)近似算法、元啟發(fā)式算法，找到通過異物位置之間距離最短的路徑，進[0047]其中，基于無人系統(tǒng)的機場場面FOD巡檢與運行安全保障系統(tǒng)中執(zhí)行的方法的流程圖如圖1所示。[0048]可選的，所述任務調(diào)度模塊包括約束條件模塊、算法模塊和深度學習[0049]其中，所述算法模塊和深度學習模塊的結(jié)構(gòu)示意圖如圖2所示。圖2中的三維檢測物位置圖像中檢測物的位置和對應的約束條件模塊中的多個約束數(shù)據(jù)表示在檢測時輸入的數(shù)據(jù)。所以其對應的第一訓練檢測路徑、第二訓練檢測路徑和第一檢測路徑表示在檢測時獲取的路徑。[0050]所述約束條件模塊用于獲取多個約束數(shù)據(jù)。[0053]其中，所述工作安全限制信息存儲在地面控制臺的數(shù)據(jù)庫中。所述約束數(shù)據(jù)包括電子地圖、禁飛區(qū)和續(xù)航能力作為安全限制。任務約束包括任務時間、機隊數(shù)量和電子圍欄9和航班動態(tài)。所述航班動態(tài)表示機場是否停機。所述電子圍欄表示無人機不能通過的區(qū)域；特殊指令表示因任務中斷或應急撤離控制無人機的指令。機隊數(shù)量表示機場中的機隊的數(shù)量。所述特殊指令包括任務中斷和應急撤離的指令。接受到特殊指令時，控制無人機停止作業(yè)。[0054]所述算法模塊中內(nèi)置多個路徑檢測算法。和聚類-路徑算法。[0056]所述深度學習模塊內(nèi)置路徑檢測網(wǎng)絡(luò)。[0057]采用多個路徑檢測算法訓練路徑檢測網(wǎng)絡(luò)。根據(jù)多個約束數(shù)據(jù)，標記無人機限制飛行的位置，得到三維區(qū)域圖像；所述三維區(qū)域圖像中的灰度值為1的位置表示無人機能夠進行飛行的位置，灰度值為0的位置表示限制[0060]基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑；所述三維檢測物位置圖像表示標記了檢測物的位置和限飛的位置的圖像；所述初始檢測路徑表示初始設(shè)定且獲取檢測物的完整表面的路徑。[0061]通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路徑檢測算法，得到第二檢測路徑。[0062]采用第二檢測路徑替換初始檢測路徑。獲取訓練三維檢測物位置圖像；所述訓練三維檢測物位置圖像表示歷史時間點用于訓練的三維檢測物位置圖像。[0064]基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢測路徑。所述第一檢測路徑表示多個路徑檢測算法中能獲取檢測物的完整表面的最短路徑。[0066]將所述第一檢測路徑對應的路徑檢測算法作為確定算法。[0067]其中，所述確定算法用對應的路徑檢測網(wǎng)絡(luò)的標號表示。[0068]基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢測算法；所述第一檢測算法表示預測的適合三維檢測物位置圖像的算法。[0069]其中，所述第一檢測算法用對應的路徑檢測網(wǎng)絡(luò)的標號表示。[0070]將所述確定算法與第一檢測算法求取損失，訓練路徑檢測網(wǎng)絡(luò)。[0072]可選的，所述基于訓練三維檢測物位置圖像，通過多個路徑檢測算法，得到第一檢所述路徑檢測算法的輸入為訓練三維檢測物位置圖像中檢測物的位置和對應的約束條件模塊中的多個約束數(shù)據(jù)。[0073]其中，所述約束條件模塊中的約束數(shù)據(jù)也為歷史時間點的用于訓練的約束數(shù)據(jù)。[0074]多個路徑檢測算法對應獲得多個訓練檢測路徑；所述訓練檢測路徑表示路徑檢測算法對應的能獲取檢測物的完整表面的路徑。[0075]在多個訓練檢測路徑中，將最短路徑的訓練檢測路徑作為第一檢測路徑。[0076]其中，本實施例中，將支切割算法作為第一路徑檢測算法，輸出的最優(yōu)路徑作為第一訓練檢測路徑。將節(jié)約里程算法作為第二路徑檢測算法，輸出的最優(yōu)路徑作為第二訓練檢測路徑。將人工蜂群算法作為第三路徑檢測算法，輸出的最優(yōu)路徑作為第三訓練檢測路徑。將連分式逼近算法作為第四路徑檢測算法，輸出的最優(yōu)路徑作為第四訓練檢測路徑。將聚類-路徑算法作為第五路徑檢測算法，輸出的最優(yōu)路徑作為第五訓練檢測路徑。將第一訓練檢測路徑、第二訓練檢測路徑、第三訓練檢測路徑、第四訓練檢測路徑和第五訓練檢測路徑中的最短的路徑作為第一檢測路徑。[0077]可選的，所述基于所述訓練三維檢測物位置圖像，通過路徑檢測網(wǎng)絡(luò)，得到第一檢路徑檢測網(wǎng)絡(luò)的輸入為三維檢測物位置圖像；所述路徑檢測網(wǎng)絡(luò)的輸出為第一檢測算法。[0078]其中，本實施例中，所述路徑檢測網(wǎng)絡(luò)為三維卷積神經(jīng)網(wǎng)絡(luò)(3DConvolutionalNeuralNetworks,3DCNN)。[0079]可選的，所述通過訓練好的路徑檢測網(wǎng)絡(luò)，基于三維檢測物位置圖像，判別多個路將三維檢測物位置圖像輸入訓練好的路徑檢測網(wǎng)絡(luò)，得到第二檢測算法；將約束條件模塊中的多個約束數(shù)據(jù)和三維檢測物位置圖像中檢測物的位置輸入第二檢測算法，得到第二檢測路徑。[0080]可選的，所述路徑檢測網(wǎng)絡(luò)輸出神經(jīng)元的數(shù)量等于算法模塊中內(nèi)置的路徑檢測算法的數(shù)量。[0081]可選的，所述通過圖像識別網(wǎng)絡(luò)，基于所述三模圖像集合，得到多個異物位置，包所述圖像識別網(wǎng)絡(luò)包括第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)[0082]將所述激光深度圖像、紅外圖像和攝像圖像分別輸入第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)，得到第一異物特征、第二異物特征和第三異物特征。[0083]其中，本實施例中，第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)為yolov8網(wǎng)絡(luò)。因為輸入的數(shù)據(jù)不同，所以第一異物檢測網(wǎng)絡(luò)、第二異物檢測網(wǎng)絡(luò)和第三異物檢測網(wǎng)絡(luò)訓練得到的網(wǎng)絡(luò)的參數(shù)不同。[0084]其中，本實施例中，如圖4所示，F(xiàn)OD檢測模塊中達深度圖像識別組件和紅外圖形識別組件，可以智能分析回傳的不同類型的圖像數(shù)據(jù)。采用不同類型的圖像數(shù)據(jù)判定機場場面是否存在異物(ForeignObjectDebris,FOD)。如果存在異物，則提取回傳的圖像數(shù)據(jù)的拍攝位置。如果不存在異物，則發(fā)送不存在的信號。本系統(tǒng)中的視頻圖像識別組件中集成YOLOv8目標檢測算法。[0085]通過上述方法，因為所述YOLOv8目標檢測算法的具有高效的檢測效果，應用范圍十分廣泛，所以能夠準確地識別并檢測出機場場面上存在的異物。11[0086]將所述第一異物特征、第二異物特征和第三異物特征進行疊加，得到重疊特征。[0087]將所述重疊特征輸入全連接神經(jīng)網(wǎng)絡(luò)，得到多個異物位置。[0088]其中，本實施例中，所述全連接神經(jīng)網(wǎng)絡(luò)(FullyConnectedNeuralNetwork,[0089]可選的，所述基于所述三維區(qū)域圖像，得到三維檢測物位置圖像和初始檢測路徑，包括：獲取多個激光視角圖像；所述激光視角圖像表示無人機在多個視角下激光雷達獲取的包含檢測物的圖像。[0090]其中，多個激光視角圖像能夠獲取檢測物的完整表面；按照時間點從早到晚的順序，將多個激光視角圖像對應無人機所在位置進行排列，得到初始檢測路徑。[0091]將多個激光視角圖像進行三維重建，得到檢測物位置圖像；所述檢測物位置圖像表示檢測物在三維上的位置。[0092]其中，本實施例中，將多個激光視角圖像輸入神經(jīng)輻射場(NeuralRadianceFields,NeRF)進行三維重建。[0093]在三維區(qū)域圖像標記檢測物位置圖像中的檢測物對應的位置，得到三維檢測物位置圖像。[0094]其中，三維區(qū)