买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军海军航空大学申请的专利一种航空器智能检测跟踪与异常分析方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118864433B 。

龙图腾网通过国家知识产权局官网在2025-07-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411055599.9，技术领域涉及：G06T7/00；该发明授权一种航空器智能检测跟踪与异常分析方法是由高龙;吕友彬;张威;刘超慧;柳超;李煊;赵华阳;付熙文;王翔;蒋江涛;楚朋飞设计研发完成，并于2024-08-02向国家知识产权局提交的专利申请。

本一种航空器智能检测跟踪与异常分析方法在说明书摘要公布了：本发明公开了一种航空器智能检测跟踪与异常分析方法，涉及航空器智能检测技术领域，其包括数据采集与预处理：采集起飞与降落区域的机场视频数据，并清洗和归一化；对各图像帧进行整理，标注飞行状态；目标跟踪：检测并跟踪飞机目标；行为异常预警：设计行为异常分析算法，分析飞机目标的飞行状态，用于检测飞行状态行为异常；行为异常状态监视与警告：显示目标位置信息和是否存在行为异常；外观异常检测算法构建：设计基于图像要素解耦的自监督异常检测方法，通过解耦正常图像和异常噪声部分促使模型更好地提取图像中正常区域和异常区域的特征；结果显示。本发明通过智能化手段对航空器的起降过程进行实时监测、追踪和异常状态分析，以确保航空器的安全飞行。针对飞机外观上的小区域异常检测的问题，设计基于图像解耦和生成对抗的飞机异常检测方法，以提高模型对飞机外观异常的检测效果。

本发明授权一种航空器智能检测跟踪与异常分析方法在权利要求书中公布了：1.一种航空器智能检测跟踪与异常分析方法，其特征在于，具体包括如下步骤： 步骤1、数据采集与预处理 采用多个枪型摄像头采集起飞与降落区域的机场视频数据，并对视频数据进行清洗和归一化；对视频数据中各图像帧进行整理，标注飞机目标的飞行状态； 步骤2、目标跟踪 检测并跟踪飞机目标； 步骤3、行为异常预警 设计行为异常分析算法，分析飞机目标的飞行状态，用于检测由于地面局部气流、飞行员操作导致的飞行状态行为异常； 步骤4、行为异常状态监视与警告 显示目标位置信息和是否存在行为异常； 步骤5、外观异常检测算法构建 设计基于图像要素解耦的自监督异常检测方法，通过解耦正常图像和异常噪声促使模型更好地提取图像中正常区域和异常区域的特征；具体包括以下步骤：5-1、剪裁图像，获得飞机目标图像； 对图像进行剪裁：对步骤1中的飞机目标检测跟踪数据集中包含飞机目标的图像帧，根据步骤1所标注的位置信息x1,y1,x2,y2裁剪该位置坐标所标记的垂直框区域，获得长宽尺寸为x2-x1,y2-y1的飞机目标切片，并统一调整尺寸至64×64×3，获得飞机目标图像； 根据上述图像裁剪方式，分别对步骤1所构建的飞机目标检测跟踪数据集中的检测跟踪训练集、检测跟踪验证集、检测跟踪测试集的图像帧切取飞机目标图像，获得外观异常检测算法的外观异常检测训练集、外观异常检测验证集、外观异常检测测试集； 5-2、对于外观异常检测训练集图像A，随机采用下述三种方式中的一种，获得外观异常检测算法的输入图像X； 第一种是随机产生尺寸为64×64、均值μ＝0.3，标准差σ＝0.2的高斯噪声掩码M，按通道复制三份后与64×64×3的外观异常检测训练集图像A相加； 第二种是在尺寸64×64像素值全为1的模板中随机产生k个大小为n×n、像素值为0的掩码M，然后将掩码与外观异常检测训练集图像A逐像素相乘，此处设置k＝5，n＝8； 第三种是通过随机选择一张外观异常检测训练集图像并切取j个大小为n×n的图像块，与权重系数α相乘后作为掩码M随机叠加到外观异常检测训练集图像A中，此处设置j＝5，n＝8，α取0.2～0.8内的随机值； 5-3、图像解耦网络构建 图像解耦网络通过分解并重建图像实现对异常区域的检测；该网络输入为步骤5-2处理后的输入图像X，经过Enc、DecY、DecM后输出为重建的64×64×3的重建图像Yout和重建掩码噪声Mout； 图像解耦网络分为编码器Enc，解码器DecY和DecM，其中Enc将输入图像X编码为4096长度的向量F，DecY的输入为向量F，输出为重建图像Yout，其训练目标为促使DecY解码的Yout尽量等于步骤5-2中的外观异常检测训练集图像A；DecM将向量F解码为外观异常检测训练集图像在步骤5-2所加的掩码噪声Mout，其训练目标为促使DecM解码的重建掩码噪声Mout尽量等于步骤5-2所加掩码M； 5-4、重建图像优化 构造生成对抗网络Dis以提升模型对外观异常检测训练集图像A的重建效果；所设计生成对抗网络Dis的输入D是步骤5-3中DecY输出的重建图像Yout，或与重建图像Yout对应的外观异常检测训练集图像A，输出为生成对抗网络Dis对输入D是外观异常检测训练集图像A还是重建图像Yout的真伪判断；其中，重建图像Yout对应标签为0，外观异常检测训练集图像A对应标签为1； 随机选择一批外观异常检测训练集图像，输入至5-3所述的图像解耦网络，并产生相应重建图像，然后将该批外观异常检测训练集图像和相应重建图像打乱顺序，构成生成对抗网络的输入，作为生成对抗网络Dis的输入图像，经conv3,2,32,conv3,2,64,conv3,2,128,conv3,2,256后展开再连接长度为2048的全连接层，最后连接至真伪两个节点； 使用二分类损失优化生成对抗网络的真伪判别： 其中，N是批次大小，即一次训练迭代中使用的图像数量；xi是生成对抗网络的输入D中第i个图像，可以是来自外观异常检测训练集的图像也可以是DecY解码重建的图像；yi是xi来源的标签，对于来自外观异常检测训练集的图像其值为1，对于DecY解码重建的图像其值为0；Dxi是判别器对第i个图像的输出，即判别器认为该图像是来自外观异常检测训练集的图像的程度； 5-5、解耦重建损失函数优化 设计扩展Focalloss损失函数LEF如下： 其中为各像素点的真实值；对于DecY分支，该真实值为外观异常检测训练集图像A，对于DecM分支，该真实值为根据步骤5-2所产生的掩码M；为预测值，对于DecY分支，该预测值为5-3中DecY的重建输出Yout，对于DecM分支，该预测值为步骤5-3中DecM的输出重建掩码噪声Mout； 5-6、EDAD模型训练 ①从5-1所构造外观异常检测训练集取e个飞机目标图像Ain，根据5-2方法随机选择一种噪声添加方式产生掩码Min，然后随机添加至飞机目标图像Ain，获得相应的一批e个输入图像Xin； ②将一批e个输入图像Xin输入至如步骤5-3方法所构建的图像解耦网络中的Enc、DecY和DecM，从DecY输出获得e张重建图像从DecM输出获得e个重建掩码噪声根据公式5分别计算与Ain、与Min的损失，然后回传优化网络DecY、DecM和Enc； ③将步骤②输出的重建图像与步骤①选取的原始飞机目标图像Xin混淆后输入如步骤5-4方法构建的生成对抗网络Dis，根据公式2计算真伪鉴别损失并更新Enc、DecY的网络权重； ④重复①～③500次，最终获得训练好的EDAD模型； 5-7、阈值计算； 在经5-6完成模型训练后，保留Enc、DecY部分，并嵌入到所设计的异常预警模块中，作为外观异常检测的应用模型；向上述应用模型中输入5-1构造的外观异常检测验证集图像Xv，经过DecY获得重建图像Yv，然后根据公式6计算该图像的平均重建误差μY； 对所有验证集图像重复此操作，然后计算μY的平均值及标准差σY，将θ＝μY+σY作为外观异常检测的阈值； 5-8模型测试 对于5-1所构造外观异常检测测试集图像，输入至5-7所述外观异常检测的应用模型中，获得DecY输出的重建图像，然后根据公式6计算重建误差μY；若重建误差μY大于θ，则在显示模块中将该飞机以红色框在步骤1所采集视频中相应位置标出，并提供外观异常的警告； 步骤6、结果显示 将所采集图像根据其位置排列进行拼接，并显示在屏幕中，根据步骤2显示飞机目标跟踪结果，并对飞机目标以绿框标示；后台运行步骤3、4所构造行为异常检测方法和步骤5所构造外观异常检测方法，对于检测到存在异常的目标以红框标示，并提供警告。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军海军航空大学，其通讯地址为：264000 山东省烟台市芝罘区二马路188；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。