摘要
机场跑道异物（FOD）入侵是影响航空器飞行安全的重要因素。目前大部分机场仍采用人工巡检FOD入侵，无法满足航空器起降数量增长的需求；仅有少数大型机场配备FOD探测系统。而现有FOD探测技术主要有毫米波雷达、光学成像以及多技术融合探测，各自存在明显的缺陷，其共同的不足是缺乏对异物材质快速判别的能力。另一方面，考虑到高光谱成像具有图谱合一的技术优势，且跑道异物在短波红外（SWIR）波段内往往存在一些联系着材料微观结构的吸收诊断特征，十分有利于对FOD材质的识别，故近红外高光谱在FOD分类识别应用上具有巨大潜力。为此，本文的工作是将近红外高光谱成像技术拓展到FOD检测领域，搭建了室内和外场两套近红外高光谱跑道异物采集系统，利用多种光谱匹配算法和机器学习算法针对典型高危FOD的高光谱图像开展了分类识别研究。最终，通过分析得出了一种基于高光谱成像的FOD分类识别方法，并在机场实验得到了较好地验证。本论文的主要研究结果包括： 1、搭建了波长范围为900~1700nm的室内、外场两套近红外高光谱跑道异物采集系统，采集了大量高危FOD高光谱图像，并提出一套外场FOD高光谱数据采集流程。 2、得到了不同材质的几种常见典型高危异物的光谱特征，分析出异物具备类间可分性，据此针对两种应用场景提出了光谱角匹配（SAM）、光谱信息散度（SID）、光谱相关系数（SCC）及其组合的6种光谱匹配算法，再结合图像连通区域分析法设置面积阈值改善分类效果，然后基于AA、PA、OA、Kappa系数指标来衡量分类效果，得出多分类时SAM-SID结合面积阈值的分类效果最佳。 3、基于高光谱图像数据特征进行了主成分分析（PCA）降维，获得了不相关且能代表光谱特征的主成分波段，构建了PCA-BP、PCA-SVM两种逐像元的分类模型，还对比分析了不同核函数下PCA-SVM分类模型的分类精度，最终将识别效果最好的方法用于机场实地验证。 4、建立了一种基于高光谱成像技术的FOD分类方法。机场验证结果表明，两种场景下本文提出的方法均可得理想分类图，可有效完成机场跑道高危异物分类识别工作。
NETL