CN101694681A - 一种鸟击风险评估系统及其评估方法 - Google Patents
一种鸟击风险评估系统及其评估方法 Download PDFInfo
- Publication number
- CN101694681A CN101694681A CN200910210015A CN200910210015A CN101694681A CN 101694681 A CN101694681 A CN 101694681A CN 200910210015 A CN200910210015 A CN 200910210015A CN 200910210015 A CN200910210015 A CN 200910210015A CN 101694681 A CN101694681 A CN 101694681A
- Authority
- CN
- China
- Prior art keywords
- bird
- image
- radar
- flying
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种鸟击风险评估系统及其风险评估方法,所述系统由雷达、图像采集设备、飞鸟目标识别模块、鸟击风险评估模型和鸟情数据库构成。雷达实时地输出视频信号,图像采集设备将视频信号转换为数字雷达图像,飞鸟目标识别模块基于图像采集设备输出的数字雷达图像,识别出飞鸟目标并提取出相关鸟情信息,鸟击风险评估模型基于飞鸟目标识别模块提取的鸟情信息,对实时的鸟击风险进行评估,输出鸟击风险系数;鸟情数据库储存了飞鸟目标识别模块提取的鸟情信息和鸟击风险评估模型给出的鸟击风险系数。应用本发明方法可以准确的对机场周围飞鸟情况进行预警和掌握,便于工作人员清理和飞机驾驶人员有效规避风险。
Description
技术领域
本发明属于风险评估技术领域,涉及一种鸟击风险评估技术,主要应用于鸟击防范中的鸟情数据统计,具体地说,是指一种基于雷达图像提取的鸟情信息进行鸟击风险评估的系统及其评估方法。
背景技术
鸟击是指航空器起降或飞行过程中和鸟类、蝙蝠等飞行物相撞的事件。自从有了航空器就有了鸟击事件,据统计,仅北美地区每年鸟击造成的军用和民用航空损失就超过5亿美元并且危及乘客生命安全,欧洲每万次飞机起降平均有5.7次鸟击。中国民航在2001-2007年间,报告的鸟击事件共1055次,导致事故征候215次,造成中等程度以上损伤217起,在维修中统计的直接损失超过2.7亿人民币,间接损失更加难以计算。
当前鸟击防范主要采用目测或望远镜目测鸟类活动然后采用某些方法进行鸟类驱赶,这种方法的局限性是明显的,特别是在周围建筑和植被较复杂的情况下,发现鸟类和驱赶鸟类变得越来越复杂。观测和统计鸟类迁徙和在机场附近的规律,对于鸟击防范具有重要意义。
发明内容
本发明的目的在于:提出了一种鸟击风险评估系统及其评估方法,用来指导鸟击防范中鸟情数据库的建立,为鸟击防范工作提供了有利的技术支持。
本发明提供的一种鸟击风险评估系统,它主要由雷达、图像采集设备、飞鸟目标识别模块、鸟击风险评估模型和鸟情数据库构成。雷达实时地输出视频信号,图像采集设备将视频信号转换为数字雷达图像,飞鸟目标识别模块基于图像采集设备输出的数字雷达图像,识别出飞鸟目标并提取出相关鸟情信息,鸟击风险评估模型基于飞鸟目标识别模块提取的鸟情信息,对实时的鸟击风险进行评估,输出鸟击风险系数。鸟情数据库储存了飞鸟目标识别模块提取的鸟情信息和鸟击风险评估模型给出的鸟击风险系数。
本发明提供的一种鸟击风险评估方法,包括如下步骤:
(a)雷达监测飞鸟情况,并实时输出视频信号;
(b)视频信号转换为数字雷达图像;采用图像采集卡或外置图像采集盒将视频信号转换为数字雷达图像,图像中每个像素的灰度值反映了雷达回波的强弱;
(c)飞鸟目标识别与信息提取;
具体过程为:首先对数字雷达图像背景差分;对经过背景差分的雷达图像进行杂波抑制获得二值图像,对二值图像中不同的区域进行标识,计算出每个独立区域的中心坐标、像素数和独立区域的总数,每个独立区域代表一个飞鸟目标,中心坐标代表鸟类目标位置,像素数代表鸟类目标大小,独立区域的个数代表鸟类数量,通过连续两幅图像的对比,计算出飞鸟的飞行速度,通过不同目标像素数的多少,区分出飞鸟目标和飞行器目标;
(d)根据鸟情信息获得鸟击风险评估系数;
由评价专家给鸟情信息中的每个因素打分,利用数学模型计算出每个因素的权重;同时,将获得的鸟情信息中的每个因素划分等级,分别赋以不同的分值,最后通过求加权和计算出鸟击风险系数,最后将鸟击风险系数储存在鸟情数据库中。
本发明的优点是:提供了一种新的鸟击风险评估方法,利用该方法建立的鸟情数据库为鸟击防范工作提供了有利的技术支持。
附图说明
图1是本发明鸟击风险评估系统结构示意图;
图2是本发明鸟击风险评估方法流程图;
图3是某机场的一幅雷达PPI图像;
图4是对图3中PPI图像进行目标信息识别与提取后的图像。
具体实施方式
下面对本发明做进一步详细描述。参见图1,本发明提供了一种鸟击风险评估系统,所述的系统由雷达1、图像采集设备2、飞鸟目标识别模块3、鸟击风险评估模型4和鸟情数据库5构成。所述雷达1用于探测和搜索目标,并实时的输出视频信号;所述图像采集设备2用于将视频信号转换为数字雷达图像;所述飞鸟目标识别模块3基于图像采集设备输出的数字雷达图像,识别出飞鸟目标并提取相关鸟情信息,并储存在鸟情数据库5;所述鸟击风险评估模型4根据飞鸟目标识别模块3提取的鸟情信息,对实时的鸟击风险进行评估,输出鸟击风险评估系数,并储存在鸟情数据库5中。基于上述的鸟击风险评估系统的鸟击风险评估方法,如图2所示流程图,具体步骤如下:
(1)雷达监测飞鸟情况,并实时输出视频信号;
所述的雷达1包括但不限于海事雷达、气象雷达和空中交通指挥雷达,雷达对周围环境中的飞鸟情况进行实时监测,并实时地输出视频信号。
(2)视频信号转换为数字雷达图像;
图像采集设备2由图像采集卡或外置图像采集盒构成,将视频信号转换为数字雷达图像,数字雷达图像包括但不限于平面位置指示(PPI)图像,图像中每个像素的灰度值反映了雷达回波的强弱。
(3)飞鸟目标识别与信息提取;
飞鸟目标识别软件基于图像采集设备输出的数字雷达图像,识别出飞鸟目标并提取出相关鸟情信息,鸟情信息包括但不限于鸟类数量、鸟类大小、飞行高度、飞行速度和活动区域等。最后将识别结果和提取的信息储存在鸟情数据库5中。其具体识别与提取过程如下:
(a):背景差分。
所述的背景差分是指从原始探鸟雷达PPI图像中减去背景图像,所述的背景图像通过平均值法或主成分分析法进行构造。
平均值法是最常用、最简单的背景构造方法,这种方法通常适应于场景内的目标滞留时间较短、目标出现并不频繁的情况,针对每一帧图像重新构造背景,计算公式如下:
式中,N为重构背景所用的图像数,Bk为重构后的图像,Bk-1为针对上一帧构造的背景图像,fk为第k帧图像。本发明中,每隔一定时间(5~10min)就重新构造一次背景信息。
(b):对经过背景差分的雷达图像进行杂波抑制。
对于经过背景差分的雷达图像,去除了主要的背景信息,但仍含有大量杂波,特别是边缘杂波,需要通过恒虚警(CFAR)阈值分割和形态学的方法进行杂波抑制。
CFAR阈值分割能够根据背景杂波功率的变化,自动的获取检测门限,以保持虚警不变的特性,是一种提供检测阈值的雷达信号处理方法。经过CFAR阈值分割的雷达图像称为二值图像,其中目标由亮色表示,初步确定了目标区域。此二值图像由形态学作进一步处理,去除像素数较少的杂波区域。形态学处理是指以腐蚀和膨胀这两种方法为基础,分别运用这两种方法及其组合可以进行图像形状和结构的分析和处理,包括图像分割、特征抽取、边界检测、图像滤波和恢复等。
经过背景差分和杂波抑制后获得的二值图像,需要进行目标信息提取,首先必须确定目标在图像中是否为独立的区域,共有几个区域,这就需要对不同的区域进行标识,即给每个独立的区域标定相同的数字。计算出每个独立区域的中心坐标、像素数和独立区域的总数。每个独立区域代表一个飞鸟目标,中心坐标代表鸟类目标位置(飞行高度和活动区域),像素数代表鸟类目标大小,独立区域的个数代表鸟类数量,通过连续两幅图像的对比,可以计算出飞鸟的飞行速度。通过不同目标像素数的多少,可以区分出飞鸟目标和飞行器目标。
(4)根据鸟情信息获得鸟击风险评估系数;
鸟击风险评估模型4基于飞鸟目标识别软件提取的鸟情信息,对实时的鸟击风险进行评估,输出鸟击风险系数。影响鸟击风险系数的因素包括但不限于鸟类数量、鸟类大小、飞行高度、飞行速度和活动区域,每种因素所占的权重由相关专家根据一定的数学模型给出,该数学模型包括但不限于层次结构模型。在层次结构模型中,通常由评价专家给每个因素打分,利用层次结构分析法计算出每个因素的权重。同时,将获得的鸟情信息中的每个因素划分等级,分别赋以不同的分值,最后通过求加权和计算出鸟击风险系数。最后将鸟击风险系数储存在鸟情数据库5中。
下面以一个具体的鸟击风险评估实例来说明本发明提供的方法。
指标权重是是递阶层次结构指标体系中下层指标相对上层相关准则的相对重要性程度的度量。考虑到对若干指标直接评价权重的困难,根据心理学家提出的“人区分信息等级的极限能力为”的研究结论,引入九分位的相对重要的比例标度,即萨蒂标度法,构成判断矩阵。矩阵中元素表示“行指标”对“列指标”的相对重要程度的两两比较值,如表1所示。
表1指标标度比较表
在评估鸟击风险时,我们引入了一个变量T即鸟击风险评估系数来定量地描述出现在飞行区的鸟类对机场飞行安全的影响。在鸟情调查资料的基础上,运用生态学知识,通过对鸟击事故的分析确定了四个鸟击安全威胁制约因素,即指标:(1)鸟类种群数量N;(2)鸟类体重W;(3)鸟类飞行高度H;(4)鸟类在机场的出现区域L。其中,鸟类的种群数量是本系统在机场飞行区观察到的某一时刻鸟类的数量;鸟类在机场的出现区域,即某一时刻鸟类在机场飞行区的位置。由鸟类学专家填写指标标度咨询表,给出N,W,H,L四个指标两两之间相对程度的比较值,见表2。
表2专家反馈意见
将专家的反馈信息构建成判断矩阵A,采用方根法或近似计算法求出判断矩阵的权重向量。
方根法:把判断矩阵的每一行各数进行连乘,再对连乘结果进行开方,因素的个数值为开方的指数,开方后的结果进行归一化,得到权重向量。近似计算法:判断矩阵每一行各数求平均值,再进行归一化,得到权重向量的近似值。经计算,PN为0.564,PW为0.098,PH为0.304,PL为0.034。通过调查统计分析,将各指标G划分为n个等级,分别赋予1~n的分值。
评估飞鸟对机场飞行安全影响的风险指数T是一个介于0~1之间的数,根据该数值将危险性划分为五个等级,用蓝(0≤T<0.2)、绿(0.2≤T<0.4)、黄(0.4≤T<0.6)、橙(0.6≤T<0.8)、红(0.8≤T<1)五种颜色进行报警。
以某机场获得的一幅雷达PPI图像(图3)为例。针对该机场的情况,首先给出各指标的等级划分标准,见表3。
表3某机场鸟击风险评估指标等级划分标准
将该机场划分为A、B、C三个区域,跑道及其两侧为A区域,距跑道稍远的区域为B区域,其余为C区域,如图4所示。图中可见,一架航班正在降落,经过飞鸟目标识别算法的处理,飞机用较大的圆点标定在卫星地图上,跑道的北端有三只飞鸟活动,用较小的圆点表示。确定B区域出现3只飞鸟目标,飞行高度低于150m,其中两只小鸟、一只中鸟,由(2)式计算,得到风险指数为0.735,属于较高等级的橙色鸟击风险预警。
Claims (7)
1.一种鸟击风险评估系统,其特征在于:由雷达、图像采集设备、飞鸟目标识别模块、鸟击风险评估模型和鸟情数据库构成;雷达实时地输出视频信号,图像采集设备将视频信号转换为数字雷达图像,飞鸟目标识别模块基于图像采集设备输出的数字雷达图像,识别出飞鸟目标并提取出相关鸟情信息,鸟击风险评估模型基于飞鸟目标识别模块提取的鸟情信息,对实时的鸟击风险进行评估,输出鸟击风险系数;鸟情数据库储存了飞鸟目标识别模块提取的鸟情信息和鸟击风险评估模型给出的鸟击风险系数。
2.根据权利要求1所述的鸟击风险评估系统,其特征在于:所述的雷达包括海事雷达、气象雷达和空中交通指挥雷达,并实时地输出视频信号。
3.根据权利要求1所述的鸟击风险评估系统,其特征在于:所述的图像采集设备由图像采集卡或外置图像采集盒构成,将视频信号转换为数字雷达图像,数字雷达图像包括平面位置指示PPI图像。
4.根据权利要求1所述的鸟击风险评估系统,其特征在于:所述的鸟情信息包括鸟类数量、鸟类大小、飞行高度、飞行速度和活动区域。
5.一种应用权利要求1所述的鸟击风险评估系统进行鸟击风险评估的方法,其特征在于,包括如下步骤:
(a)雷达监测飞鸟情况,并实时输出视频信号;
(b)视频信号转换为数字雷达图像;采用图像采集卡或外置图像采集盒将视频信号转换为数字雷达图像,图像中每个像素的灰度值反映了雷达回波的强弱;
(c)飞鸟目标识别与信息提取;
具体过程为:首先对数字雷达图像背景差分;对经过背景差分的雷达图像进行杂波抑制获得二值图像,对二值图像中不同的区域进行标识,计算出每个独立区域的中心坐标、像素数和独立区域的总数,每个独立区域代表一个飞鸟目标,中心坐标代表鸟类目标位置,像素数代表鸟类目标大小,独立区域的个数代表鸟类数量,通过连续两幅图像的对比,计算出飞鸟的飞行速度,通过不同目标像素数的多少,区分出飞鸟目标和飞行器目标;
(d)根据鸟情信息获得鸟击风险评估系数;
在鸟情调查资料的基础上,运用生态学知识,通过对鸟击事故的分析确定鸟击安全威胁制约因素,并利用数学模型计算出每个因素的权重;同时,将获得的鸟情信息中的每个因素划分等级,分别赋以不同的分值,最后通过求加权和计算出鸟击风险系数,最后将鸟击风险系数储存在鸟情数据库中。
6.根据权利要求5所述的一种应用权利要求1所述的鸟击风险评估系统进行鸟击风险评估的方法,其特征在于:所述的数字雷达图像为平面位置指示图像。
7.根据权利要求5所述的一种应用权利要求1所述的鸟击风险评估系统进行鸟击风险评估的方法,其特征在于:所述的数学模型是指层次结构分析法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910210015XA CN101694681B (zh) | 2008-11-28 | 2009-11-03 | 一种鸟击风险评估系统及其评估方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008102275376A CN101408915A (zh) | 2008-11-28 | 2008-11-28 | 一种鸟击风险评估系统设计方案 |
CN200810227537.6 | 2008-11-28 | ||
CN200910210015XA CN101694681B (zh) | 2008-11-28 | 2009-11-03 | 一种鸟击风险评估系统及其评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101694681A true CN101694681A (zh) | 2010-04-14 |
CN101694681B CN101694681B (zh) | 2011-10-26 |
Family
ID=42093654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910210015XA Expired - Fee Related CN101694681B (zh) | 2008-11-28 | 2009-11-03 | 一种鸟击风险评估系统及其评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101694681B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823983A (zh) * | 2014-03-03 | 2014-05-28 | 中国民航科学技术研究院 | 一种飞机起降过程中的鸟击概率估计方法 |
CN103914626A (zh) * | 2014-04-16 | 2014-07-09 | 中国民航科学技术研究院 | 一种基于指数函数的鸟击风险评估方法 |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN105548970A (zh) * | 2015-12-11 | 2016-05-04 | 无锡市雷华科技有限公司 | 一种飞鸟探测雷达处理机 |
CN106530189A (zh) * | 2016-10-14 | 2017-03-22 | 中国民航科学技术研究院 | 一种基于支持向量机的机场驱鸟智能决策方法 |
US10157468B2 (en) | 2014-05-07 | 2018-12-18 | Nec Corporation | Object detection device, object detection method, and object detection system |
CN109090093A (zh) * | 2018-07-24 | 2018-12-28 | 南京林航新材料科技有限公司 | 一种军用机场鸟害预警防治一体化平台 |
CN110031816A (zh) * | 2019-03-22 | 2019-07-19 | 中国民航科学技术研究院 | 基于探鸟雷达的机场飞行区非合作目标分类识别方法 |
CN110188832A (zh) * | 2019-05-08 | 2019-08-30 | 中国民航科学技术研究院 | 基于探鸟雷达的机场留鸟活动节律统计分析方法 |
CN110226587A (zh) * | 2019-06-20 | 2019-09-13 | 广东省生物资源应用研究所 | 一种智能鸟击防控系统 |
CN111639680A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于专家反馈机制的身份识别方法 |
CN112180970A (zh) * | 2020-08-24 | 2021-01-05 | 江苏中智腾飞信息科技有限公司 | 一种用于无人机飞行的管理系统 |
CN112446569A (zh) * | 2019-08-27 | 2021-03-05 | 福建师范大学地理研究所 | 一种机场鸟击风险评估及可视化系统 |
CN112806348A (zh) * | 2021-01-27 | 2021-05-18 | 郑州师范学院 | 一种驱鸟系统 |
CN112836330A (zh) * | 2019-11-25 | 2021-05-25 | 天津大学 | 基于信息采集信息处理和数据模拟的机场鸟情调查系统和方法 |
CN113014866A (zh) * | 2021-02-05 | 2021-06-22 | 中国民用航空总局第二研究所 | 机场低空鸟类活动监视与风险报警系统 |
CN114654090A (zh) * | 2022-04-20 | 2022-06-24 | 广州明珞装备股份有限公司 | 一种激光焊接追溯方法、系统、装置、工作站以及生产线 |
CN115410370A (zh) * | 2022-08-31 | 2022-11-29 | 南京慧尔视智能科技有限公司 | 一种异常停车检测方法、装置、电子设备及存储介质 |
RU2794379C1 (ru) * | 2022-04-07 | 2023-04-17 | Константин Сергеевич Ермаков | Автоматическая установка для активной защиты воздушного пространства от птиц и малых беспилотных летательных аппаратов |
CN116030501A (zh) * | 2023-02-15 | 2023-04-28 | 北京拙河科技有限公司 | 一种飞鸟检测数据提取方法及装置 |
CN116148862A (zh) * | 2023-01-16 | 2023-05-23 | 无锡市雷华科技有限公司 | 一种探鸟雷达飞鸟综合预警评估方法 |
-
2009
- 2009-11-03 CN CN200910210015XA patent/CN101694681B/zh not_active Expired - Fee Related
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823983A (zh) * | 2014-03-03 | 2014-05-28 | 中国民航科学技术研究院 | 一种飞机起降过程中的鸟击概率估计方法 |
CN103914626A (zh) * | 2014-04-16 | 2014-07-09 | 中国民航科学技术研究院 | 一种基于指数函数的鸟击风险评估方法 |
CN103914626B (zh) * | 2014-04-16 | 2017-01-25 | 中国民航科学技术研究院 | 一种基于指数函数的鸟击风险评估方法 |
US10157468B2 (en) | 2014-05-07 | 2018-12-18 | Nec Corporation | Object detection device, object detection method, and object detection system |
CN104199009A (zh) * | 2014-09-18 | 2014-12-10 | 中国民航科学技术研究院 | 一种基于时域特性的雷达图像杂波抑制方法 |
CN105548970A (zh) * | 2015-12-11 | 2016-05-04 | 无锡市雷华科技有限公司 | 一种飞鸟探测雷达处理机 |
CN106530189A (zh) * | 2016-10-14 | 2017-03-22 | 中国民航科学技术研究院 | 一种基于支持向量机的机场驱鸟智能决策方法 |
CN109090093A (zh) * | 2018-07-24 | 2018-12-28 | 南京林航新材料科技有限公司 | 一种军用机场鸟害预警防治一体化平台 |
CN110031816A (zh) * | 2019-03-22 | 2019-07-19 | 中国民航科学技术研究院 | 基于探鸟雷达的机场飞行区非合作目标分类识别方法 |
CN110031816B (zh) * | 2019-03-22 | 2021-04-27 | 中国民航科学技术研究院 | 基于探鸟雷达的机场飞行区非合作目标分类识别方法 |
CN110188832A (zh) * | 2019-05-08 | 2019-08-30 | 中国民航科学技术研究院 | 基于探鸟雷达的机场留鸟活动节律统计分析方法 |
CN110188832B (zh) * | 2019-05-08 | 2020-12-08 | 中国民航科学技术研究院 | 基于探鸟雷达的机场留鸟活动节律统计分析方法 |
CN110226587A (zh) * | 2019-06-20 | 2019-09-13 | 广东省生物资源应用研究所 | 一种智能鸟击防控系统 |
CN112446569A (zh) * | 2019-08-27 | 2021-03-05 | 福建师范大学地理研究所 | 一种机场鸟击风险评估及可视化系统 |
CN112836330A (zh) * | 2019-11-25 | 2021-05-25 | 天津大学 | 基于信息采集信息处理和数据模拟的机场鸟情调查系统和方法 |
CN111639680B (zh) * | 2020-05-09 | 2022-08-09 | 西北工业大学 | 一种基于专家反馈机制的身份识别方法 |
CN111639680A (zh) * | 2020-05-09 | 2020-09-08 | 西北工业大学 | 一种基于专家反馈机制的身份识别方法 |
CN112180970A (zh) * | 2020-08-24 | 2021-01-05 | 江苏中智腾飞信息科技有限公司 | 一种用于无人机飞行的管理系统 |
CN112806348A (zh) * | 2021-01-27 | 2021-05-18 | 郑州师范学院 | 一种驱鸟系统 |
CN113014866A (zh) * | 2021-02-05 | 2021-06-22 | 中国民用航空总局第二研究所 | 机场低空鸟类活动监视与风险报警系统 |
RU2794379C1 (ru) * | 2022-04-07 | 2023-04-17 | Константин Сергеевич Ермаков | Автоматическая установка для активной защиты воздушного пространства от птиц и малых беспилотных летательных аппаратов |
CN114654090A (zh) * | 2022-04-20 | 2022-06-24 | 广州明珞装备股份有限公司 | 一种激光焊接追溯方法、系统、装置、工作站以及生产线 |
CN114654090B (zh) * | 2022-04-20 | 2024-05-14 | 广州明珞装备股份有限公司 | 一种激光焊接追溯方法、系统、装置、工作站以及生产线 |
CN115410370A (zh) * | 2022-08-31 | 2022-11-29 | 南京慧尔视智能科技有限公司 | 一种异常停车检测方法、装置、电子设备及存储介质 |
CN116148862A (zh) * | 2023-01-16 | 2023-05-23 | 无锡市雷华科技有限公司 | 一种探鸟雷达飞鸟综合预警评估方法 |
CN116148862B (zh) * | 2023-01-16 | 2024-04-02 | 无锡市雷华科技有限公司 | 一种探鸟雷达飞鸟综合预警评估方法 |
CN116030501A (zh) * | 2023-02-15 | 2023-04-28 | 北京拙河科技有限公司 | 一种飞鸟检测数据提取方法及装置 |
CN116030501B (zh) * | 2023-02-15 | 2023-10-10 | 北京拙河科技有限公司 | 一种飞鸟检测数据提取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN101694681B (zh) | 2011-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101694681B (zh) | 一种鸟击风险评估系统及其评估方法 | |
Bao et al. | Monitoring of beach litter by automatic interpretation of unmanned aerial vehicle images using the segmentation threshold method | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Ferraz et al. | 3-D mapping of a multi-layered Mediterranean forest using ALS data | |
CN101697007B (zh) | 一种基于雷达图像的飞鸟目标识别与跟踪方法 | |
Mitchell et al. | The national severe storms laboratory tornado detection algorithm | |
Im et al. | Object-based land cover classification using high-posting-density LiDAR data | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN107463901A (zh) | 多尺度区域洪涝灾害危险性遥感评估方法和系统 | |
CN110018453B (zh) | 基于飞机航迹特征的智能机型识别方法 | |
CN107516317A (zh) | 一种基于深度卷积神经网络的sar影像海冰分类方法 | |
CN107238821A (zh) | 一种基于特征谱特征的机场跑道异物检测方法及装置 | |
CN106546975B (zh) | 一种基于雷达数据的轻小型无人机与飞鸟分类识别方法 | |
CN102253381A (zh) | 用于机场跑道的异物自动检测系统及其检测方法 | |
CN107247262B (zh) | 一种机场跑道异物分层检测方法 | |
CN107273852A (zh) | 基于机器视觉的手扶电梯楼层板物件及乘客行为检测算法 | |
CN104992140A (zh) | 一种基于遥感图像的海面异常漂浮物检测方法 | |
Zhang et al. | Rip current hazard at coastal recreational beaches in China | |
CN114019503A (zh) | 基于fod检测系统的机场跑道异物检测方法、设备、存储介质 | |
Cahyanti et al. | Whirlwind prediction using cloud movement patterns on satellite image | |
CN106548209A (zh) | 一种基于多纹理特征的sar绿潮信息提取方法 | |
Shen et al. | Aircraft wake recognition and strength classification based on deep learning | |
CN106204568A (zh) | 极化sar图像人造目标提取方法 | |
CN116543300A (zh) | 一种基于语义分割的云-气溶胶层次分类方法 | |
CN103955914A (zh) | 基于随机投影和Signature/EMD框架的SAR图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111026 Termination date: 20151103 |
|
EXPY | Termination of patent right or utility model |