CN111414870A - 一种针对机场空域智能驱鸟系统及方法 - Google Patents
一种针对机场空域智能驱鸟系统及方法 Download PDFInfo
- Publication number
- CN111414870A CN111414870A CN202010219905.3A CN202010219905A CN111414870A CN 111414870 A CN111414870 A CN 111414870A CN 202010219905 A CN202010219905 A CN 202010219905A CN 111414870 A CN111414870 A CN 111414870A
- Authority
- CN
- China
- Prior art keywords
- bird
- bird repelling
- group
- repelling
- intelligent
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M29/00—Scaring or repelling devices, e.g. bird-scaring apparatus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Birds (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种针对机场空域智能驱鸟系统,其包含服务器、雷达、多个基站及多个驱鸟单元,其可对入侵指定空域的鸟群进行种类识别并基于此制定驱鸟策略,为保障机场空域安全提供了一种潜在工具。基于此系统,进一步提出了一种智能驱鸟算法框架,通过引入基于卷积神经网络的深度学习策略,迭代更新鸟群识别模型参数,从而实现识别精度的自动优化。本发明所提系统及方法可视作现有硬件技术与相关算法的集成应用,从而具有自内而外的开放性,可逐步增设硬件、自动软件升级增强统性能,从而具有良好的工程实用性。
Description
技术领域
本发明涉及使用无人机进行控制鸟群的系统与方法,特指一种针对机场空域智能驱鸟系统及方法。
背景技术
近年来,经济发展驱使下的城市扩张导致鸟类入侵机场空域的事件时有发生。在航班起飞过程中的鸟类碰撞事故呈现迅速增长的趋势。由此,有效驱离入侵鸟群已经成为保障乘客生命安全及航班飞行安全亟需解决的问题。现有的驱鸟方法通常为在跑道周边区域安装定向声音警报系统,通过定期发射定向噪声驱离鸟群;与之辅助是派遣机场保障人员使用气枪等工具实施人工驱鸟。此外,在跑道周边的绿地喷洒化学药剂,也是常用的驱鸟措施之一。这些常规手段面临的三个方面的局限性。首先,定向噪声的频率和强度通常仅对特定的鸟类有效,且因鸟类与生俱来的环境适应性,对特定鸟类的驱离效果往往也会不断降低。其次,人工驱鸟不断大大增加驱鸟成本,更为严重的是在很多情况下难以保障安全。再次,在雨季或其他极端天气下,无论是定向噪声或是人工驱鸟均面临效率低下的困境。
解决现有技术中的局限性,智能驱鸟技术可能是一种颇具潜力的解决方案。然而,使之工程化尚需解决如下技术问题。基于现有硬件平台与软件算法,通过有效集成构建智能驱鸟系统是首先需要解决的问题。提出一种智能驱鸟算法框架,使系统可通过深度学习不断迭代更新鸟群识别、驱离策略等关键算法、模型参数,是保证系统适用性和有效性的技术路径。同时,鉴于工程上逐年建设、渐进提升的基本规律,保持系统自内而外的开放性与兼容性也需要特别考虑。综上,研制兼顾开放性和实用性的智能驱鸟系统,并发展自我迭代优化特性的智能驱鸟算法,对于保障乘客生命安全及飞行安全具有非常重要的现实意义。
发明内容
为了解决上述问题,本发明的目的在于提供一种针对机场空域的智能驱鸟系统及方法,该系统包括服务器、雷达、基站、驱鸟单元等设备,具有高效、自动驱离入侵机场空域鸟群的功能,可以基于卷积神经网络的深度学习和迭代实现识别精度的自动优化,具有自内而外的开放性使众多机场的数据可以共享及参数优化。
为实现上述目的,本发明采取了如下技术方案:一种针对机场空域的智能驱鸟系统,包括:1个服务器、1个雷达、m个基站、n个驱鸟单元,其中基站数量m和驱鸟单元n根据机场空域具体驱鸟需求决定。所述服务器用于构建网络、计算、存储、控制等功能;所述雷达根据需求选用现有产品,用于探测鸟群位置;所述基站用于获取鸟群的图像信息;所述驱鸟单元用于驱使鸟群向指定方向运动。
所述服务器包含网络模组、计算模组、云服务模组、操作模组等部分。所述网络模组选用现有大功能无线路由网络设备,用于构建无线IP网络,以实现所述智能驱鸟系统中各部分的通讯连接;所述计算模组选用现有计算机工作站,用于分析所述雷达提供的鸟群初始信息,基于鸟群初始信息调用所述m个基站中的某一基站中获取鸟群图像信息,基于鸟群图像信息制定驱鸟策略并调用所述一个或多个驱鸟单元驱使鸟群向指定方向运动;所述云服务模组选用现有企业级NAS网络云存储设备,用于定期更新鸟群特征识别数据库、智能驱鸟算法;所述操作模组选用现有产品,用于直接控制所述驱鸟单元。所述鸟群初始信息包括状态信息和位置信息;所述驱鸟策略包括选用的驱鸟单元,及所述驱鸟单元接近鸟群的速度和角度。所述计算模组、所述云服务模组分别通过千兆网线与所述网络模组连接,所述操作模组通过内部的无线网络器件接入所述网络模组构建的无线网络。
所述m个基站中的第一基站包括第一焦距控制器、第一摄像机阵列、第一图像编码器、第一网关、第一充电杆。所述第一焦距控制器用于分析并向所述第一摄像机阵列提供焦距控制信息;所述第一摄像机阵列用于获取鸟群图像信息并输出给所述第一图像编码器;所述第一图像编码器用于对鸟群图像信息进行信号处理并提供给所述服务器;所述第一网关接入所述网络模组构建的无线IP网络,用于所述第一基站与所述服务器建立通讯连接;所述第一充电杆用于给所述第一焦距控制器、所述第一摄像机阵列、所述第一图像编码器、所述第一网关供电。所述第一焦距控制器选用现有产品;所述第一摄像机阵列设计有8个现有超清网络监控摄像机组成阵列;所述第一图型编码器选用现有产品;所述第一网关选用现有产品;所述第一充电杆选用现有太阳能充电设备。所述m个基站放置于所述机场空域对应的不同机场位置,所述m个基站中的其他基站与第1基站的特征相同。
所述n个驱鸟单元中的第一驱鸟单元包括第一长机、第一A僚机、第一B僚机。所述第一长机、第一A僚机、第一B僚机均可通过各自内部的无线网络器件接入所述网络模组构建无线IP网络中,以建立所述第一长机与所述第一A僚机、第一B僚机的通讯连接,以及所述第一长机与所述服务器的通讯连接。所述第一长机基于所述服务器给定的所述驱鸟策略,协同所述第一A僚机和第一B僚机驱使鸟群向指定方向运动。所述第一长机、第一A僚机、第一B僚机均选用现有专业级无人机。所述n个驱鸟单元中的其他驱鸟单元与第1驱鸟单元的特征相同。
本发明进一步提供一种针对机场空域的智能驱鸟方法,本方法基于所述智能驱鸟系统对机场区域的驱鸟过程按如下步骤进行:
S1.1:所述智能驱鸟系统启动;
S1.2:鸟群进入所述机场空域被所述雷达探测得到鸟群的初始信息;
S1.3:所述计算模组对所述鸟群初始信息分析并将结果发送至所述某一基站的焦距控制器;
S1.4:所述基站的焦距控制器将算得的焦距控制信号输送给所述基站的摄像机阵列;
S1.5:所述基站的摄像机阵列将所拍摄的鸟群图像信息输送给所述基站的图像编码器;
S1.6:所述基站的图像编码器将处理后的鸟群图像信息输送给所述计算模组;
S1.7:所述计算模组调用智能驱鸟算法对鸟群进行识别并求解得到所述驱鸟策略;
S1.8:所述计算模组判断是否存在所述操作模组发出的手动操作请求,如不存在则进入步骤S1.9,如存在则调用某一驱鸟单元执行所述操作模组发出的指令。
S1.9:所述驱鸟单元执行所述计算模组下发的所述驱鸟策略;
S1.10:所述云服务模组存储所述驱鸟单元的运动过程信息、所述计算模组的鸟群识别信息。
本发明进一步提供一种智能驱鸟算法,按如下步骤进行:
S2.1:获取鸟群图像信息;
S2.2:建立参数化鸟群识别模型;
S2.3:基于所述识别模型对鸟群图像信息中进行鸟群种类识别;
S2.4:如识别成功则进入S2.5,否则返回S2.1;
S2.5:保存识别结果到所述数据库并输出所述驱鸟策略;
S2.6:更新所述鸟群识别模型的参数。
其中,基于鸟群种类制定的所述驱鸟策略的求解算法为现有的单目标长时间跟踪算法;所述鸟群识别模型是现有技术中的基于卷积神经网络的多位置识别模型。
与现有技术相比,本发明的优点在于:首先,本发明所提系统及方法可视作现有硬件技术与相关算法的集成应用,为高效、自动驱离入侵机场空域鸟群的提供了一种实用的工具。其次,本发明通过引入基于卷积神经网络的深度学习策略提出了一种智能驱鸟算法框架,可迭代更新鸟群识别模型参数,从而实现识别精度的自动优化。再者,本发明所提系统具有自内而外的开放性,对内可通过基站、驱鸟单元、或是某一驱鸟单元中的僚机以增强系统的布控范围及同时驱鸟能力,对外可接入云端从而实现众多机场的数据共享及参数优化。
附图说明
图1为本发明提供的针对机场空域智能驱鸟系统构造图。
图2为本发明提供的针对机场空域智能驱鸟方法流程图。
图3为本发明提供的智能驱鸟算法流程图。
具体实施方式
如图1所示,本发明提供的一种针对机场空域的智能驱鸟系统10包括:服务器11、雷达12、基站13、基站14,以及3个驱鸟单元15~17。服务器11可提供网络构建、计算、存储、控制等功能,包含网络模组111、计算模组112、云服务模组113、操作模组114等部分。雷达12选用现有产品XXXX,用于探测鸟群位置并通过接入所构建的网络传输给服务器11。基站13用于获取鸟群的图像信息,包含焦距控制器131、摄像机阵列132、图像编码器133、网关134和充电杆135。基站14的功能与构成与基站13相同。驱鸟单元15用于驱使鸟群向指定方向运动,包含长机151、僚机152、僚机153。
进一步地,说明本实施例中服务器11各部分的特征。网络模组111选用现有产品XXXX型路由器构建无线IP网络N1,用以实现智能驱鸟系统10中各部分的通讯连接。计算模组112选用现有产品XXXX型计算平台;用于分析雷达12提供的鸟群初始信息E1,基于鸟群初始信息E1调用两个基站(13,14)中某一基站获取鸟群图像信息,基于鸟群图像信息制定驱鸟策略T1并调用三个驱鸟单元(15,16,17)中的一个或多个驱使鸟群向指定方向运动。所述鸟群初始信息E1包括状态信息、位置信息。所述驱鸟策略T1包括选用的驱鸟单元,及所述驱鸟单元接近鸟群的速度和角度。云服务模组113选用现有产品XXXX型云服务器,通过IP网络N1与云端连接,可定期更新鸟群特征识别数据库K1、智能驱鸟算法A1。操作模组114选用现有产品XXXX型手持控制器,用于直接控制驱鸟单元15、16、17。计算模组112、云服务模组113分别通过千兆网线与网络模组111连接,操作模组114通过内部的无线网络器件接入IP网络N1。
进一步地,说明本实施例中基站13各部分的特征。焦距控制器131选用现有产品XXXX型控制器,用于分析并向摄像机阵列132提供焦距控制信息。摄像机阵列132选用8个现有产品XXXX型摄像机组成的阵列,用于获取鸟群图像信息并输出给图像编码器133。图像编码器133选用现有产品XXXX,用于对鸟群图像信息进行信号处理并提供给服务器11。网关134选用现有产品XXXX,用于接入IP网络N1,建立基站13与服务器11的通讯连接。充电杆135选用现有产品XXXX型太阳能充电器,用于给焦距控制器131、摄像机阵列132、图像编码器133、网关134供电。
进一步地,说明本实施例中驱鸟单元15各部分的特征。长机151、僚机152、僚机153均选用现有产品XXXX型无人机。长机151、僚机152、僚机153均可通过各自内部的无线网络器件接入IP网络N1,以建立长机151与僚机152、153的通讯连接,及长机151与服务器11的通讯连接。长机151基于服务器11给定的驱鸟策略T1,协同僚机152、153驱使鸟群向指定方向运动。
如图2所示,本实施例进一步提供一种针对机场空域智能驱鸟方法,本方法基于智能驱鸟系统10对机场区域的驱鸟过程按如下步骤进行:
S1.1:智能驱鸟系统10启动;
S1.2:鸟群进入所述机场空域被雷达12探测得到鸟群初始信息E1;
S1.3:计算模组112对所述鸟群初始信息E1分析并将结果发送至焦距控制器131;
S1.4:焦距控制器131将算得的焦距控制信号输送给摄像机阵列132;
S1.5:摄像机阵列132将所拍摄的鸟群图像信息输送给图像编码器133;
S1.6:图像编码器133将处理后的鸟群图像信息输送给计算模组112;
S1.7:计算模组112调用算法A1对鸟群进行识别并求解得到驱鸟策略T1;
S1.8:计算模组112判断是否存在操作模组114发出的手动操作请求,如不存在则进入S1.9,如存在驱鸟单元(15-17)执行操作模组114发出的指令。
S1.9:驱鸟单元(15-17)执行计算模组112下发的驱鸟策略T1;
S1.10:云服务模组113存储驱鸟单元(15-17)的运动过程信息、计算模组112的鸟群识别信息。
如图3所示,本实施例进一步提供一种智能驱鸟算法A1,按如下步骤进行:
S2.1:获取鸟群图像信息;
S2.2:建立参数化鸟群识别模型M1;
S2.3:基于模型M1对鸟群图像信息中进行鸟群种类识别;
S2.4:如识别成功则进入S2.5,否则返回S2.1;
S2.5:保存识别结果到数据库K1并输出驱鸟策略T1;
S2.6:更新鸟群识别模型M1的参数。
进一步地,基于鸟群种类制定驱鸟策略T1的求解算法为现有的单目标长时间跟踪算法。鸟群识别模型M1是现有技术中的基于卷积神经网络的多位置识别模型。
从所述实施例中可以发现,本发明提出的针对机场空域智能驱鸟系统及方法具有如下三个优点:1)本发明所提系统及方法可视作现有硬件技术与相关算法的集成应用,为高效、自动驱离入侵机场空域鸟群的提供了一种实用的工具。2)本发明通过引入基于卷积神经网络的深度学习策略提出了一种智能驱鸟算法框架,可迭代更新鸟群识别模型参数,从而实现识别精度的自动优化。3)本发明所提系统具有自内而外的开放性,对内可通过基站、驱鸟单元、或是某一驱鸟单元中的僚机以增强系统的布控范围及同时驱鸟能力,对外可接入云端从而实现众多机场的数据共享及参数优化。
Claims (10)
1.一种针对机场空域的智能驱鸟系统,其特征在于:包括1个服务器、1个雷达、m个基站、n个驱鸟单元,其中基站数量m和驱鸟单元n根据机场空域具体驱鸟需求决定;所述服务器用于构建网络、计算、存储、控制等功能;所述雷达用于探测鸟群位置;所述基站用于获取鸟群的图像信息;所述驱鸟单元用于驱使鸟群向指定方向运动。
2.根据权利要求1所述一种针对机场空域的智能驱鸟系统,其特征在于:所述服务器包含网络模组、计算模组、云服务模组、操作模组等部分;所述网络模组用于构建无线IP网络,以实现所述智能驱鸟系统中各部分的通讯连接;所述计算模组用于分析所述雷达提供的鸟群初始信息,基于鸟群初始信息调用所述m个基站中的某一基站中获取鸟群图像信息,基于鸟群图像信息制定驱鸟策略并调用所述一个或多个驱鸟单元驱使鸟群向指定方向运动;所述云服务模组用于定期更新鸟群特征识别数据库、智能驱鸟算法;所述操作模组用于直接控制所述驱鸟单元;所述鸟群初始信息包括状态信息和位置信息;所述驱鸟策略包括选用的驱鸟单元,及所述驱鸟单元接近鸟群的速度和角度;所述计算模组、所述云服务模组分别通过千兆网线与所述网络模组连接,所述操作模组通过内部的无线网络器件接入所述网络模组构建的无线网络。
3.根据权利要求1所述一种针对机场空域的智能驱鸟系统,其特征在于:所述m个基站中的第一基站包括第一焦距控制器、第一摄像机阵列、第一图像编码器、第一网关、第一充电杆;所述第一焦距控制器用于分析并向所述第一摄像机阵列提供焦距控制信息;所述第一摄像机阵列用于获取鸟群图像信息并输出给所述第一图像编码器;所述第一图像编码器用于对鸟群图像信息进行信号处理并提供给所述服务器;所述第一网关接入所述网络模组构建的无线IP网络,用于所述第一基站与所述服务器建立通讯连接;所述第一充电杆用于给所述第一焦距控制器、所述第一摄像机阵列、所述第一图像编码器、所述第一网关供电;所述第一摄像机阵列优选由8个监控摄像机组成;所述第一充电杆选用优选现有太阳能充电设备;所述m个基站放置于所述机场空域对应的不同机场位置。
4.根据权利要求1所述一种针对机场空域的智能驱鸟系统,其特征在于:所述m个基站中的其他基站与第1基站的特征相同。
5.根据权利要求1所述一种针对机场空域的智能驱鸟系统,其特征在于:所述n个驱鸟单元中的第一驱鸟单元包括第一长机、第一A僚机、第一B僚机;所述第一长机、第一A僚机、第一B僚机均可通过各自内部的无线网络器件接入所述网络模组构建无线IP网络中,以建立所述第一长机与所述第一A僚机、第一B僚机的通讯连接,以及所述第一长机与所述服务器的通讯连接;所述第一长机基于所述服务器给定的所述驱鸟策略,协同所述第一A僚机和第一B僚机驱使鸟群向指定方向运动;所述第一长机、第一A僚机、第一B僚机均优选现有专业级无人机设备。
6.根据权利要求1所述一种针对机场空域的智能驱鸟系统,其特征在于:所述n个驱鸟单元中的其他驱鸟单元与第1驱鸟单元的特征相同。
7.一种针对机场空域的智能驱鸟方法,其特征在于:基于权利要求1所述一种针对机场空域的智能驱鸟系统对机场区域的驱鸟过程按如下步骤进行:
S1.1:所述智能驱鸟系统启动;
S1.2:鸟群进入所述机场空域被所述雷达探测得到鸟群的初始信息;
S1.3:所述计算模组对所述鸟群初始信息分析并将结果发送至所述某一基站的焦距控制器;
S1.4:所述基站的焦距控制器将算得的焦距控制信号输送给所述基站的摄像机阵列;
S1.5:所述基站的摄像机阵列将所拍摄的鸟群图像信息输送给所述基站的图像编码器;
S1.6:所述基站的图像编码器将处理后的鸟群图像信息输送给所述计算模组;
S1.7:所述计算模组调用智能驱鸟算法对鸟群进行识别并求解得到所述驱鸟策略;
S1.8:所述计算模组判断是否存在所述操作模组发出的手动操作请求,如不存在则进入步骤S1.9,如存在则调用某一驱鸟单元执行所述操作模组发出的指令;
S1.9:所述驱鸟单元执行所述计算模组下发的所述驱鸟策略;
S1.10:所述云服务模组存储所述驱鸟单元的运动过程信息、所述计算模组的鸟群识别信息。
8.根据权利要求7所述一种针对机场空域的智能驱鸟方法,其特征在于:在步骤S1.7中,所述智能驱鸟算法,按如下步骤进行:
S2.1:获取鸟群图像信息;
S2.2:建立参数化鸟群识别模型;
S2.3:基于所述识别模型对鸟群图像信息中进行鸟群种类识别;
S2.4:如识别成功则进入S2.5,否则返回S2.1;
S2.5:保存识别结果到所述数据库并输出所述驱鸟策略;
S2.6:更新所述鸟群识别模型的参数。
9.根据权利要求7所述一种针对机场空域的智能驱鸟方法,其特征在于:在步骤S1.7中,所述驱鸟策略的求解算法优选现有的单目标长时间跟踪算法。
10.根据权利要求7所述一种针对机场空域的智能驱鸟方法,其特征在于:在步骤S2.2中,所述鸟群识别模型优选现有技术中的基于卷积神经网络的多位置识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219905.3A CN111414870A (zh) | 2020-03-25 | 2020-03-25 | 一种针对机场空域智能驱鸟系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010219905.3A CN111414870A (zh) | 2020-03-25 | 2020-03-25 | 一种针对机场空域智能驱鸟系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111414870A true CN111414870A (zh) | 2020-07-14 |
Family
ID=71494651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010219905.3A Pending CN111414870A (zh) | 2020-03-25 | 2020-03-25 | 一种针对机场空域智能驱鸟系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414870A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261270A (zh) * | 2020-10-23 | 2021-01-22 | 上海大学 | 长中短系列焦距镜头组合视觉传感阵列及其方法 |
CN113767893A (zh) * | 2021-09-22 | 2021-12-10 | 西安京维智网科技有限公司 | 一种智能驱鸟器及其远程监控与升级方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427672A (zh) * | 2015-10-27 | 2016-03-23 | 中国民用航空总局第二研究所 | 一种多机场联合运营环境下数据的分类处理方法 |
CN106954049A (zh) * | 2017-05-13 | 2017-07-14 | 西安费斯达自动化工程有限公司 | 全景和精准图像跟踪系统的机场鸟类信息获取方法 |
CN107187605A (zh) * | 2017-06-08 | 2017-09-22 | 唐建芳 | 一种用于农林业的多功能巡逻子母无人机及控制方法 |
CN108011943A (zh) * | 2017-11-29 | 2018-05-08 | 陈裕通 | 一种基于物联网的机场驱鸟联动系统 |
CN110210577A (zh) * | 2019-06-17 | 2019-09-06 | 重庆英卡电子有限公司 | 一种针对密集鸟群的深度学习以及识别方法 |
-
2020
- 2020-03-25 CN CN202010219905.3A patent/CN111414870A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427672A (zh) * | 2015-10-27 | 2016-03-23 | 中国民用航空总局第二研究所 | 一种多机场联合运营环境下数据的分类处理方法 |
CN106954049A (zh) * | 2017-05-13 | 2017-07-14 | 西安费斯达自动化工程有限公司 | 全景和精准图像跟踪系统的机场鸟类信息获取方法 |
CN107187605A (zh) * | 2017-06-08 | 2017-09-22 | 唐建芳 | 一种用于农林业的多功能巡逻子母无人机及控制方法 |
CN108011943A (zh) * | 2017-11-29 | 2018-05-08 | 陈裕通 | 一种基于物联网的机场驱鸟联动系统 |
CN110210577A (zh) * | 2019-06-17 | 2019-09-06 | 重庆英卡电子有限公司 | 一种针对密集鸟群的深度学习以及识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261270A (zh) * | 2020-10-23 | 2021-01-22 | 上海大学 | 长中短系列焦距镜头组合视觉传感阵列及其方法 |
CN113767893A (zh) * | 2021-09-22 | 2021-12-10 | 西安京维智网科技有限公司 | 一种智能驱鸟器及其远程监控与升级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634333B (zh) | 在低能见度条件下着陆在紧急或未准备好的着陆带上 | |
Luo et al. | A survey of intelligent transmission line inspection based on unmanned aerial vehicle | |
Alejo et al. | Collision-free 4D trajectory planning in unmanned aerial vehicles for assembly and structure construction | |
Alejo et al. | Particle swarm optimization for collision-free 4d trajectory planning in unmanned aerial vehicles | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
US11474541B2 (en) | Dynamic recovery method and system for UAVs and storage medium | |
Savkin et al. | Navigation of a UAV network for optimal surveillance of a group of ground targets moving along a road | |
CN111414870A (zh) | 一种针对机场空域智能驱鸟系统及方法 | |
CN110057360A (zh) | 一种基于分布式并行计算的路径规划方法及其系统 | |
Xu et al. | A brief review of the intelligent algorithm for traveling salesman problem in UAV route planning | |
Liu et al. | Path planning and intelligent scheduling of multi-AGV systems in workshop | |
CN111897316A (zh) | 一种场景快变条件下的多飞行器自主决策方法 | |
Geng et al. | UAV surveillance mission planning with gimbaled sensors | |
CN105575187A (zh) | 空中交通网络的描述方法及描述系统 | |
CN111493055A (zh) | 一种多机场协同的空域智能驱鸟系统及方法 | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
CN116972694A (zh) | 一种面向无人机集群攻击的反制方法和系统 | |
CN115657724A (zh) | 一种有人、无人飞机协同编队队形变换系统及方法 | |
US11609582B2 (en) | Systems and methods for planning a travel route of a multifunctional robot | |
CN109946687B (zh) | 一种无人平台综合射频系统工作方式决策方法 | |
Tegicho et al. | Connectivity and safety analysis of large scale UAV swarms: Based on flight scheduling | |
Shu et al. | UAV Path Planning Based on Simultaneous Optimization of Monitoring Frequency and Security | |
WO2021252683A1 (en) | Systems and methods for controlling automated systems using integer programming and column generation techniques | |
JP2019160244A (ja) | 制御装置、移動体、自律分散制御プログラム | |
Fabra et al. | Collision‐free cooperative Unmanned Aerial Vehicle protocols for sustainable aerial services |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |