CN111551959A - 飞机尾涡识别方法、装置、可读介质及电子设备 - Google Patents

飞机尾涡识别方法、装置、可读介质及电子设备 Download PDF

Info

Publication number
CN111551959A
CN111551959A CN202010320841.6A CN202010320841A CN111551959A CN 111551959 A CN111551959 A CN 111551959A CN 202010320841 A CN202010320841 A CN 202010320841A CN 111551959 A CN111551959 A CN 111551959A
Authority
CN
China
Prior art keywords
wind field
field distribution
processed
wake
deep learning
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
Application number
CN202010320841.6A
Other languages
English (en)
Other versions
CN111551959B (zh
Inventor
潘卫军
段英捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation Flight University of China
Original Assignee
Civil Aviation Flight University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation Flight University of China filed Critical Civil Aviation Flight University of China
Priority to CN202010320841.6A priority Critical patent/CN111551959B/zh
Publication of CN111551959A publication Critical patent/CN111551959A/zh
Application granted granted Critical
Publication of CN111551959B publication Critical patent/CN111551959B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/933—Lidar systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/95—Lidar systems specially adapted for specific applications for meteorological use
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明涉及一种飞机尾涡识别方法、装置、可读介质及电子设备。该飞机尾涡识别方法，基于深度学习技术，采用预设深度学习模型对滤除了背景大气风场影响的第一待处理风场分布图进行处理，识别所述第一待处理风场分布图中是否包含尾涡，及在含有尾涡时输出表征至少一只尾涡的位置坐标。本发明提供的技术方案，基于深度学习技术，使机器自动学习到尾涡特征，通过大量图像集训练，能够自动识别尾涡，且具有较高的尾流识别率和较低虚警率；且用于被识别的图像为滤除了背景大气风场影响的第一待处理风场分布图，考虑了气象环境变化因素，提高了尾涡的匹配度和识别率。

Description

飞机尾涡识别方法、装置、可读介质及电子设备
技术领域
本发明涉及航空技术领域，具体地，涉及一种飞机尾涡识别方法、装置、可读介质及电子设备。
背景技术
目前国内对于民航客机尾流的探测与识别方法主要是以多普勒多普勒激光雷达探测原理为基础，结合飞机尾涡的空气动力学机理，建立飞机尾涡径向速度标准模型，采用波形匹配理论的方法，即基于滑动窗口思想的尾流识别算法。通过多普勒激光雷达在机场的实测数据验证分析，该方法有较低尾流识别率和较高虚警率，在实际应用中有几乎不具备工程价值。并且由于在建模中未考虑气象环境变化因素，因此降低了其匹配度和识别率。
发明内容
本发明的目的是提供一种飞机尾涡识别方法、装置、可读介质及电子设备，以解决相关技术中对尾涡识别时出现的较低尾流识别率、较高虚警率及未考虑气象环境变化因素的问题。
为了实现上述目的，本发明实施例提供一种飞机尾涡识别方法，所述方法包括：
根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图；
将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
可选地，所述根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图的步骤包括：
采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据；
采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据；
根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
可选地，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标；
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
可选地，所述方法还包括：
根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图；
将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标；
在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
本发明实施例还提供一种飞机尾涡识别装置，所述飞机尾涡识别装置包括：
第一待处理风场分布图获取模块，用于根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图；
第一识别模块，用于将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
可选地，所述第一待处理风场分布图获取模块包括：
第一目标风场数据获取子模块，用于采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据；
背景风场数据获取子模块，用于采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据；
背景风场滤除子模块，用于根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
可选地，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标；
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
可选地，所述装置还包括：
第二待处理风场分布图获取模块，用于根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图；
第二识别模块，用于将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标；
标记模块，用于在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
本发明实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述方法的步骤。
通过上述技术方案，基于深度学习技术，采用预设深度学习模型对滤除了背景大气风场影响的第一待处理风场分布图进行处理，识别所述第一待处理风场分布图中是否包含尾涡，及在含有尾涡时输出表征至少一只尾涡的位置坐标。本发明提供的技术方案，基于深度学习技术，使机器自动学习到尾涡特征，通过大量图像集训练，能够自动识别尾涡，且具有较高的尾流识别率和较低虚警率；且用于被识别的图像为滤除了背景大气风场影响的第一待处理风场分布图，考虑了气象环境变化因素，提高了尾涡的匹配度和识别率。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明实施例提供的一种飞机尾涡识别方法的流程图。
图2是本发明一实施方式中图1中步骤S10的子步骤的流程图。
图3是本发明示例性的当第一空域存在尾涡时的第一待处理风场分布图。
图4是本发明实施例提供的另一种飞机尾涡识别方法的流程图。
图5是本发明实施例提供的一种飞机尾涡识别装置的框图。
图6是本发明一实施方式中第一待处理风场分布图获取模块包括的子模块的框图。
图7是本发明实施例提供的另一种飞机尾涡识别装置的框图。
图8是本发明实施例提供的一种电子设备的框图。
附图标记说明
1-飞机尾涡识别装置；10-第一待处理风场分布图获取模块；20-第一识别模块；11-第一目标风场数据获取子模块；12-背景风场数据获取子模块；13-背景风场滤除子模块；30-第二待处理风场分布图获取模块；40-第二识别模块；50-标记模块；700-电子设备；701-处理器；702-存储器；703-多媒体组件；704-I/O接口；705-通信组件。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明实施例提供一种飞机尾涡识别方法。图1是根据本发明实施例示出的一种飞机尾涡识别方法的流程图。如图1所示，该方法包括以下步骤：
步骤S10，根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图。
其中，所述第一目标风场数据为需要观测的空域(记为第一空域)的大气风场数据，例如为多个飞机航线(包括起落)附近区域。所述背景风场数据顾名思义，为第一目标风场数据中需要滤除的背景风场数据，其可以为第一空域附近的空域的大气风场数据。所述第一待处理风场分布图为根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场后生成的可视化图，其可以用于反映飞机引发的尾涡扰动场。在对第一空域(需要观测的空域)进行尾涡识别的过程中，观测获得的所述第一目标风场数据受到了背景大气风场的影响，因而若根据所述第一目标风场数据直接生成风场分布图，对该风场分布图进行识别容易导致误识别。因此，通过步骤S10,根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图，考虑了气象环境变化因素，提高了尾涡的匹配度和识别率。
步骤S20，将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
尾涡总是成对出现的，因而可以将所述预设深度学习模型训练为用于识别一只尾涡(左蜗或右涡)或用于识别两只尾涡。对应地，将所述第一待处理风场分布图输入预设深度学习模型中，得到的第一识别结果为含有尾涡时，回归输出表征一只尾涡(左蜗或右涡)的位置坐标或两只尾涡分别的位置坐标。
通过上述技术方案，基于深度学习技术，采用预设深度学习模型对滤除了背景大气风场影响的第一待处理风场分布图进行处理，识别所述第一待处理风场分布图中是否包含尾涡，及在含有尾涡时输出表征至少一只尾涡的位置坐标。本发明提供的技术方案，基于深度学习技术，使机器自动学习到尾涡特征，通过大量图像集训练，能够自动识别尾涡，且具有较高的尾流识别率和较低虚警率；且用于被识别的图像为滤除了背景大气风场影响的第一待处理风场分布图，考虑了气象环境变化因素，提高了尾涡的匹配度和识别率。
可选地，在一实施方式中，如图2所示，步骤S10包括：
子步骤S11，采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据。
其中，第一空域为需要观测的空域。多普勒激光雷达具有光束发射的散射角较小，能量集中，在晴空条件下具有较高的测量精度和时空分辨率，并且响应速度快、多普勒频移大，可以探测从低速到高速运动的目标等优点，被广泛应用于监测机场风场变化、探测并预警低空风切变和湍流、探测飞机尾流、风能资源评估等领域，是一种非常有效的速度场探测工具。为了获取不同的风场信息，多普勒激光雷达可以采用以下三种测量模式:多普勒波束摆动(DBS，Doppler Beam Swing)测量模式、位置平面显示(PPI，Plane PositionIndicator)测量模式、距离高度显示(RHI，Range Height Indicator)测量模式。可选地，在本实施例中，所述第一多普勒激光雷达采用距离高度显示模式获取第一目标风场数据。距离高度显示器测量模式是指雷达激光发射器在固定方位角的状态下通过改变俯仰姿态进行风场扫描的探测方式，在以雷达为坐标原点的极坐标中用不同色标来表示风速的大小和方向，便于分析回波的垂直结构，可以探测目标的谱强、径向速度和谱宽以及与雷达的相对位置等。根据此特点可以利用距离高度显示器测量模式在垂直于飞机尾涡的侧面方向上探测尾涡切面的瞬时速度变化，若可连续快速的对飞机尾涡的垂直切面进行扫描，则可以观测到尾涡持续的四维变化状态。
子步骤S12，采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据。
本实施例中，所述第二多普勒激光雷达的型号与所述第一多普勒激光雷达相同，同理，可以采用距离高度显示模式获取背景风场数据。所述第二空域安装于所述第一多普勒激光雷达附近，使得第二多普勒激光雷达实时扫描第二空域大气风场可以获取第一空域大气风场的背景风场数据。
子步骤S13，根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
由于在大气环境中，飞机尾流总是表现为成对出现的反向旋涡。因而在距离高度显示器测量模式下，当第一空域存在尾涡时，得到的第一待处理风场分布图存在对称突变的速度特征(呈现出两对不同色调的色块)。例如，如图3所示，为示例性的当第一空域存在尾涡时的第一待处理风场分布图，其中的径向速度从大到小(5m/s到-5m/s)大致用红-黄-绿-蓝渐变色谱表示，A和D分别为红色色块，分别表示尾流中左涡和右涡速度分量往上的模块，B和C分别为蓝色色块，分别表示尾流中左涡和右涡速度分量往下的模块。反之，在距离高度显示器测量模式下，当第一空域不存在尾涡时，得到的第一待处理风场分布图不存在对称突变的速度特征。
可选地，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标。
即，准备用于训练的训练集，该训练集为风场分布图像集。该风场分布图像集包括表征存在尾涡的风场分布图像和表征不存在尾涡的风场分布图像。并且，上述的风场分布图像为滤除背景大气风场影响的风场分布图像。针对所述风场分布图像集，对其中表征存在尾涡的风场分布图像中的尾涡进行标注，所述标注指令为标注至少一只尾涡的位置坐标，即标注一只尾涡(左蜗或右涡)的位置坐标或标注两只尾涡分别的位置坐标。位置坐标可以是尾涡的外接矩形的坐标，例如是外接矩形的中心坐标和宽高，如(bx，by，bw，bh)。
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
YOLO v3借鉴了残差网络结构，形成更深的网络层次，以及多尺度检测，提升了mAP及小物体检测效果。将标注后的所述风场分布图像集对YOLO v3网络进行训练，即得到所述预设深度学习模型。
可选地，如图4所示，为了提高识别的准确率，可采用双机探测，所述方法还包括：
步骤S30，根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图。
其中，第二目标风场数据为需要观测的另一空域(记为第三空域)的大气风场数据，第三空域在第一空域附近。所述第二待处理风场分布图为根据所述背景风场数据，滤除叠加在所述第二目标风场数据中的背景大气风场后生成的可视化图，其可以用于反映飞机引发的尾涡扰动场。
可选地，步骤S30包括：
子步骤S31,采用第三多普勒激光雷达实时扫描第三空域大气风场，获取第二目标风场数据。
其中，所述第三多普勒激光雷达的扫描方位角(固定方位角)可以与所述第一多普勒激光雷达的扫描方位角(固定方位角)平行或近似平行。
子步骤S32,采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据。
子步骤S33,根据所述背景风场数据，滤除叠加在所述第二目标风场数据中的背景大气风场，得到所述第二待处理风场分布图。
由于步骤S30与步骤S10类似，子步骤S11与子步骤S31类似，子步骤S12与子步骤S32类似，子步骤S13与子步骤S33类似，在此不作赘述。
步骤S40，将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
由于步骤S40与步骤S20类似，在此不作赘述。
步骤S50，在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
由于飞机飞过后，产生的尾涡不会立即消失，随着飞机飞行在飞机后方延绵数米。因而，可以用两个及两个以上相距一定距离的多普勒激光雷达在同一时刻探测同一飞机产生的尾涡。例如，本实施方式中，采用第一多普勒激光雷达和第三多普勒激光雷达分别扫描第一空域和第三空域得到第一目标风场数据和第二目标风场数据，再对所述第一目标风场数据和第二目标风场数据滤除背景大气风场影响，得到第一待处理风场分布图和第二待处理风场分布图，由于该第一待处理风场分布图和第二待处理风场分布图可以表示同一飞机产生的尾涡，则将该第一待处理风场分布图和第二待处理风场分布图分别输入预设深度学习模型后，得到的第一识别结果和第二识别结果应该相同(第一多普勒激光雷达和第三多普勒激光雷达相距较近，飞机尾涡变化不大)。因此，当所述第一识别结果和第二识别结果不同时，则表示预设深度学习模型对所述第一待处理风场分布图和第二待处理风场分布图的识别结果可能有误，则可以将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别(可以人工重新识别或采用其他自动方法重新识别，在此不做限制),提高了识别的准确性。
基于上述发明构思，本发明实施例还提供一种飞机尾涡识别装置1。如图5所示，所述飞机尾涡识别装置1包括：第一待处理风场分布图获取模块10和第一识别模块20。
第一待处理风场分布图获取模块10，用于根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图。
第一识别模块20，用于将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
通过上述技术方案，基于深度学习技术，采用预设深度学习模型对滤除了背景大气风场影响的第一待处理风场分布图进行处理，识别所述第一待处理风场分布图中是否包含尾涡，及在含有尾涡时输出表征至少一只尾涡的位置坐标。本发明提供的技术方案，基于深度学习技术，使机器自动学习到尾涡特征，通过大量图像集训练，能够自动识别尾涡，且具有较高的尾流识别率和较低虚警率；且用于被识别的图像为滤除了背景大气风场影响的第一待处理风场分布图，考虑了气象环境变化因素，提高了尾涡的匹配度和识别率。
可选地，如图6所示，所述第一待处理风场分布图获取模块10包括：
第一目标风场数据获取子模块11，用于采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据。
背景风场数据获取子模块12，用于采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据。
背景风场滤除子模块13，用于根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
可选地，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标。
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
可选地，如图7所示，在一实施方式中，所述飞机尾涡识别装置1还包括：
第二待处理风场分布图获取模块30，用于根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图；
第二识别模块40，用于将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标；
标记模块50，用于在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
由于飞机飞过后，产生的尾涡不会立即消失，随着飞机飞行在飞机后方延绵数米。因而，可以用两个及两个以上相距一定距离的多普勒激光雷达在同一时刻探测同一飞机产生的尾涡。例如，本实施方式中，采用第一多普勒激光雷达和第三多普勒激光雷达分别扫描第一空域和第三空域得到第一目标风场数据和第二目标风场数据，再对所述第一目标风场数据和第二目标风场数据滤除背景大气风场影响，得到第一待处理风场分布图和第二待处理风场分布图，由于该第一待处理风场分布图和第二待处理风场分布图可以表示同一飞机产生的尾涡，则将该第一待处理风场分布图和第二待处理风场分布图分别输入预设深度学习模型后，得到的第一识别结果和第二识别结果应该相同(第一多普勒激光雷达和第三多普勒激光雷达相距较近，飞机尾涡变化不大)。因此，当所述第一识别结果和第二识别结果不同时，则表示预设深度学习模型对所述第一待处理风场分布图和第二待处理风场分布图的识别结果可能有误，则可以将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别(可以人工重新识别或采用其他自动方法重新识别，在此不做限制),提高了识别的准确性。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于上述发明构思，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现飞机尾涡识别方法的步骤。
基于上述发明构思，本发明实施例还提供一种电子设备。图8是根据一示例性实施例示出的一种电子设备700的框图。如图8所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的飞机尾涡识别方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearFieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的飞机尾涡识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的飞机尾涡识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的飞机尾涡识别方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的飞机尾涡识别方法的代码部分。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种飞机尾涡识别方法，其特征在于，所述方法包括：
根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图；
将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
2.根据权利要求1所述的飞机尾涡识别方法，其特征在于，所述根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图的步骤包括：
采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据；
采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据；
根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
3.根据权利要求1所述的飞机尾涡识别方法，其特征在于，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标；
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
4.根据权利要求1-3任一项所述的飞机尾涡识别方法，其特征在于，所述方法还包括：
根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图；
将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标；
在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
5.一种飞机尾涡识别装置，其特征在于，所述飞机尾涡识别装置包括：
第一待处理风场分布图获取模块，用于根据第一目标风场数据和背景风场数据，获得第一待处理风场分布图；
第一识别模块，用于将所述第一待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第一识别结果，其中，所述第一识别结果包括含有尾涡或不含尾涡，在所述第一识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标。
6.根据权利要求5所述的飞机尾涡识别装置，其特征在于，所述第一待处理风场分布图获取模块包括：
第一目标风场数据获取子模块，用于采用第一多普勒激光雷达实时扫描第一空域大气风场，获取第一目标风场数据；
背景风场数据获取子模块，用于采用第二多普勒激光雷达实时扫描第二空域大气风场，获取背景风场数据；
背景风场滤除子模块，用于根据所述背景风场数据，滤除叠加在所述第一目标风场数据中的背景大气风场，得到所述第一待处理风场分布图。
7.根据权利要求5所述的飞机尾涡识别装置，其特征在于，所述预设深度学习模型是通过如下方式训练得到的：
针对风场分布图像集，根据用户输入的标注指令对所述风场分布图像集内含有尾涡的风场分布图像进行标注，所述标注指令为标注至少一只尾涡的位置坐标；
根据所述风场分布图像集，对YOLO v3网络进行训练，得到所述预设深度学习模型。
8.根据权利要求5-7任一项所述的飞机尾涡识别装置，其特征在于，所述装置还包括：
第二待处理风场分布图获取模块，用于根据第二目标风场数据和背景风场数据，获得第二待处理风场分布图；
第二识别模块，用于将所述第二待处理风场分布图输入预设深度学习模型中，得到所述预设深度学习模型输出的第二识别结果，其中，所述第二识别结果包括含有尾涡或不含尾涡，在所述第二识别结果为含有尾涡时，回归输出表征至少一只尾涡的位置坐标；
标记模块，用于在所述第一识别结果和第二识别结果不同的情况下，将所述第一待处理风场分布图和第二待处理风场分布图标记为待识别风场分布图，以提醒用户对所述第一待处理风场分布图和第二待处理风场分布图进行重新识别。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
CN202010320841.6A 2020-04-22 2020-04-22 飞机尾涡识别方法、装置、可读介质及电子设备 Active CN111551959B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010320841.6A CN111551959B (zh) 2020-04-22 2020-04-22 飞机尾涡识别方法、装置、可读介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010320841.6A CN111551959B (zh) 2020-04-22 2020-04-22 飞机尾涡识别方法、装置、可读介质及电子设备

Publications (2)

Publication Number Publication Date
CN111551959A true CN111551959A (zh) 2020-08-18
CN111551959B CN111551959B (zh) 2022-06-10

Family

ID=72004053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010320841.6A Active CN111551959B (zh) 2020-04-22 2020-04-22 飞机尾涡识别方法、装置、可读介质及电子设备

Country Status (1)

Country Link
CN (1) CN111551959B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112193433A (zh) * 2020-09-14 2021-01-08 中国航天科工集团第二研究院 一种基于波前信息的飞行器尾流探测系统和方法
CN112488159A (zh) * 2020-11-13 2021-03-12 中国民用航空飞行学院 一种基于神经网络的尾涡识别方法
CN113359130A (zh) * 2021-06-07 2021-09-07 西安电子科技大学 一种低散射高速运动目标的探测方法
CN115372988A (zh) * 2022-10-18 2022-11-22 青岛镭测创芯科技有限公司 一种飞机尾涡的识别定位方法、装置及介质
CN115526279A (zh) * 2022-11-29 2022-12-27 中国人民解放军国防科技大学 基于深度学习的飞机尾流识别及强度分级方法及装置
US20230410470A1 (en) * 2022-06-16 2023-12-21 The Government of the United States of America, as represented by the Secretary of Homeland Security Systems and Methods for Detecting a Travelling Object Vortex

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000071985A1 (en) * 1999-05-14 2000-11-30 Honeywell International Inc. System and method for predicting and displaying wake vortex turbulence
CA2536670A1 (en) * 2003-07-25 2005-02-03 Federal Agency Under The Rights Of Protection Of Intellectual Activity Military, Special And Dual-Purpose Results Flight simulator
WO2005010554A1 (fr) * 2003-07-25 2005-02-03 Zakrytoe Aktsionernoe Obschestvo Rossiyskaya Aktsionernaya Assotsiatsiya 'spetstekhnika' Procede et systeme d'avertissement concernant l'entree possible d'un aeronef dans une zone dangereuse de sillage tourbillonnaire de generateur de tourbillons
CN102902977A (zh) * 2012-06-21 2013-01-30 中国人民解放军电子工程学院 基于风场扰动特征的空中目标分类方法
US20170267371A1 (en) * 2016-03-18 2017-09-21 Sunlight Photonics Inc. Methods of three dimensional (3d) airflow sensing and analysis
CN109918764A (zh) * 2019-03-01 2019-06-21 中国民用航空飞行学院 一种衡量飞机遭遇尾涡后的滚转风险程度的方法
GB201907502D0 (en) * 2019-05-28 2019-07-10 Sita Information Networking Computing Uk Ltd System and method for flight arrival time predicition
CN110110112A (zh) * 2019-05-05 2019-08-09 中国民用航空飞行学院 一种基于可升降小车的绕机检查方法及系统
EP3527817A1 (de) * 2018-02-19 2019-08-21 Siemens Aktiengesellschaft Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
CN110210568A (zh) * 2019-06-06 2019-09-06 中国民用航空飞行学院 基于卷积神经网络的航空器尾涡识别方法及系统
CN110781634A (zh) * 2019-10-22 2020-02-11 中国人民解放军国防科技大学 一种基于路径积分的飞机尾流环量反演方法和装置
WO2020033967A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Training a deep learning system for maritime applications
WO2020046407A1 (en) * 2018-08-28 2020-03-05 Ball Aerospace & Technologies Corp. Optical wind lidar-based multifunctional instrument for enhanced measurements and prediction of clear air turbulence and other wind-based aviation related phenomena

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000071985A1 (en) * 1999-05-14 2000-11-30 Honeywell International Inc. System and method for predicting and displaying wake vortex turbulence
CA2536670A1 (en) * 2003-07-25 2005-02-03 Federal Agency Under The Rights Of Protection Of Intellectual Activity Military, Special And Dual-Purpose Results Flight simulator
WO2005010554A1 (fr) * 2003-07-25 2005-02-03 Zakrytoe Aktsionernoe Obschestvo Rossiyskaya Aktsionernaya Assotsiatsiya 'spetstekhnika' Procede et systeme d'avertissement concernant l'entree possible d'un aeronef dans une zone dangereuse de sillage tourbillonnaire de generateur de tourbillons
CN102902977A (zh) * 2012-06-21 2013-01-30 中国人民解放军电子工程学院 基于风场扰动特征的空中目标分类方法
US20170267371A1 (en) * 2016-03-18 2017-09-21 Sunlight Photonics Inc. Methods of three dimensional (3d) airflow sensing and analysis
EP3527817A1 (de) * 2018-02-19 2019-08-21 Siemens Aktiengesellschaft Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
WO2020033967A1 (en) * 2018-08-10 2020-02-13 Buffalo Automation Group Inc. Training a deep learning system for maritime applications
WO2020046407A1 (en) * 2018-08-28 2020-03-05 Ball Aerospace & Technologies Corp. Optical wind lidar-based multifunctional instrument for enhanced measurements and prediction of clear air turbulence and other wind-based aviation related phenomena
CN109918764A (zh) * 2019-03-01 2019-06-21 中国民用航空飞行学院 一种衡量飞机遭遇尾涡后的滚转风险程度的方法
CN110110112A (zh) * 2019-05-05 2019-08-09 中国民用航空飞行学院 一种基于可升降小车的绕机检查方法及系统
GB201907502D0 (en) * 2019-05-28 2019-07-10 Sita Information Networking Computing Uk Ltd System and method for flight arrival time predicition
CN110210568A (zh) * 2019-06-06 2019-09-06 中国民用航空飞行学院 基于卷积神经网络的航空器尾涡识别方法及系统
CN110781634A (zh) * 2019-10-22 2020-02-11 中国人民解放军国防科技大学 一种基于路径积分的飞机尾流环量反演方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PAN WEIJUN: "Deep Learning for Aircraft Wake Vortex Identification", 《ASIA PACIFIC INSTITUTE OF SCIENCE AND ENGINEERING》 *
张庆宇: "飞机尾涡的多普勒激光雷达识别方法研究", 《中国优秀硕士/博士学位论文全文数据库》 *
潘卫军 等: "基于AlexNet卷积神经网络的激光雷达飞机尾涡识别研究", 《光电工程》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112193433A (zh) * 2020-09-14 2021-01-08 中国航天科工集团第二研究院 一种基于波前信息的飞行器尾流探测系统和方法
CN112193433B (zh) * 2020-09-14 2022-02-25 中国航天科工集团第二研究院 一种基于波前信息的飞行器尾流探测系统和方法
CN112488159A (zh) * 2020-11-13 2021-03-12 中国民用航空飞行学院 一种基于神经网络的尾涡识别方法
CN113359130A (zh) * 2021-06-07 2021-09-07 西安电子科技大学 一种低散射高速运动目标的探测方法
US20230410470A1 (en) * 2022-06-16 2023-12-21 The Government of the United States of America, as represented by the Secretary of Homeland Security Systems and Methods for Detecting a Travelling Object Vortex
US11922676B2 (en) * 2022-06-16 2024-03-05 The Government of the United States of America, as represented by the Secretary of Homeland Security Systems and methods for detecting a travelling object vortex
CN115372988A (zh) * 2022-10-18 2022-11-22 青岛镭测创芯科技有限公司 一种飞机尾涡的识别定位方法、装置及介质
CN115526279A (zh) * 2022-11-29 2022-12-27 中国人民解放军国防科技大学 基于深度学习的飞机尾流识别及强度分级方法及装置
CN115526279B (zh) * 2022-11-29 2023-04-28 中国人民解放军国防科技大学 基于深度学习的飞机尾流识别及强度分级方法及装置

Also Published As

Publication number Publication date
CN111551959B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN111551959B (zh) 飞机尾涡识别方法、装置、可读介质及电子设备
US9625577B1 (en) Aviation display depiction of weather threats
US6650275B1 (en) Image processing for hazard recognition in on-board weather radar
US8395541B2 (en) Enhanced alerting of characteristic weather hazards
CN107818330B (zh) 使用具有广泛不同误差大小的数据进行空间滤波的系统和方法
US7656343B1 (en) System and method for providing enhanced weather hazard alerting for aircraft
CN108055094B (zh) 一种无人机操作手频谱特征识别与定位方法
US9599707B1 (en) Weather radar system and method with path attenuation shadowing
EP1783720B1 (en) Error control in an air traffic management system
EP2148215A1 (en) Systems and methods for re-triggering of radar weather display
KR101695547B1 (ko) Gps 누설 신호를 이용한 무인기 감지 방법 및 시스템
CN106441233A (zh) 基于倾斜摄影三维重建技术的电力通道走廊巡检方法
CN106546984A (zh) 利用外部气象数据提高机载气象雷达的性能
US9533769B1 (en) Terrain warning systems and methods
US10494108B1 (en) System and method for providing icing condition warnings
CN110782465B (zh) 一种基于激光雷达的地面分割方法、装置及存储介质
JPH06500861A (ja) 高高度及び低高度レーダー・スキャンを用いるウインドシア・レーダーシステム
DK201300589A1 (en) Dynamic alarm zones for bird detection systems
US20230038494A1 (en) Administrative server in ship navigation assistance system, ship navigation assistance method, and ship navigation assistance program
US9594162B1 (en) Avian hazard detection and classification using airborne weather radar system
US10605912B1 (en) Storm top adaptive beam scan
US9823347B1 (en) Weather radar system and method for high altitude crystal warning interface
CN203070092U (zh) 一种机载防撞单元的模拟测试系统
CN111981910A (zh) 一种基于人工智能的低空防御系统
CN112306078B (zh) 一种无人机自动避障导线的方法及系统

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
GR01 Patent grant
GR01 Patent grant