CN115526279B - 基于深度学习的飞机尾流识别及强度分级方法及装置 - Google Patents
基于深度学习的飞机尾流识别及强度分级方法及装置 Download PDFInfo
- Publication number
- CN115526279B CN115526279B CN202211512558.9A CN202211512558A CN115526279B CN 115526279 B CN115526279 B CN 115526279B CN 202211512558 A CN202211512558 A CN 202211512558A CN 115526279 B CN115526279 B CN 115526279B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- wake
- intensity
- aircraft 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000013136 deep learning model Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001739 rebound effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/06—Measuring arrangements specially adapted for aerodynamic testing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- 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
-
- 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
Abstract
本申请涉及一种基于深度学习的飞机尾流识别及强度分级方法及装置。所述方法包括:对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。采用本方法能够提高飞机尾流识别鲁棒性和降低计算量。
Description
技术领域
本申请涉及雷达探测技术领域,特别是涉及一种基于深度学习的飞机尾流识别及强度分级方法、装置、计算机设备和存储介质。
背景技术
飞机尾流是机翼上下表面压力差而在其后方形成的一种反向旋转的强烈气流,是飞机飞行时不可避免的物理现象,具有空间尺度大、持续时间长、旋转强烈等特点,它是航空安全领域最严重的危害之一。国际民航组织为此制定了飞机起降的间隔标准,将飞机分为重型、中型和轻型三类,根据飞机重量规定了前机和后机的起降间隔,但这个间隔标准存在过于保守的问题,严重限制了机场容量的提升。
目前,随着雷达探测设备和技术的发展,欧美等国开展了飞机尾流重分类的研究并提出新的飞机分类标准,进一步将飞机机型分为六类,缩短了对应飞机的起降间隔,但这些标准仍然以飞机机型为基准,未考虑飞机尾流的实际强度和演化趋势,不能真实反映飞机尾流对后续飞机的危害。为此,需要开展飞机尾流的位置和强度即速度环量等参数的估计,实现基于位置和强度的危害预警。但现有的飞机尾流的位置和强度估计方法存在鲁棒性不高、计算量较大的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高飞机尾流识别鲁棒性和降低计算量的基于深度学习的飞机尾流识别及强度分级方法、装置、计算机设备和存储介质。
一种基于深度学习的飞机尾流识别及强度分级方法,所述方法包括:
利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布;
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;
根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;
构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;
根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
在其中一个实施例中,对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度,包括:
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度为
其中,为飞机重量,为重力加速度,为空气密度,为飞机翼展,为飞机飞行速度。
在其中一个实施例中,根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系,包括:
根据飞机尾流强度计算结果建立基于飞机尾流强度的六个等级强度级别包括第一强度级别、第二强度级别、第三强度级别、第四强度级别、第五强度级别和第六强度级别;第一强度级别对应的尾流速度环量范围为;第二强度级别对应的尾流速度环量范围为;第三强度级别对应的尾流速度环量范围为;第四强度级别对应的尾流速度环量范围为;第五强度级别对应的尾流速度环量范围为;第六强度级别对应的尾流速度环量范围为。
在其中一个实施例中,构建训练损失函数为
其中为预测框与目标框的交汇比例,和分别为预测框和目标框,为预测框和目标框的欧拉距离,为涵盖预测框和目标框的框架的对角线长度,和为涵盖预测框和目标框的框架的宽和高。
在其中一个实施例中,利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布,包括:
在机场跑道的一侧设置激光雷达,并以激光雷达为原点,在穿过原点且与机场跑道正交的平面上建立xoy坐标系,通过激光雷达在xoy平面上来回上下扫描飞机尾流,得到多普勒速度在xoy平面上的分布。
一种基于深度学习的飞机尾流识别及强度分级装置,所述装置包括:
建立多普勒速度分布模块,用于利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描得到多普勒速度分布;
建立飞机尾流强度分级体系模块,用于对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
模型训练和尾流识别模块,用于根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布;
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;
根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;
构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;
根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布;
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;
根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;
构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;
根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
上述基于深度学习的飞机尾流识别及强度分级方法、装置、计算机设备和存储介质,本申请通过飞机尾流单涡识别的概念构建飞机尾流标签训练集,克服了传统方法无法有效识别复杂背景风场条件下飞机尾流涡心的不足;建立飞机尾流强度分级体系,克服传统基于飞机机型分类规则过于保守且危害预警效果不佳的问题;通过利用多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型,根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级,实现了飞机尾流位置的快速识别和强度的准确分级,克服了传统方法计算量大和实时性不佳的问题。
附图说明
图1为一个实施例中一种基于深度学习的飞机尾流识别及强度分级方法的流程示意图;
图2为一个实施例中雷达扫描场景图;
图3为另一个实施例中在不同复杂风场情况下的尾流识别结果示意图;(a)为尾流稳定段的识别效果示意图,(b)为地面反弹效应的识别效果示意图,(c)为多尾涡同时存在的识别效果示意图,(d)为单尾涡存在情况下的识别效果示意图;
图4为一个实施例中一种基于深度学习的飞机尾流识别及强度分级装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用于解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于深度学习的飞机尾流识别及强度分级方法,包括以下步骤:
步骤102,利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描得到多普勒速度分布。
当有飞机在机场跑道上起/降时,将在跑道上空产生一对飞机尾流漩涡。在机场跑道的一侧设置激光雷达,并以激光雷达为原点,在穿过原点且与机场跑道正交的平面上建立xoy坐标系,令激光雷达在xoy平面上来回上下扫描飞机尾流。扫描波束仰角的范围是。通过激光雷达上下扫描飞机尾流,可以得到多普勒速度在xoy平面上的分布。如图2所示,激光雷达位于坐标系原点,垂直于跑道在的角度范围内以的速度上下扫描,雷达波束将会照射到左右尾流,形成飞机尾流的RHI速度回波分布图。
步骤104,对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系。
基于欧洲EUROCONTROL组织建立的飞机机型分类标准RECAT-EU,根据稳定段飞机尾流初始强度计算公式(如下式所示),可计算得到对应分类里面飞机的速度环量即强度
其中为飞机重量,为重力加速度,为空气密度,为飞机翼展,为飞机飞行速度。
根据计算得到的飞机尾流单涡旋的强度以及欧洲RECAT-EU分类标准,建立飞机尾流强度分级体系,将飞机尾流强度分为六类,对应的标准如下表1所示:
表1
本申请通过建立飞机尾流强度分级体系,克服传统基于飞机机型分类规则过于保守且危害预警效果不佳的问题。
步骤106,根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
根据飞机尾流演化特点,结合大量实测数据,采用YOLOv5s深度学习框架进行飞机尾流RHI分布图的学习训练,提出基于尾流单涡识别的概念构建飞机尾流标签训练集,应用EIOU损失函数对深度学习框架进行优化,基于提出的飞机尾流强度分级体系,实现飞机尾流的快速识别和强度分级。如图3所示,其中,L代表左涡,R代表右涡,A、B、C、D、E、F代表尾流强度等级,图中给出了本发明在尾流稳定段、地面反弹效应、多尾涡同时存在以及单尾涡存在情况下的识别效果,结果表明本发明能够适应不同复杂背景风场条件,实现尾流单涡的准确识别和强度等级估计。
上述基于深度学习的飞机尾流识别及强度分级方法中,本申请通过飞机尾流单涡识别的概念构建飞机尾流标签训练集,克服了传统方法无法有效识别复杂背景风场条件下飞机尾流涡心的不足;建立飞机尾流强度分级体系,克服传统基于飞机机型分类规则过于保守且危害预警效果不佳的问题;通过利用多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型,根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级,实现了飞机尾流位置的快速识别和强度的准确分级,克服了传统方法计算量大和实时性不佳的问题。
在其中一个实施例中,对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度,包括:
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度为
其中,为飞机重量,为重力加速度,为空气密度,为飞机翼展,为飞机飞行速度。
在其中一个实施例中,根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系,包括:
根据飞机尾流强度计算结果建立基于飞机尾流强度的六个等级强度级别包括第一强度级别、第二强度级别、第三强度级别、第四强度级别、第五强度级别和第六强度级别;第一强度级别对应的尾流速度环量范围为;第二强度级别对应的尾流速度环量范围为;第三强度级别对应的尾流速度环量范围为;第四强度级别对应的尾流速度环量范围为;第五强度级别对应的尾流速度环量范围为;第六强度级别对应的尾流速度环量范围为。
在具体实施例中,第一强度级别、第二强度级别、第三强度级别、第四强度级别、第五强度级别和第六强度级别分别对应表1中的A、B、C、D、E、F。
在其中一个实施例中,构建训练损失函数为
其中为预测框与目标框的交汇比例,和分别为预测框和目标框,为预测框和目标框的欧拉距离,为涵盖预测框和目标框的框架的对角线长度,和为涵盖预测框和目标框的框架的宽和高。
在其中一个实施例中,利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布,包括:
在机场跑道的一侧设置激光雷达,并以激光雷达为原点,在穿过原点且与机场跑道正交的平面上建立xoy坐标系,通过激光雷达在xoy平面上来回上下扫描飞机尾流,得到多普勒速度在xoy平面上的分布。
在其中一个实施例中,如表2所示,给出了不同损失函数条件下的精确率(precision)、召回率(recall)和平均精度值(MAP0.5)的对比结果。
表2
在其中一个实施例中,如表3所示,给出了不同损失函数下左涡和右涡的识别率,结果证明了本发明较传统损失函数的识别率都有较大的提升。
表3
在其中一个实施例中,如表4所示,给出了尾流强度分级的准确度,通过与经典PI方法进行对比,可以发现本发明对尾流的强度分级达到了较好的效果。
表4
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种基于深度学习的飞机尾流识别及强度分级装置,包括:建立多普勒速度分布模块402、建立飞机尾流强度分级体系模块404和模型训练和尾流识别模块406,其中:
建立多普勒速度分布模块402,用于利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描得到多普勒速度分布;
建立飞机尾流强度分级体系模块404,用于对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
模型训练和尾流识别模块406,用于根据标签识别工具从多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用飞机尾流单涡旋多普勒速度分布和飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用损失函数和飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;根据优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
在其中一个实施例中,建立飞机尾流强度分级体系模块404还用于对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度,包括:
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度为
其中,为飞机重量,为重力加速度,为空气密度,为飞机翼展,为飞机飞行速度。
在其中一个实施例中,建立飞机尾流强度分级体系模块404还用于根据飞机尾流单涡旋的强度建立飞机尾流强度分级体系,包括:
根据飞机尾流强度计算结果建立基于飞机尾流强度的六个等级强度级别包括第一强度级别、第二强度级别、第三强度级别、第四强度级别、第五强度级别和第六强度级别;第一强度级别对应的尾流速度环量范围为;第二强度级别对应的尾流速度环量范围为;第三强度级别对应的尾流速度环量范围为;第四强度级别对应的尾流速度环量范围为;第五强度级别对应的尾流速度环量范围为;第六强度级别对应的尾流速度环量范围为。
在其中一个实施例中,构建训练损失函数为
其中为预测框与目标框的交汇比例,和分别为预测框和目标框,为预测框和目标框的欧拉距离,为涵盖预测框和目标框的框架的对角线长度,和为涵盖预测框和目标框的框架的宽和高。
在其中一个实施例中,建立多普勒速度分布模块402还用于利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布,包括:
在机场跑道的一侧设置激光雷达,并以激光雷达为原点,在穿过原点且与机场跑道正交的平面上建立xoy坐标系,通过激光雷达在xoy平面上来回上下扫描飞机尾流,得到多普勒速度在xoy平面上的分布。
关于基于深度学习的飞机尾流识别及强度分级装置的具体限定可以参见上文中对于基于深度学习的飞机尾流识别及强度分级方法的限定,在此不再赘述。上述基于深度学习的飞机尾流识别及强度分级装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于深度学习的飞机尾流识别及强度分级方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于深度学习的飞机尾流识别及强度分级方法,其特征在于,所述方法包括:
利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布;
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;
根据所述飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
根据标签识别工具从所述多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用所述飞机尾流单涡旋多普勒速度分布和所述飞机尾流强度分级体系构建飞机尾流标签训练集;
构建训练损失函数;利用所述损失函数和所述飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;
根据所述优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
2.根据权利要求1所述的方法,其特征在于,对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度,包括:
对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度为
其中,为飞机重量,为重力加速度,为空气密度,为飞机翼展,为飞机飞行速度。
3.根据权利要求1所述的方法,其特征在于,根据所述飞机尾流单涡旋的强度建立飞机尾流强度分级体系,包括:
根据所述飞机尾流强度计算结果建立基于飞机尾流强度的六个等级强度级别包括第一强度级别、第二强度级别、第三强度级别、第四强度级别、第五强度级别和第六强度级别;所述第一强度级别对应的尾流速度环量范围为;所述第二强度级别对应的尾流速度环量范围为;所述第三强度级别对应的尾流速度环量范围为;所述第四强度级别对应的尾流速度环量范围为;所述第五强度级别对应的尾流速度环量范围为;所述第六强度级别对应的尾流速度环量范围为。
4.根据权利要求1至3任意一项所述的方法,其特征在于,构建训练损失函数为
其中,为预测框与目标框的交汇比例,和分别为预测框和目标框,为预测框和目标框的欧拉距离,为涵盖预测框和目标框的框架的对角线长度,和为涵盖预测框和目标框的框架的宽和高。
5.根据权利要求1所述的方法,其特征在于,利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描飞机尾流得到多普勒速度分布,包括:
在机场跑道的一侧设置激光雷达,并以激光雷达为原点,在穿过原点且与机场跑道正交的平面上建立xoy坐标系,通过激光雷达在xoy平面上来回上下扫描飞机尾流,得到多普勒速度在xoy平面上的分布。
6.一种基于深度学习的飞机尾流识别及强度分级装置,其特征在于,所述装置包括:
建立多普勒速度分布模块,用于利用激光雷达探测系统,以激光雷达为原点建立平面坐标系,通过激光雷达上下扫描得到多普勒速度分布;
建立飞机尾流强度分级体系模块,用于对飞机机型分类标准中的所有飞机进行速度环量计算,得到飞机尾流单涡旋的强度;根据所述飞机尾流单涡旋的强度建立飞机尾流强度分级体系;
模型训练和尾流识别模块,用于根据标签识别工具从所述多普勒速度分布中获取飞机尾流单涡旋多普勒速度分布,利用所述飞机尾流单涡旋多普勒速度分布和所述飞机尾流强度分级体系构建飞机尾流标签训练集;构建训练损失函数;利用所述损失函数和所述飞机尾流标签训练集对YOLOv5s深度学习框架进行优化,得到优化后的YOLOv5s深度学习模型;根据所述优化后的YOLOv5s深度学习模型进行飞机尾流识别和强度分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512558.9A CN115526279B (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的飞机尾流识别及强度分级方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512558.9A CN115526279B (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的飞机尾流识别及强度分级方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115526279A CN115526279A (zh) | 2022-12-27 |
CN115526279B true CN115526279B (zh) | 2023-04-28 |
Family
ID=84705237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211512558.9A Active CN115526279B (zh) | 2022-11-29 | 2022-11-29 | 基于深度学习的飞机尾流识别及强度分级方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115526279B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
CN113837639A (zh) * | 2021-09-29 | 2021-12-24 | 中国民用航空飞行学院 | 一种基于多维指标的航空器遭遇尾流风险评估系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ATE447722T1 (de) * | 2003-07-25 | 2009-11-15 | Nikolai Alekseevich Baranov | Verfahren und system zur verhinderung, dass ein flugzeug in einen gefährlichen nachzugswirbelbereich eines wirbelerzeugers eindringt |
FR2916280A1 (fr) * | 2007-05-15 | 2008-11-21 | Thales Sa | Procede de surveillance radar des turbulences de sillage |
-
2022
- 2022-11-29 CN CN202211512558.9A patent/CN115526279B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
CN113837639A (zh) * | 2021-09-29 | 2021-12-24 | 中国民用航空飞行学院 | 一种基于多维指标的航空器遭遇尾流风险评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115526279A (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Adversarial objects against lidar-based autonomous driving systems | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
US10726134B2 (en) | Techniques to detect perturbation attacks with an actor-critic framework | |
CN111353512B (zh) | 障碍物分类方法、装置、存储介质和计算机设备 | |
CN113866742B (zh) | 一种4d毫米波雷达点云处理和目标分类的方法 | |
CN104597430B (zh) | 机载气象雷达低空风切变三维回波仿真方法 | |
CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
CN109932730A (zh) | 基于多尺度单极三维检测网络的激光雷达目标检测方法 | |
CN110516560B (zh) | 基于fpga异构深度学习的光学遥感图像目标检测方法 | |
CN110411366A (zh) | 一种道路积水深度的检测方法及电子设备 | |
CN111709923A (zh) | 一种三维物体检测方法、装置、计算机设备和存储介质 | |
CN116630798A (zh) | 一种基于改进YOLOv5的SAR图像飞机目标检测方法 | |
CN113609895A (zh) | 基于改进Yolov3的获取道路交通信息方法 | |
Setiawan et al. | Turbulence characteristics of the ship air-wake with two different topside arrangements and inflow conditions | |
CN110781634A (zh) | 一种基于路径积分的飞机尾流环量反演方法和装置 | |
CN115526279B (zh) | 基于深度学习的飞机尾流识别及强度分级方法及装置 | |
CN117269940B (zh) | 点云数据生成方法、激光雷达的感知能力验证方法 | |
KR20220117341A (ko) | 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체 | |
US20230419639A1 (en) | Target detection method and device for high-resolution remote sensing image | |
Shanliang et al. | Airport UAV and birds detection based on deformable DETR | |
Hospers | Eulerian method for super-cooled large-droplet ice-accretion on aircraft wings | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
CN111625973B (zh) | 鸟撞飞机机翼分析方法、装置、计算机设备和存储介质 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN113569954A (zh) | 一种野生动物智能分类识别方法 |
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 |