低空環(huán)境下基于YOLO的航空器沖突檢測分析與研究

令狐寅喬

摘要 隨著全球航空交通的快速發(fā)展，航空器沖突問題逐漸凸顯，對航空安全和運(yùn)營提出了更高的挑戰(zhàn)和要求。YOLO是一種實(shí)時(shí)目標(biāo)檢測算法，可以在視頻流中快速準(zhǔn)確地識(shí)別出目標(biāo)的位置和類別，文章以基于YOLO的航空器沖突檢測分析與研究為題，綜合了近年來關(guān)于該領(lǐng)域的研究成果，深入探討了基于YOLO的目標(biāo)檢測方法在航空器沖突檢測中的應(yīng)用潛力對于防相撞技術(shù)的研究。

關(guān)鍵詞 航空器；沖突檢測；YOLO；防相撞

中圖分類號 V328文獻(xiàn)標(biāo)識(shí)碼 A文章編號 2096-8949（2024）08-0015-03

0 引言

在全球航空交通日益發(fā)展的今天，航空器沖突的安全隱患日益顯現(xiàn)，對航空業(yè)的安全性和效率構(gòu)成了重大挑戰(zhàn)。航空器沖突不僅可能導(dǎo)致嚴(yán)重的事故風(fēng)險(xiǎn)，還會(huì)對航班的正常運(yùn)營造成干擾。因此，開發(fā)高效準(zhǔn)確的沖突檢測方法已成為航空安全和運(yùn)營管理的緊迫任務(wù)。近年來，計(jì)算機(jī)視覺技術(shù)的持續(xù)進(jìn)步為解決航空器沖突問題提供了新的契機(jī)。特別是目標(biāo)檢測算法YOLO（You Only Look Once），它具有在單次前向傳遞中同時(shí)實(shí)現(xiàn)目標(biāo)的檢測和分類的能力，為航空器沖突檢測提供了新的解決思路。在這一背景下，研究者開始探索如何將YOLO算法應(yīng)用于航空器沖突檢測中，以提高飛行安全和運(yùn)營效率。這一領(lǐng)域的研究具有廣闊的應(yīng)用前景，對未來的航空安全和運(yùn)營管理具有重要的意義。該文以基于YOLO的航空器沖突檢測分析與研究為主題，綜合分析了近年來在該領(lǐng)域涌現(xiàn)的研究成果，重點(diǎn)關(guān)注了YOLO算法的相關(guān)文獻(xiàn)，這些研究集中探討了如何通過改進(jìn)和優(yōu)化YOLO算法，實(shí)現(xiàn)在不同情境下的航空器沖突檢測。這些研究為深入了解基于YOLO的目標(biāo)檢測方法在航空器沖突問題上的應(yīng)用潛力提供了重要線索。為了更全面地理解這一領(lǐng)域的研究現(xiàn)狀和發(fā)展趨勢，該文還對基于YOLO的航空器沖突檢測方法進(jìn)行了分類和比較，發(fā)現(xiàn)雖然現(xiàn)有的研究已經(jīng)取得了一些重要的成果，但仍存在一些挑戰(zhàn)和問題需要進(jìn)一步研究和解決。例如，如何提高檢測的準(zhǔn)確性和實(shí)時(shí)性、如何處理復(fù)雜場景下的干擾因素等。通過全面綜合和分析這些文獻(xiàn)，該文旨在為進(jìn)一步的研究提供指導(dǎo)，推動(dòng)航空器沖突檢測領(lǐng)域的發(fā)展，從而為航空安全和運(yùn)營管理的挑戰(zhàn)尋求創(chuàng)新性的解決方案。同時(shí)，希望引起更多研究者對這一領(lǐng)域的關(guān)注和投入，共同推動(dòng)航空器沖突檢測技術(shù)的進(jìn)步，為全球航空交通的安全和效率作出貢獻(xiàn)[1]。

1 研究背景和意義

低空飛行環(huán)境的獨(dú)特特征賦予了航空器沖突檢測更為復(fù)雜的挑戰(zhàn)。首先，低空通常伴隨著地形的復(fù)雜性，例如山脈、建筑物和地形起伏，這增加了航空器沖突的隱患。傳統(tǒng)的航空器沖突檢測方法在這樣的環(huán)境下可能難以準(zhǔn)確判斷目標(biāo)的位置和距離，因而需要更為靈敏和適應(yīng)性更強(qiáng)的檢測算法。其次，低空環(huán)境中的空域限制對于航空器沖突的預(yù)測和避免提出了更高的要求。狹窄的飛行通道、密集的建筑區(qū)域以及低空交通流的高度差異性都增加了航空器沖突的概率。在這種情況下，對于航空器沖突的早期預(yù)警和精準(zhǔn)識(shí)別成為確保航空安全至關(guān)重要的步驟。

此外，低空環(huán)境下的交通密度較高，航空器之間的相對速度和距離變化更為迅猛。這對于傳統(tǒng)的沖突檢測系統(tǒng)來說增加了難度，需要更快速和精確的算法來確保在這樣的動(dòng)態(tài)環(huán)境下能夠有效地檢測和預(yù)防沖突。

在這一復(fù)雜的背景下，YOLO算法作為一種先進(jìn)的目標(biāo)檢測技術(shù)，呈現(xiàn)出在低空環(huán)境中應(yīng)用的巨大潛力。YOLO的實(shí)時(shí)性使得它能夠迅速響應(yīng)不斷變化的低空環(huán)境，同時(shí)，其多尺度檢測特性有望有效地應(yīng)對低空環(huán)境中目標(biāo)的大小變化。這為低空環(huán)境下航空器沖突檢測提供了新的解決方案，能夠更好地適應(yīng)這一特殊環(huán)境的要求[2]。

2 低空環(huán)境的特殊性

低空飛行環(huán)境是指飛行高度相對較低的區(qū)域，通常涵蓋了地面至幾千英尺的高度范圍。與高空飛行相比，低空環(huán)境具有特殊性，這些特點(diǎn)在決定航空器沖突檢測挑戰(zhàn)的同時(shí)，也為新一代目標(biāo)檢測技術(shù)的應(yīng)用提供了契機(jī)。首先，低空環(huán)境的地形復(fù)雜性是顯著的。由于航空器必須適應(yīng)地表的地勢變化，如山脈、建筑物、水域等，目標(biāo)的運(yùn)動(dòng)軌跡變得更加曲折。這使得傳統(tǒng)基于雷達(dá)等技術(shù)的沖突檢測難以滿足要求，因?yàn)樗鼈儗Φ匦蔚拿舾行钥赡軐?dǎo)致虛警或漏報(bào)。其次，低空環(huán)境的空域限制使得航空器之間的相互影響更為密切。在有限的空間內(nèi)，航空器的機(jī)動(dòng)性和速度變化更為迅猛，給沖突檢測帶來更高的復(fù)雜性。此外，低空飛行通常伴隨著更頻繁的起降活動(dòng)，增加了航空器之間橫向和縱向交叉的可能性，從而增加了沖突的潛在風(fēng)險(xiǎn)。同時(shí)，低空環(huán)境的交通密度相對較高。由于低空通常是城市和地面設(shè)施的密集區(qū)域，航空器在這一區(qū)域的密度大幅增加。傳統(tǒng)沖突檢測系統(tǒng)在面對大量航空器并發(fā)運(yùn)動(dòng)時(shí)可能面臨諸多困難，因?yàn)檫@會(huì)導(dǎo)致系統(tǒng)無法及時(shí)、準(zhǔn)確地識(shí)別潛在沖突。最后，低空環(huán)境下的氣象條件也對沖突檢測構(gòu)成挑戰(zhàn)。低空通常伴隨著更多的天氣變化，如低云、降雨、霧等，這些條件可能降低傳感器的效能，使得航空器更難以被及時(shí)發(fā)現(xiàn)。綜合考慮以上因素，低空環(huán)境的特殊性使得傳統(tǒng)的航空器沖突檢測方法愈發(fā)顯得力不從心。因此，基于先進(jìn)目標(biāo)檢測技術(shù)，尤其是基于YOLO的方法，成為應(yīng)對這一挑戰(zhàn)的前沿手段。在低空環(huán)境中，尋找適應(yīng)地形復(fù)雜性、空域限制和高交通密度的目標(biāo)檢測解決方案勢在必行，以提高沖突檢測的及時(shí)性和準(zhǔn)確性[3]。

3 相關(guān)技術(shù)和方法

3.1 YOLO（You Only Look Once）算法介紹

YOLO算法通過將目標(biāo)檢測任務(wù)簡化為單一的前向傳遞，實(shí)現(xiàn)了快速且準(zhǔn)確的目標(biāo)檢測?；赮OLO的航空器沖突檢測方法將先進(jìn)的實(shí)時(shí)目標(biāo)檢測技術(shù)引入航空安全領(lǐng)域，該方法通過將圖像劃分為網(wǎng)格單元，每個(gè)單元負(fù)責(zé)檢測和定位飛行器，實(shí)現(xiàn)了一次前向傳遞內(nèi)的全局檢測。多尺度特征提取使算法能夠適應(yīng)不同大小和復(fù)雜度的飛行器。通過回歸算法預(yù)測目標(biāo)的邊界框坐標(biāo)和目標(biāo)置信度，該方法不僅實(shí)現(xiàn)了準(zhǔn)確的目標(biāo)位置定位，還能過濾出具有高置信度的沖突情況。表明了基于YOLO的航空器沖突檢測方法具有高效、實(shí)時(shí)和多尺度檢測的優(yōu)勢，為航空安全提供了創(chuàng)新性的解決途徑。

3.2 航空器YOLO方法檢測設(shè)計(jì)

YOLOv3框架可以將航空器的圖層主要由三個(gè)部分構(gòu)成：Darknet-53結(jié)構(gòu)、特征層融合結(jié)構(gòu)以及分類檢測結(jié)構(gòu)。給予一張大小為416×416的航空器圖像，將其輸入Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)中，經(jīng)過一系列卷積和參差網(wǎng)絡(luò)處理，可以分別得到原圖像的1/8（大?。?2×52）、1/16（大小：16×26）、1/32的特征圖（即特征映射），將提取出的不同大小的航空器圖層經(jīng)過Darknet-53網(wǎng)絡(luò)處理后，產(chǎn)生三個(gè)分支，分別對應(yīng)三種不同尺寸的特征圖。

針對提取出的三種不同尺寸的圖片，雖然可以通過一些簡單的識(shí)別方法對其進(jìn)行處理，但需要考慮這些圖片的圖層表達(dá)能力可能不足以完美還原原圖中的航空器細(xì)節(jié)信息，并存在識(shí)別不準(zhǔn)確的風(fēng)險(xiǎn)。因此，為了提高識(shí)別準(zhǔn)確性和完整性，需要對這三張圖片進(jìn)行融合處理。由于這些圖片的特征圖大小尺寸不同，需要通過堆疊和卷積等操作，將它們?nèi)诤铣稍瓐D像的1/32、1/16、1/8三張不同大小的圖片。這樣的處理能夠更好地利用不同尺寸圖片的信息，提高識(shí)別的準(zhǔn)確性和可靠性[4]。

3.3 數(shù)據(jù)集準(zhǔn)備

在開展模型訓(xùn)練與測試之前，該文對數(shù)據(jù)集實(shí)施了預(yù)處理措施，涵蓋了圖像增強(qiáng)與數(shù)據(jù)擴(kuò)充等方面。通過這些手段，有助于提升模型的泛化性能及準(zhǔn)確度。在模型訓(xùn)練過程中，該文選用了深度學(xué)習(xí)算法，包括卷積神經(jīng)網(wǎng)絡(luò)（CNN）與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等。這些算法能有效提取圖像特征，并實(shí)現(xiàn)目標(biāo)分類與定位。為提升模型性能，該文運(yùn)用了遷移學(xué)習(xí)策略，以預(yù)訓(xùn)練模型為基礎(chǔ)，針對特定任務(wù)進(jìn)行微調(diào)[5]。

在模型測試方面，該文采用了交叉驗(yàn)證和混淆矩陣等技術(shù)，對模型的性能進(jìn)行評估和優(yōu)化。通過這些措施，可以確保模型的準(zhǔn)確性和穩(wěn)定性，為后續(xù)的應(yīng)用提供可靠的保障。

最終，該文通過對真實(shí)航空器圖像和仿真數(shù)據(jù)集的訓(xùn)練和測試，成功地開發(fā)出了一種高效、準(zhǔn)確的航空器目標(biāo)檢測模型。該模型能夠有效地識(shí)別和定位航空器目標(biāo)，具有重要的應(yīng)用價(jià)值[6]。

4 構(gòu)建模型

該文以YOLOv3算法作為主要檢測手段，并依托Darknet53框架進(jìn)行實(shí)現(xiàn)。在模型訓(xùn)練階段，運(yùn)用了數(shù)據(jù)增強(qiáng)技術(shù)，充實(shí)了數(shù)據(jù)集，并使用交叉熵?fù)p失函數(shù)對模型進(jìn)行優(yōu)化。在模型推理階段，采用了非極大值抑制算法，排除了重疊的目標(biāo)框，最終獲得了精準(zhǔn)的目標(biāo)檢測結(jié)果，如圖1所示。

為了驗(yàn)證訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)，利用碰撞檢測算法設(shè)計(jì)實(shí)現(xiàn)航空器碰撞檢測，該文提出了一種基于距離計(jì)算的算法。具體而言，通過檢測到的航空器目標(biāo)框的中心點(diǎn)為坐標(biāo)進(jìn)行計(jì)算，長度設(shè)定為x，高度設(shè)定為y，根據(jù)YOLO的建立的CUDA框架，識(shí)別出此航空器與其他航空器目標(biāo)框中心點(diǎn)坐標(biāo)的距離，并判斷是否存在相交情況。如果存在相交，則說明存在碰撞風(fēng)險(xiǎn)，需要進(jìn)行報(bào)警處理[7]。

5 實(shí)驗(yàn)與結(jié)果分析

該文采用了真實(shí)航空器圖像和仿真數(shù)據(jù)集來測試和評估所提出的航空器碰撞檢測方法。最終的結(jié)果表明，這種實(shí)驗(yàn)方法具有較高的精確性和實(shí)時(shí)性。在真實(shí)航空器圖像數(shù)據(jù)集上，該文所提出的方法的平均精度達(dá)到了90%以上，平均檢測時(shí)間僅為100 ms左右[8]。

6 結(jié)論和展望

該研究以基于YOLO的航空器低空環(huán)境下的沖突檢測為主題，深入探討了在低空環(huán)境下應(yīng)用該方法的潛在優(yōu)勢。通過對低空環(huán)境特殊性的全面剖析，從地形復(fù)雜性、空域限制、高交通密度和氣象條件等多個(gè)維度闡釋了傳統(tǒng)方法在此環(huán)境下的不足之處，該文提出的航空器基于YOLO檢測的碰撞檢測方法，對真實(shí)航空器圖像和仿真數(shù)據(jù)集進(jìn)行了測試和評估。結(jié)果表明，所提出的方法具有較高的檢測精度和實(shí)時(shí)性，可以幫助航空器（例如飛行器、無人機(jī)）實(shí)時(shí)識(shí)別周圍的障礙物、其他飛行器、地標(biāo)等，有助于自主導(dǎo)航和避免碰撞，提高飛行器的安全性，一定程度上減少飛行人員的工作負(fù)荷。但是，如檢測距離有限、對光照和天氣等環(huán)境因素敏感等問題是該文無法解決的，且識(shí)別的碰撞的方式為二維平面，與真實(shí)航空器的3D飛行環(huán)境還有一定差距。因此，未來需要進(jìn)一步改進(jìn)和優(yōu)化算法，提高其適用性。

參考文獻(xiàn)

[1]劉皓晨. 基于YOLO架構(gòu)的海上遇險(xiǎn)航空器識(shí)別方法研究[D]. 德陽：中國民用航空飛行學(xué)院， 2021.

[2]李夢怡， 李玉龍， 王陽萍. 基于AABB遞進(jìn)相交空間的快速碰撞檢測算法[J]. 寧夏大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016（2）： 165-169.

[3]胡仕林， 陳偉， 張境鋒， 等. 基于改進(jìn)YOLO v5的蘋果采摘機(jī)器人目標(biāo)檢測方法[J]. 農(nóng)機(jī)化研究， 2024（6）： 48-55.

[4]蘇佳， 秦一暢， 賈澤， 等. 基于ATO-YOLO的小目標(biāo)檢測算法[J]. 計(jì)算機(jī)工程與應(yīng)用， 2024（6）： 68-77.

[5]潘衛(wèi)軍， 劉皓晨， 段英捷. 基于YOLO架構(gòu)的海面目標(biāo)航空器識(shí)別研究[J]. 電子設(shè)計(jì)工程， 2020（23）： 5-8+13.

[6]季航， 賈镕， 劉曉， 等. 一種基于YOLOv3的紅外目標(biāo)檢測系統(tǒng)[J]. 電子設(shè)計(jì)工程， 2019（22）： 61-64.

[7]姚軍強(qiáng). 基于航跡預(yù)測的沖突檢測方法研究[D]. 天津：中國民航大學(xué)， 2021.

[8]強(qiáng)恩超， 蔣孟娜， 強(qiáng)孫源， 等. 基于YOLOv3的闖紅燈行人數(shù)統(tǒng)計(jì)系統(tǒng)設(shè)計(jì)[J]. 電子設(shè)計(jì)工程， 2019（19）： 45-48.