發(fā)布時間：2024-07-01 22:22

　　跑道作為一次航空器運行的開始和結束設施,其安全是民航安全問題中最重要的一環(huán)。隨著飛行流量的迅速增加,跑道侵入問題成為必須解決的安全問題,僅僅依人防無法有效避免跑道侵入發(fā)生,迫切需要通過技術手段防止跑道侵入發(fā)生。針對防止跑道侵入手段的自動化問題,本文提出了一種基于深度學習圖像目標識別算法的防止跑道入侵系統,重點研究深度學習目標識別算法對圖像中目標對象識別準確率,同時研究了機場攝像頭布局問題,以及根據檢測結果判斷跑道侵入的邏輯設計。本文研究工作的重點如下。首先,對基于深度學習的圖像檢測算法進行了對比,根據對比結果選擇了最新的Mask R-CNN算法作為本文的核心檢測算法,詳細解釋了Mask R-CNN的算法原理,為提升算法的專用性、識別準確性以及實時性,在該算法訓練所得的權重基礎上利用遷移學習,對自建的機場目標數據集進行訓練,提升了算法對機場特定目標的檢測準確率。其次,提出具體的目標檢測硬件設備的布局方法和選擇依據,針對機場中不同跑道的參數,設計了攝像頭的布局方法,在保證目標識別準確率的基礎上,對檢測結果進行匯總分析,判斷航空器的相對位置,設計了一種數字邏輯電路完成對跑道侵入事件的判定。最...

【文章頁數】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 防止跑道侵入研究現狀
        1.2.2 深度學習在目標檢測中的研究現狀
    1.3 主要研究內容
    1.4 本章小結
第二章 跑道侵入概述
    2.1 跑道侵入定義
    2.2 跑道侵入類型
    2.3 影響跑道侵入的因素
    2.4 防止跑道侵入系統需求
        2.4.1 防止跑道侵入檢測需求
        2.4.2 防止跑道侵入告警需求
    2.5 防止跑道侵入系統總體框架
    2.6 本章小結
第三章 基于深度學習的目標檢測方法
    3.1 卷積神經網絡基本網絡結構
    3.2 目標檢測算法
        3.2.1 R-CNN目標檢測算法
        3.2.2 Fast R-CNN目標檢測算法
        3.2.3 Faster R-CNN目標檢測算法
        3.2.4 Mask R-CNN結構
    3.3 模型對航空器識別驗證
        3.3.1 數據集
        3.3.2 目標識別模型檢測結果
    3.4 本章小結
第四章 目標檢測防止跑道侵入模型
    4.1 地面保護區(qū)預警
    4.2 攝像頭布局研究
        4.2.1 攝像頭視野判定
        4.2.2 攝像頭布局方案研究
    4.3 數據關聯
        4.3.1 Kalman濾波
        4.3.2 Deep SORT算法
    4.4 跑道侵入告警裝置
    4.5 本章小結
第五章 基于目標檢測的防跑道侵入系統設計與驗證
    5.1 實驗硬件環(huán)境
    5.2 系統設計
        5.2.1 系統UI設計
        5.2.2 防跑道侵入邏輯電路調試
        5.2.3 告警信號展示
    5.3 實驗結果及分析
    5.4 本章小結
總結與展望
    本文總結
    未來工作展望
參考文獻
攻讀碩士學位期間取得的學術成果
致謝



本文編號：3999272