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，對航空安全和運營提出了更高的挑戰(zhàn)和要求。YOLO是一種實時目標檢測算法，可以在視頻流中快速準確地識別出目標的位置和類別，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)于該領域的研究成果，深入探討了基于YOLO的目標檢測方法在航空器沖突檢測中的應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文獻標識碼 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致嚴重的事故風險，還會對航班的正常運營造成干擾。因此，開發(fā)高效準確的沖突檢測方法已成為航空安全和運營管理的緊迫任務。近年來，計算機視覺技術(shù)的持續(xù)進步為解決航空器沖突問題提供了新的契機。特別是目標檢測算法YOLO（You Only Look Once），它具有在單次前向傳遞中同時實現(xiàn)目標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算法應用于航空器沖突檢測中，以提高飛行安全和運營效率。這一領域的研究具有廣闊的應用前景，對未來的航空安全和運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域涌現(xiàn)的研究成果，重點關(guān)注了YOLO算法的相關(guān)文獻，這些研究集中探討了如何通過改進和優(yōu)化YOLO算法，實現(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的目標檢測方法在航空器沖突問題上的應用潛力提供了重要線索。為了更全面地理解這一領域的研究現(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)和問題需要進一步研究和解決。例如，如何提高檢測的準確性和實時性、如何處理復雜場景下的干擾因素等。通過全面綜合和分析這些文獻，該文旨在為進一步的研究提供指導，推動航空器沖突檢測領域的發(fā)展，從而為航空安全和運營管理的挑戰(zhàn)尋求創(chuàng)新性的解決方案。同時，希望引起更多研究者對這一領域的關(guān)注和投入，共同推動航空器沖突檢測技術(shù)的進步，為全球航空交通的安全和效率作出貢獻[1]。

1 研究背景和意義

低空飛行環(huán)境的獨特特征賦予了航空器沖突檢測更為復雜的挑戰(zhàn)。首先，低空通常伴隨著地形的復雜性，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)境下可能難以準確判斷目標的位置和距離，因而需要更為靈敏和適應性更強的檢測算法。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警和精準識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態(tài)環(huán)境下能夠有效地檢測和預防沖突。

在這一復雜的背景下，YOLO算法作為一種先進的目標檢測技術(shù)，呈現(xiàn)出在低空環(huán)境中應用的巨大潛力。YOLO的實時性使得它能夠迅速響應不斷變化的低空環(huán)境，同時，其多尺度檢測特性有望有效地應對低空環(huán)境中目標的大小變化。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，這些特點在決定航空器沖突檢測挑戰(zhàn)的同時，也為新一代目標檢測技術(shù)的應用提供了契機。首先，低空環(huán)境的地形復雜性是顯著的。由于航空器必須適應地表的地勢變化，如山脈、建筑物、水域等，目標的運動軌跡變得更加曲折。這使得傳統(tǒng)基于雷達等技術(shù)的沖突檢測難以滿足要求，因為它們對地形的敏感性可能導致虛警或漏報。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)，航空器的機動性和速度變化更為迅猛，給沖突檢測帶來更高的復雜性。此外，低空飛行通常伴隨著更頻繁的起降活動，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險。同時，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)運動時可能面臨諸多困難，因為這會導致系統(tǒng)無法及時、準確地識別潛在沖突。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，基于先進目標檢測技術(shù)，尤其是基于YOLO的方法，成為應對這一挑戰(zhàn)的前沿手段。在低空環(huán)境中，尋找適應地形復雜性、空域限制和高交通密度的目標檢測解決方案勢在必行，以提高沖突檢測的及時性和準確性[3]。

3 相關(guān)技術(shù)和方法

3.1 YOLO（You Only Look Once）算法介紹

YOLO算法通過將目標檢測任務簡化為單一的前向傳遞，實現(xiàn)了快速且準確的目標檢測?；赮OLO的航空器沖突檢測方法將先進的實時目標檢測技術(shù)引入航空安全領域，該方法通過將圖像劃分為網(wǎng)格單元，每個單元負責檢測和定位飛行器，實現(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不同大小和復雜度的飛行器。通過回歸算法預測目標的邊界框坐標和目標置信度，該方法不僅實現(xiàn)了準確的目標位置定位，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、實時和多尺度檢測的優(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方法檢測設計

YOLOv3框架可以將航空器的圖層主要由三個部分構(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)絡結(jié)構(gòu)中，經(jīng)過一系列卷積和參差網(wǎng)絡處理，可以分別得到原圖像的1/8（大?。?2×52）、1/16（大?。?6×26）、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)絡處理后，產(chǎn)生三個分支，分別對應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別方法對其進行處理，但需要考慮這些圖片的圖層表達能力可能不足以完美還原原圖中的航空器細節(jié)信息，并存在識別不準確的風險。因此，為了提高識別準確性和完整性，需要對這三張圖片進行融合處理。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，提高識別的準確性和可靠性[4]。

3.3 數(shù)據(jù)集準備

在開展模型訓練與測試之前，該文對數(shù)據(jù)集實施了預處理措施，涵蓋了圖像增強與數(shù)據(jù)擴充等方面。通過這些手段，有助于提升模型的泛化性能及準確度。在模型訓練過程中，該文選用了深度學習算法，包括卷積神經(jīng)網(wǎng)絡（CNN）與循環(huán)神經(jīng)網(wǎng)絡（RNN）等。這些算法能有效提取圖像特征，并實現(xiàn)目標分類與定位。為提升模型性能，該文運用了遷移學習策略，以預訓練模型為基礎，針對特定任務進行微調(diào)[5]。

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

最終，該文通過對真實航空器圖像和仿真數(shù)據(jù)集的訓練和測試，成功地開發(fā)出了一種高效、準確的航空器目標檢測模型。該模型能夠有效地識別和定位航空器目標，具有重要的應用價值[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框架進行實現(xiàn)。在模型訓練階段，運用了數(shù)據(jù)增強技術(shù)，充實了數(shù)據(jù)集，并使用交叉熵損失函數(shù)對模型進行優(yōu)化。在模型推理階段，采用了非極大值抑制算法，排除了重疊的目標框，最終獲得了精準的目標檢測結(jié)果，如圖1所示。

為了驗證訓練后的神經(jīng)網(wǎng)絡，利用碰撞檢測算法設計實現(xiàn)航空器碰撞檢測，該文提出了一種基于距離計算的算法。具體而言，通過檢測到的航空器目標框的中心點為坐標進行計算，長度設定為x，高度設定為y，根據(jù)YOLO的建立的CUDA框架，識別出此航空器與其他航空器目標框中心點坐標的距離，并判斷是否存在相交情況。如果存在相交，則說明存在碰撞風險，需要進行報警處理[7]。

5 實驗與結(jié)果分析

該文采用了真實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，這種實驗方法具有較高的精確性和實時性。在真實航空器圖像數(shù)據(jù)集上，該文所提出的方法的平均精度達到了90%以上，平均檢測時間僅為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，從地形復雜性、空域限制、高交通密度和氣象條件等多個維度闡釋了傳統(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，對真實航空器圖像和仿真數(shù)據(jù)集進行了測試和評估。結(jié)果表明，所提出的方法具有較高的檢測精度和實時性，可以幫助航空器（例如飛行器、無人機）實時識別周圍的障礙物、其他飛行器、地標等，有助于自主導航和避免碰撞，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，且識別的碰撞的方式為二維平面，與真實航空器的3D飛行環(huán)境還有一定差距。因此，未來需要進一步改進和優(yōu)化算法，提高其適用性。

參考文獻

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

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

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

[4]蘇佳， 秦一暢， 賈澤， 等. 基于ATO-YOLO的小目標檢測算法[J]. 計算機工程與應用， 2024（6）： 68-77.

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

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

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

[8]強恩超， 蔣孟娜， 強孫源， 等. 基于YOLOv3的闖紅燈行人數(shù)統(tǒng)計系統(tǒng)設計[J]. 電子設計工程， 2019（19）： 45-48.