基于R-CNN的目标检测在防止跑道侵入中的应用研究

发布时间：2024-07-01 22:22

　　跑道作为一次航空器运行的开始和结束设施,其安全是民航安全问题中最重要的一环。随着飞行流量的迅速增加,跑道侵入问题成为必须解决的安全问题,仅仅依人防无法有效避免跑道侵入发生,迫切需要通过技术手段防止跑道侵入发生。针对防止跑道侵入手段的自动化问题,本文提出了一种基于深度学习图像目标识别算法的防止跑道入侵系统,重点研究深度学习目标识别算法对图像中目标对象识别准确率,同时研究了机场摄像头布局问题,以及根据检测结果判断跑道侵入的逻辑设计。本文研究工作的重点如下。首先,对基于深度学习的图像检测算法进行了对比,根据对比结果选择了最新的Mask R-CNN算法作为本文的核心检测算法,详细解释了Mask R-CNN的算法原理,为提升算法的专用性、识别准确性以及实时性,在该算法训练所得的权重基础上利用迁移学习,对自建的机场目标数据集进行训练,提升了算法对机场特定目标的检测准确率。其次,提出具体的目标检测硬件设备的布局方法和选择依据,针对机场中不同跑道的参数,设计了摄像头的布局方法,在保证目标识别准确率的基础上,对检测结果进行汇总分析,判断航空器的相对位置,设计了一种数字逻辑电路完成对跑道侵入事件的判定。最...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 防止跑道侵入研究现状
        1.2.2 深度学习在目标检测中的研究现状
    1.3 主要研究内容
    1.4 本章小结
第二章 跑道侵入概述
    2.1 跑道侵入定义
    2.2 跑道侵入类型
    2.3 影响跑道侵入的因素
    2.4 防止跑道侵入系统需求
        2.4.1 防止跑道侵入检测需求
        2.4.2 防止跑道侵入告警需求
    2.5 防止跑道侵入系统总体框架
    2.6 本章小结
第三章 基于深度学习的目标检测方法
    3.1 卷积神经网络基本网络结构
    3.2 目标检测算法
        3.2.1 R-CNN目标检测算法
        3.2.2 Fast R-CNN目标检测算法
        3.2.3 Faster R-CNN目标检测算法
        3.2.4 Mask R-CNN结构
    3.3 模型对航空器识别验证
        3.3.1 数据集
        3.3.2 目标识别模型检测结果
    3.4 本章小结
第四章 目标检测防止跑道侵入模型
    4.1 地面保护区预警
    4.2 摄像头布局研究
        4.2.1 摄像头视野判定
        4.2.2 摄像头布局方案研究
    4.3 数据关联
        4.3.1 Kalman滤波
        4.3.2 Deep SORT算法
    4.4 跑道侵入告警装置
    4.5 本章小结
第五章 基于目标检测的防跑道侵入系统设计与验证
    5.1 实验硬件环境
    5.2 系统设计
        5.2.1 系统UI设计
        5.2.2 防跑道侵入逻辑电路调试
        5.2.3 告警信号展示
    5.3 实验结果及分析
    5.4 本章小结
总结与展望
    本文总结
    未来工作展望
参考文献
攻读硕士学位期间取得的学术成果
致谢



本文编号：3999272