民机事故统计数据在飞行员差错因果分析中的应用

为了保障民航飞行安全,需要分析飞行中存在的不安全因素及事故的相关征兆。分析飞行事故和不安全问题的历史数据,提出主要飞行事故的相关征兆,将其作为飞行中所需测录的参数加以监控。基于大量实际测录数据,对相关事故征兆进行数据分析,评定民航飞行中的不安全因素和风险,确定民航飞行中的潜在风险、低风险和高风险等3类事件。飞行中监控测录参数,获得3类事件清单,有助于正确地判定其是否影响飞行安全及其风险程度。

基于谷歌地球的仪表飞行程序

在Google Earth的三维地形数据的基础上,建立了完整的计算机辅助仪表飞行程序设计系统,在GoogleEarth上绘制出飞行程序保护区。并建立机场数据库,存储机场数据以及保护区各重要位置点数据,导入AUTOCAD,完成AUTO CAD出图。实现计算机辅助飞行程序设计。

玉米行间导航线实时提取

针对高地隙植保机底盘玉米田间植保作业压苗严重的现象,该研究提出了基于车轮正前方可行走动态感兴趣区域(Region of Interest,ROI)的玉米行导航线实时提取算法。首先将获取的玉米苗带图像进行像素归一化,采用过绿算法和最大类间方差法分割玉米与背景,并通过形态学处理对图像进行增强和去噪;然后对视频第1帧图像应用垂直投影法确定静态ROI区域,并在静态ROI区域内利用特征点聚类算法拟合作物行识别线,基于已识别的玉米行识别线更新和优化动态ROI区域,实现动态ROI区域的动态迁移;最后在动态ROI区域内采用最小二乘法获取高地隙植保机底盘玉米行间导航线。试验表明,该算法具有较好的抗干扰性能,能够很好地适应较为复杂的田间环境,导航线提取准确率为96%,处理一帧分辨率为1920像素×1080像素图像平均耗时97.56 ms,该研究提出的算法能够为高地隙植保机车轮沿玉米垄间行走提供可靠、实时的导航路径。

基于动态网格和分区域聚类的玉米苗带识别算法研究

针对基于计算机视觉的玉米苗带中心线提取受自然环境干扰严重的问题,提出基于6×6动态网格与分区域特征点聚类的玉米行定位算法。首先将获取的玉米苗带图像进行像素归一化,采用改进的过绿特征和最大类间方差法分割玉米苗带与土壤背景,得到二值图像;然后通过动态网格扫描二值图像,获取候选玉米苗带特征点,并对候选玉米苗带特征点采用分区域聚类算法,得到玉米苗带特征点;最后通过最小二乘法对特征点进行线性拟合得到玉米苗带中心识别线。田间试验表明,该算法具有较好的抗干扰性能,能够很好的适应较为复杂的田间环境。玉米苗带识别准确率为93.4%,处理一幅分辨率为1920像素×1024像素的图像平均耗时320 ms。