基于改进YOLOv5的无人机目标识别方法

据统计资料显示,截至2017年全球已经售出无人机达300万架。无人机具有体积小、成本低、数量大等特点,这也随之引起了一系列的安全问题,对公共安全造成了严重威胁。传统的对无人机的识别方法主要有雷达探测、声波探测等。在分析了传统识别方法的劣势后,提出了基于改进YOLOv5的无人机识别方法,在原始YOLOv5模型的基础上添加CBAM注意力机制,以增强目标特征提取的能力,增强网络模型性能。并可引入DeepSORT跟踪算法,为无人机的跟踪提供检测响应。经过测试集测试,改进后的模型较原始模型的精确度提升了5.24%,基本满足识别要求。

基于改进YOLOv5的飞行员异常行为识别方法

为了快速准确地识别飞行员在驾驶舱内的异常行为,以保证航空安全,设计了一种基于改进YOLOv5算法的驾驶舱内飞行员异常行为识别方法。在YOLOv5的骨干网络中加入坐标注意力机制,获取在位置和方向上的特征信息,增强对注意力信息的敏感程度;改良交并比作为损失函数,提高模型计算速度和精度。训练自制飞行员异常行为原始数据集,实验结果表明,在模拟飞行驾驶舱中进行测试,能够准确快速识别飞行员的3种异常行为,平均精度达到98.3%,满足了识别要求。

基于图像识别的航空姿态指引仪故障检测系统

对于航空姿态指引仪的维修,仅靠人工目视检测效率低下,为了解决该问题,研究出一种基于Hough变换和改进的AlexNet卷积神经网络的图像识别算法。通过分析处理和识别分类指引仪表盘图像的特定区域,及时检测出指引仪倾斜角和俯仰角的指示情况。实验表明,以该算法为核心的故障检测系统,能够较准确地判断指引仪是否存在故障或是否符合维修标准,检出率在90%以上。由于该系统的应用,机务维修人员可以远程诊断航空姿态指引仪的故障,高效完成维修工作。

SPO模式下的人机交互技术

单飞行员驾驶作为未来航空运输业发展的趋势,与之对应的民航客机驾驶舱设计也成为研究热点。考虑到飞行员数量的减少,驾驶舱的设计不仅要采用最前沿的人机交互技术,更需要将一系列新兴的科技和设计理念融入驾驶舱的设计中,最大限度地增强飞行员的态势感知能力与综合控制能力,降低其工作负荷以及心理压力,以保证民航客机的安全运行。