云边端协作的架空线路鸟巢检测与定位算法研究

针对云端单一集中数据处理时效性低、架空线路上鸟巢检测精度不高、模型对边缘计算设备算力高消耗以及目标定位不准确的问题,提出了一种基于云边端协作的架空线路鸟巢检测与定位算法。该算法通过云、终、边缘3端的协作,解决了云端集中处理效率低的问题,并通过云边数据可视化协作解决由于角度及光线引起的图像不清晰问题。为了提高架空线路鸟巢检测的精度,该算法在YOLOv5x模型基础上进行了优化。首先,通过将主干特征提取网络中的C3模块替换为C2f模块,并在最后一层加入SE(squeeze and excitation)注意力模块,以提升模型对小目标的检测能力。其次,将激活函数替换为Mish函数,解决训练梯度饱和导致神经元停止学习的问题。为了降低模型对边缘计算设备算力的消耗,对改进后的模型进行剪枝微调以降低模型参数规模。基于此优化模型,提出了三维目标定位算法,结合GIS(geographic information system)系统对定位结果进行修正,实现了对检测目标的精准定位。实验数据显示,改进后的模型平均精度均值达到93.25%,比原YOLOv5x模型提升了3.44%,优化后的模型剪枝率达到45%。检测目标经过三维空间建模计算并通过位置修正能够定位到相应的杆塔,有效指导工作人员快速准确排除隐患。

针对小型鸟类目标的基于门控循环单元的扩展卡尔曼跟踪方法

基于激光雷达的小型鸟类的跟踪监视是一种新的实现机场及其周边空域鸟情监测预警的关键技术。针对激光雷达采样频率低引起的目标状态跟踪误差大、模型适应性低的问题,本文提出了一种基于门控循环单元的目标状态估计扩展卡尔曼跟踪方法。该方法通过融合深度学习网络对非线性运动的预测能力和扩展卡尔曼滤波对于随机噪声的抑制能力,实现了对于无法准确建模的非线性运动鸟类目标在低采样率条件下的跟踪。针对深度学习网络为隐性表达模型难以与扩展卡尔曼融合的问题,提出近似一步转移矩阵估计方法,将深度学习网络的预测转化为显性状态转移模型,使得跟踪方法中预测与滤波估计形成循环迭代。本文在公开的鸽子飞行轨迹数据集上进行仿真验证表明,所提方法在不同采样频率条件下的跟踪效果均优于传统跟踪算法,且在低采样频率下相对于已有方法具有超过25.5%跟踪误差性能提升,所提方法能够实现基于激光雷达的鸟类目标跟踪。

雷达鸟类目标微多普勒贝叶斯增强算法

针对传统恒虚警率(constant false-alarm rate,CFAR)方法难以探测鸟类目标的问题,提出一种基于时频(time-frequency,TF)域鸟类目标微多普勒贝叶斯增强算法。首先,以鸟类目标扑翼模型为基础,建立雷达回波信号及微多普勒模型。其次,考虑短时傅里叶变换(short-time Fourier transform,STFT),对回波信号进行时频分析。针对STFT加窗操作影响分辨率及其对杂波敏感的问题,引入广义高斯分布对先验自适应建模,在贝叶斯推理方式下实现时频域微多普勒特征增强。考虑到目标非多普勒特征非平滑,后验分布计算困难,提出用近端未调整朗之万算法(proximal unadjusted Langevin algorithm,P-ULA)进行高效求解。仿真及实测实验数据表明,所提算法不仅能够有效抑制背景噪声,而且可以在一定程度上保留微多普勒特征的连续性。

基于深度学习的图像中无人机与飞鸟检测研究综述

随着民用无人机产业的发展,无人机已经成为一项影响公共安全的重要问题。目前针对低空无人机的监视手段主要是采用雷达探测结合图像识别的方法,然而在图像检测识别中易受到与无人机同属“低、慢、小”目标的飞鸟的干扰。为了能够在基于可见光图像的无人机检测中排除飞鸟目标的干扰,利用深度神经网络对可见光图像中无人机与飞鸟进行精确的检测与分类,有效地排除飞鸟对无人机检测的干扰。系统阐释了目标检测技术的发展历程,讨论了各类基于深度学习网络目标检测算法的差异,对比了各类算法的优缺点。对可用于无人机与飞鸟检测的图像数据集进行了梳理与介绍,对相关研究的已有成果进行分析;再从实际应用出发,对无人机与飞鸟检测当中可能会存在的问题进行梳理,阐述与分析了能解决相应检测问题的卷积神经网络的相关研究。最后,针对该研究后续可能的发展方向进行展望。

基于YOLO的输电线路鸟巢检测网络结构改进研究

为提高电力系统的安全运行水平,针对输电线路上的鸟巢识别问题,提出基于YOLO的输电线路鸟巢检测网络。首先通过构建GhostNet模块搭建骨干网络,并优化了特征层提取方式;随后通过改进特征金字塔连接层,并结合PANet结构构建了瓶颈网络的特征金字塔,最终搭建了YOLO-NEST网络。构建并扩充数据集进行训练,将提出的网络与其他目标检测算法进行对比,结果表明所提网络在进行输电线路的鸟巢检测时效率更高。

针对空中鸟群特征的全维动态卷积识别算法

机场驱鸟应用中,存在空中被驱离鸟群距离远、特征不明显、不易识别等难题,由此提出一种针对空中鸟群特征的全维动态卷积识别算法。该算法采用动态K值的K-Means++算法对数据集中的目标样本进行聚类,获取更符合不同目标尺度的锚框,提高多目标定位及其图像分割精度。在通用的YOLOv5s目标检测识别的骨干网络引入全维动态卷积模块,提取特征时动态卷积层会自动调整卷积核的大小和形状,使其适应不同鸟类的特征,通过动态卷积提取的鸟类特征使数据更具有代表性。针对输入图像经过多次卷积和池化操作之后产生的多个特征图,运用相干积分对不同特征图进行分离处理,筛选剪去特征差异性不明显的特征通道,从而减少需要计算的信息量,优化YOLOv5s算法检测精度和计算复杂度,实现识别网络轻量化,解决空中鸟群等小目标特征难提取的问题,提高鸟类识别准确率。

基于ResNet-MLP模型的车辆目标检测算法

为提高车辆目标检测精度,针对传统视觉传感器光照敏感性、空间感知性差等缺点,采用激光雷达传感器,提出一种基于ResNet-MLP二阶段模型的车辆目标检测算法。该算法对点云鸟瞰图的映射方式进行改进,使其保留点云高度特征,并通过改进后的ResNet进行点云特征的提取,最后使用并行多层感知机网络对车辆目标分类和位置回归。采用KITTI的3D Object数据集进行验证,通过与PointNet++和VoxelNet方法进行对比实验,结果发现,交并比(IOU)较高时3种方法的检测精度均有所下降,但相对于其他2种算法,本算法检测精度更高,运行速度更快,可为未来自动驾驶车辆的实时感知方面提供技术支撑。

基于YOLOv5-PNCM的飞鸟目标检测算法研究

针对小目标飞鸟检测存在的检测精度低、漏检率高等问题,提出了基于YOLOv5的小目标飞鸟的实时检测算法。首先,在YOLOv5原有的检测层上添加了一层小目标检测头;其次,采用CARAFE上采样算子改进了上采样方法,引用NWD度量代替IoU,有效降低了小目标位置偏差的敏感性;最后,使用M-CBAM注意力模块。改进后的算法在自制鸟类数据集上平均精度为77.3%,检测速度达到78FPS,与改进前相比,检测精度提升了9.1%,检测速度提升了23.8%。

2024航空铝合金固支靶板分层数抗鸟撞性能研究

为探究相同厚度的靶板在不同分层数目下的抗侵彻性能,利用AUTODYN软件建立SPH(Smoothed Particle Hydrodynamics)圆柱鸟弹撞击2024铝合金Lagrange靶板模型。靶板厚度为1mm、2 mm、3 mm和4 mm,其中1 mm和2 mm靶板分为单层和双层,3 mm靶板分为单层、双层和三层,4 mm靶板分为单层、双层和四层。通过分析靶板鼓包高度,研究靶板厚度和分层数目对其抗鸟撞性能的影响。仿真结果表明:4 mm厚度靶板的抗鸟撞性能随分层数目增加而增加;1 mm、2 mm和3 mm厚度靶板的抗鸟撞击性能随分层数目增加而降低。

基于量子激光雷达的机场鸟类目标威胁评估

鸟击事件严重威胁着航空运行安全,采用量子激光雷达对鸟类目标进行监测被视为发现鸟击事件征候的有效方法。利用量子激光雷达所获得的高精度、高分辨率的鸟类目标的空间位置信息,结合机场周边航空器运行特点及安全标准,提出综合考虑鸟类目标的碰撞概率和损伤严重程度的威胁等级评估模型。由于采用了指数形式的等级划分,该威胁等级评估模型能够更加准确地实现对各种情况下鸟类目标的威胁等级评估。仿真结果表明,基于指数函数的威胁等级评估模型可以很好地对机场周边的鸟类目标的威胁等级进行评定,相应结果符合机场鸟类目标的实际运动情况,可以为防范鸟击事件的发生提供有效的预警。

微动特征和运动特征融合处理的鸟与旋翼无人机目标辨别方法

“鸟击”事件与旋翼无人机“黑飞”扰航事件成为威胁民航飞行安全的“两大隐患”,机场对于鸟和旋翼无人机会采取不同的反制措施,鸟与旋翼无人机的辨别对于提升非合作目标监视性能、保障飞行安全具有重要意义。针对基于运动特征提取的鸟与旋翼无人机目标辨别方法中对于机动性较强的旋翼无人机辨别性能下降的问题,考虑到相对于旋翼无人机,鸟类目标振翅回波时频谱更为复杂,构建目标回波时频谱对应的特征谱能量熵及峰值对称对两个微动特征,利用K-means对所提取的运动特征和微动特征进行融合处理,实现鸟与旋翼无人机目标的辨别,实验结果验证了本文方法的有效性。

一种基于生成式对抗网络的数据集扩充方法在湿地鸟类图像识别中的应用

已有的天津大黄堡湿地鸟类数据集存在样本数量少、样本分布不均衡等问题,严重影响鸟类智能识别的精度.本文提出一种基于生成式对抗网络的数据集扩充方法,通过使用旋转、缩放、添加噪声等方式进行初步扩充,然后输入条件对抗网络进行学习,通过使用生成器生成新的鸟类样本.对大黄堡湿地鸟类数据集进行扩充处理,并使用目标检测算法SSD、YOLOv3-SPP-Net、RetinaNet进行测试,结果表明识别的精度显著提高,基本满足本区鸟类目标识别的需求.

空中红外目标探测的虚警源——飞鸟

在对空中目标进行红外探测时,飞鸟是一种重要的潜在虚警源,其具有和目标相似的红外辐射特性。首先对飞鸟和空中目标在探测器上信号的计算方法进行了讨论,重点考虑了红外系统的聚焦位置对成像的影响;然后根据得到的公式分析了飞鸟飞行高度、面积和系统聚焦位置对飞鸟在探测器上信号的影响,同样也对目标的信号进行了分析,分析结果表明:从信号的特征上不能区分飞鸟和目标;最后提出了从速度的观点对飞鸟和目标进行区分的方法,对飞鸟可能成为虚警源的概率公式进行了推导和示例计算,从计算结果可以看到,通过速度的差别,可以在很大程度上对飞鸟进行剔除。

飞鸟与无人机目标雷达探测与识别技术进展与展望

飞鸟和无人机(UAVs)是典型的“低慢小”目标,具有低可观测性,对两者的有效监视和识别成为保障空中航路安全、城市安保等需求迫切需要解决的难题。飞鸟和无人机目标类型多、飞行高度低、机动性强、雷达散射截面积小,加之探测环境复杂,给目标探测带来极大困扰,已成为世界性难题。因此迫切需要研发“看得见(检测能力强)、辨得明(识别概率高)”的无人机、飞鸟等“低慢小”目标监视手段和技术,实现目标的精细化描述和识别。该文集中对近年来复杂场景下旋翼无人机和飞鸟目标检测与识别技术的研究进展进行了归纳总结,介绍了飞鸟和无人机探测的主要手段,从回波建模和微动特性认知、泛探模式下机动特征增强与提取、分布式多视角特征融合、运动轨迹差异、深度学习智能分类等方面给出了检测和识别的有效途径。最后,该文总结了现有研究存在的问题,对未来复杂场景下飞鸟和无人机目标检测与识别技术的发展进行了展望。

2024铝合金薄板叠层顺序对鸟撞的动态响应

在航空航天领域,外来物损伤(FOD)严重威胁着航空飞行器的正常运营和安全,鸟撞损伤是最常见的。基于Autodyn有限元软件,建立鸟弹SPH模型和2024航空铝合金靶板Lagrange模型,研究飞机蒙皮在受鸟撞时的动力响应及损伤特性。通过仿真结果与实验数据对比,验证SPH模拟鸟弹的有效性。探究在不同靶板叠层顺序和鸟弹撞击速度下,鸟撞对靶板最大鼓包、应力和能量的影响,比较得到抗鸟撞较好的靶板叠层方式。

人工智能在鸟类保护系统中的应用

人工智能技术在鸟类保护方面取得了显著进展。基于计算机视觉和生物图像的研究,以湖北远安沮河国家湿地公园中野生动物保护监测智能识别系统为例,论述了人工智能在鸟类保护系统中的应用。该系统主要是利用图像处理技术和深度学习,对野生鸟类进行目标检测和识别,实现鸟类的实时监控和自动识别,对鸟类保护具有重大意义。

基于运动信息先验的变电站鸟类检测

由于传统的驱鸟方法效果较差,通过研究鸟类检测,可以配合驱鸟设备实现高效的智能化驱鸟,提高驱鸟率。针对变电站的复杂环境,文中采用KNN背景差分法获取运动目标,并将运动目标进行分割和重组,提取图像中的感兴趣区域,最后利用优化的YOLOv4网络对感兴趣区域进行鸟类检测。实验结果表明,所提方法可以较为准确高效地检测变电站中运动的鸟类目标,具有较强的实用性。

基于深度学习的接触网鸟巢异物识别研究

随着中国高速铁路里程的迅速增长,接触网安全稳定运营面临巨大压力,对其进行视频监控具有重要意义。针对影响电气化铁路接触网正常工作的鸟巢异物进行研究,提出一种基于深度学习的鸟巢异物检测方法,首先利用最邻近插值法进行图像缩放,然后采用双边滤波算法对图像进行去噪,进而用直方图均衡化算法进行图像增强。通过将YOLO v3与Faster RCNN这2种目标检测方法进行详细对比分析,给出了准确率、误检率、漏检率和检测速度等检测指标。试验结果表明,所采用的鸟巢异物检测模型Faster RCNN在检测鸟巢的准确率、误检率以及漏检率上表现更优,但是检测速度慢于YOLO v3算法,2种基于深度学习的鸟巢异物检测算法均达到85%以上的准确率,能够有效进行铁路鸟巢异物检测,大大降低了人工干预的成本。

鸟群类自然干扰目标的雷达探测与识别

鸟群目标形成的干扰通常被划分为自然界杂波干扰的一种,但鸟群回波与通常的杂波干扰如地杂波、海杂波以及气象杂波不同,鸟群目标具有一定的速度、高度,容易形成一定的航迹,传统的MTI以及MTD雷达通常无法滤除鸟群目标。本文研究了鸟群的雷达目标特性以及雷达探测识别技术,对鸟群目标的RCS特性、雷达回波特征以及雷达探测特点进行了仿真分析,仿真结果可以为鸟群目标的雷达探测与识别提供帮助。

基于深度学习的高压杆塔异物检测

针对高压杆塔的安全性易受鸟巢等异物影响的情况,提出基于经典深度学习理论的Fast R-CNN算法,实现对异物的快速检测,降低安全风险。该算法的基本思路是,通过Selective Search法提取杆塔图像候选区域,并基于CaffeNet网络模型优化参数,经过多次迭代和样本训练,最后智能检测出杆塔图像中的鸟巢并定位目标区域。