低空环境下基于YOLO的航空器冲突检测分析与研究

令狐寅乔

摘要 随着全球航空交通的快速发展，航空器冲突问题逐渐凸显，对航空安全和运营提出了更高的挑战和要求。YOLO是一种实时目标检测算法，可以在视频流中快速准确地识别出目标的位置和类别，文章以基于YOLO的航空器冲突检测分析与研究为题，综合了近年来关于该领域的研究成果，深入探讨了基于YOLO的目标检测方法在航空器冲突检测中的应用潜力对于防相撞技术的研究。

关键词 航空器；冲突检测；YOLO；防相撞

中图分类号 V328文献标识码 A文章编号 2096-8949（2024）08-0015-03

0 引言

在全球航空交通日益发展的今天，航空器冲突的安全隐患日益显现，对航空业的安全性和效率构成了重大挑战。航空器冲突不仅可能导致严重的事故风险，还会对航班的正常运营造成干扰。因此，开发高效准确的冲突检测方法已成为航空安全和运营管理的紧迫任务。近年来，计算机视觉技术的持续进步为解决航空器冲突问题提供了新的契机。特别是目标检测算法YOLO（You Only Look Once），它具有在单次前向传递中同时实现目标的检测和分类的能力，为航空器冲突检测提供了新的解决思路。在这一背景下，研究者开始探索如何将YOLO算法应用于航空器冲突检测中，以提高飞行安全和运营效率。这一领域的研究具有广阔的应用前景，对未来的航空安全和运营管理具有重要的意义。该文以基于YOLO的航空器冲突检测分析与研究为主题，综合分析了近年来在该领域涌现的研究成果，重点关注了YOLO算法的相关文献，这些研究集中探讨了如何通过改进和优化YOLO算法，实现在不同情境下的航空器冲突检测。这些研究为深入了解基于YOLO的目标检测方法在航空器冲突问题上的应用潜力提供了重要线索。为了更全面地理解这一领域的研究现状和发展趋势，该文还对基于YOLO的航空器冲突检测方法进行了分类和比较，发现虽然现有的研究已经取得了一些重要的成果，但仍存在一些挑战和问题需要进一步研究和解决。例如，如何提高检测的准确性和实时性、如何处理复杂场景下的干扰因素等。通过全面综合和分析这些文献，该文旨在为进一步的研究提供指导，推动航空器冲突检测领域的发展，从而为航空安全和运营管理的挑战寻求创新性的解决方案。同时，希望引起更多研究者对这一领域的关注和投入，共同推动航空器冲突检测技术的进步，为全球航空交通的安全和效率作出贡献[1]。

1 研究背景和意义

低空飞行环境的独特特征赋予了航空器冲突检测更为复杂的挑战。首先，低空通常伴随着地形的复杂性，例如山脉、建筑物和地形起伏，这增加了航空器冲突的隐患。传统的航空器冲突检测方法在这样的环境下可能难以准确判断目标的位置和距离，因而需要更为灵敏和适应性更强的检测算法。其次，低空环境中的空域限制对于航空器冲突的预测和避免提出了更高的要求。狭窄的飞行通道、密集的建筑区域以及低空交通流的高度差异性都增加了航空器冲突的概率。在这种情况下，对于航空器冲突的早期预警和精准识别成为确保航空安全至关重要的步骤。

此外，低空环境下的交通密度较高，航空器之间的相对速度和距离变化更为迅猛。这对于传统的冲突检测系统来说增加了难度，需要更快速和精确的算法来确保在这样的动态环境下能够有效地检测和预防冲突。

在这一复杂的背景下，YOLO算法作为一种先进的目标检测技术，呈现出在低空环境中应用的巨大潜力。YOLO的实时性使得它能够迅速响应不断变化的低空环境，同时，其多尺度检测特性有望有效地应对低空环境中目标的大小变化。这为低空环境下航空器冲突检测提供了新的解决方案，能够更好地适应这一特殊环境的要求[2]。

2 低空环境的特殊性

低空飞行环境是指飞行高度相对较低的区域，通常涵盖了地面至几千英尺的高度范围。与高空飞行相比，低空环境具有特殊性，这些特点在决定航空器冲突检测挑战的同时，也为新一代目标检测技术的应用提供了契机。首先，低空环境的地形复杂性是显著的。由于航空器必须适应地表的地势变化，如山脉、建筑物、水域等，目标的运动轨迹变得更加曲折。这使得传统基于雷达等技术的冲突检测难以满足要求，因为它们对地形的敏感性可能导致虚警或漏报。其次，低空环境的空域限制使得航空器之间的相互影响更为密切。在有限的空间内，航空器的机动性和速度变化更为迅猛，给冲突检测带来更高的复杂性。此外，低空飞行通常伴随着更频繁的起降活动，增加了航空器之间横向和纵向交叉的可能性，从而增加了冲突的潜在风险。同时，低空环境的交通密度相对较高。由于低空通常是城市和地面设施的密集区域，航空器在这一区域的密度大幅增加。传统冲突检测系统在面对大量航空器并发运动时可能面临诸多困难，因为这会导致系统无法及时、准确地识别潜在冲突。最后，低空环境下的气象条件也对冲突检测构成挑战。低空通常伴随着更多的天气变化，如低云、降雨、雾等，这些条件可能降低传感器的效能，使得航空器更难以被及时发现。综合考虑以上因素，低空环境的特殊性使得传统的航空器冲突检测方法愈发显得力不从心。因此，基于先进目标检测技术，尤其是基于YOLO的方法，成为应对这一挑战的前沿手段。在低空环境中，寻找适应地形复杂性、空域限制和高交通密度的目标检测解决方案势在必行，以提高冲突检测的及时性和准确性[3]。

3 相关技术和方法

3.1 YOLO（You Only Look Once）算法介绍

YOLO算法通过将目标检测任务简化为单一的前向传递，实现了快速且准确的目标检测。基于YOLO的航空器冲突检测方法将先进的实时目标检测技术引入航空安全领域，该方法通过将图像划分为网格单元，每个单元负责检测和定位飞行器，实现了一次前向传递内的全局检测。多尺度特征提取使算法能够适应不同大小和复杂度的飞行器。通过回归算法预测目标的边界框坐标和目标置信度，该方法不仅实现了准确的目标位置定位，还能过滤出具有高置信度的冲突情况。表明了基于YOLO的航空器冲突检测方法具有高效、实时和多尺度检测的优势，为航空安全提供了创新性的解决途径。

3.2 航空器YOLO方法检测设计

YOLOv3框架可以将航空器的图层主要由三个部分构成：Darknet-53结构、特征层融合结构以及分类检测结构。给予一张大小为416×416的航空器图像，将其输入Darknet-53网络结构中，经过一系列卷积和参差网络处理，可以分别得到原图像的1/8（大小：52×52）、1/16（大小：16×26）、1/32的特征图（即特征映射），将提取出的不同大小的航空器图层经过Darknet-53网络处理后，产生三个分支，分别对应三种不同尺寸的特征图。

针对提取出的三种不同尺寸的图片，虽然可以通过一些简单的识别方法对其进行处理，但需要考虑这些图片的图层表达能力可能不足以完美还原原图中的航空器细节信息，并存在识别不准确的风险。因此，为了提高识别准确性和完整性，需要对这三张图片进行融合处理。由于这些图片的特征图大小尺寸不同，需要通过堆叠和卷积等操作，将它们融合成原图像的1/32、1/16、1/8三张不同大小的图片。这样的处理能够更好地利用不同尺寸图片的信息，提高识别的准确性和可靠性[4]。

3.3 数据集准备

在开展模型训练与测试之前，该文对数据集实施了预处理措施，涵盖了图像增强与数据扩充等方面。通过这些手段，有助于提升模型的泛化性能及准确度。在模型训练过程中，该文选用了深度学习算法，包括卷积神经网络（CNN）与循环神经网络（RNN）等。这些算法能有效提取图像特征，并实现目标分类与定位。为提升模型性能，该文运用了迁移学习策略，以预训练模型为基础，针对特定任务进行微调[5]。

在模型测试方面，该文采用了交叉验证和混淆矩阵等技术，对模型的性能进行评估和优化。通过这些措施，可以确保模型的准确性和稳定性，为后续的应用提供可靠的保障。

最终，该文通过对真实航空器图像和仿真数据集的训练和测试，成功地开发出了一种高效、准确的航空器目标检测模型。该模型能够有效地识别和定位航空器目标，具有重要的应用价值[6]。

4 构建模型

该文以YOLOv3算法作为主要检测手段，并依托Darknet53框架进行实现。在模型训练阶段，运用了数据增强技术，充实了数据集，并使用交叉熵损失函数对模型进行优化。在模型推理阶段，采用了非极大值抑制算法，排除了重叠的目标框，最终获得了精准的目标检测结果，如图1所示。

为了验证训练后的神经网络，利用碰撞检测算法设计实现航空器碰撞检测，该文提出了一种基于距离计算的算法。具体而言，通过检测到的航空器目标框的中心点为坐标进行计算，长度设定为x，高度设定为y，根据YOLO的建立的CUDA框架，识别出此航空器与其他航空器目标框中心点坐标的距离，并判断是否存在相交情况。如果存在相交，则说明存在碰撞风险，需要进行报警处理[7]。

5 实验与结果分析

该文采用了真实航空器图像和仿真数据集来测试和评估所提出的航空器碰撞检测方法。最终的结果表明，这种实验方法具有较高的精确性和实时性。在真实航空器图像数据集上，该文所提出的方法的平均精度达到了90%以上，平均检测时间仅为100 ms左右[8]。

6 结论和展望

该研究以基于YOLO的航空器低空环境下的冲突检测为主题，深入探讨了在低空环境下应用该方法的潜在优势。通过对低空环境特殊性的全面剖析，从地形复杂性、空域限制、高交通密度和气象条件等多个维度阐释了传统方法在此环境下的不足之处，该文提出的航空器基于YOLO检测的碰撞检测方法，对真实航空器图像和仿真数据集进行了测试和评估。结果表明，所提出的方法具有较高的检测精度和实时性，可以帮助航空器（例如飞行器、无人机）实时识别周围的障碍物、其他飞行器、地标等，有助于自主导航和避免碰撞，提高飞行器的安全性，一定程度上减少飞行人员的工作负荷。但是，如检测距离有限、对光照和天气等环境因素敏感等问题是该文无法解决的，且识别的碰撞的方式为二维平面，与真实航空器的3D飞行环境还有一定差距。因此，未来需要进一步改进和优化算法，提高其适用性。

参考文献

[1]刘皓晨. 基于YOLO架构的海上遇险航空器识别方法研究[D]. 德阳：中国民用航空飞行学院， 2021.

[2]李梦怡， 李玉龙， 王阳萍. 基于AABB递进相交空间的快速碰撞检测算法[J]. 宁夏大学学报（自然科学版）， 2016（2）： 165-169.

[3]胡仕林， 陈伟， 张境锋， 等. 基于改进YOLO v5的苹果采摘机器人目标检测方法[J]. 农机化研究， 2024（6）： 48-55.

[4]苏佳， 秦一畅， 贾泽， 等. 基于ATO-YOLO的小目标检测算法[J]. 计算机工程与应用， 2024（6）： 68-77.

[5]潘卫军， 刘皓晨， 段英捷. 基于YOLO架构的海面目标航空器识别研究[J]. 电子设计工程， 2020（23）： 5-8+13.

[6]季航， 贾镕， 刘晓， 等. 一种基于YOLOv3的红外目标检测系统[J]. 电子设计工程， 2019（22）： 61-64.

[7]姚军强. 基于航迹预测的冲突检测方法研究[D]. 天津：中国民航大学， 2021.

[8]强恩超， 蒋孟娜， 强孙源， 等. 基于YOLOv3的闯红灯行人数统计系统设计[J]. 电子设计工程， 2019（19）： 45-48.