基于Mask R-CNN的機(jī)場(chǎng)地面保護(hù)區(qū)航空器識(shí)別研究

楊昌其,郭睿豪,張曉磊

(中國(guó)民用航空飛行學(xué)院 空中交通管理學(xué)院，四川 廣漢 618307)

0 引言

中國(guó)民用航空局CAAC統(tǒng)計(jì)報(bào)告顯示[1]，2019年民航運(yùn)輸航空年運(yùn)行架次量增長(zhǎng)至496.6萬(wàn)架次，較2018年增長(zhǎng)5.8%。隨著運(yùn)輸航空運(yùn)行壓力的增加，嚴(yán)重事故征候發(fā)生11起，跑道侵入(runway incursion, RI)是運(yùn)輸航空安全的重點(diǎn)關(guān)注部分。目前跑道監(jiān)視技術(shù)成本高、人工投入大且自動(dòng)化水平低，中小機(jī)場(chǎng)難以配備。通過(guò)合理布局?jǐn)z像頭對(duì)機(jī)場(chǎng)地面保護(hù)區(qū)航空器實(shí)時(shí)監(jiān)控，識(shí)別航空器，進(jìn)行相對(duì)位置及運(yùn)動(dòng)狀態(tài)判斷跑道侵入，能夠有效減少跑道侵入的發(fā)生率。

目前多數(shù)文獻(xiàn)對(duì)航空器識(shí)別的圖像數(shù)據(jù)主要源于衛(wèi)星遙感圖像，而衛(wèi)星遙感圖像存在受天氣影響大、實(shí)時(shí)性差等問(wèn)題，無(wú)法滿(mǎn)足實(shí)時(shí)監(jiān)視航空器要求。實(shí)時(shí)捕捉機(jī)場(chǎng)內(nèi)航空器圖像信息識(shí)別航空器，并判斷航空器位置，對(duì)航空器監(jiān)視技術(shù)的發(fā)展具有重要意義。文獻(xiàn)[2]識(shí)別目標(biāo)的雷達(dá)散射截面數(shù)據(jù)，基于BP(back propagation)神經(jīng)網(wǎng)絡(luò)提取航空器目標(biāo)特征，能夠?qū)Σ煌笮☆?lèi)型的飛機(jī)進(jìn)行識(shí)別。文獻(xiàn)[3]基于Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)，改進(jìn)了YOLO算法，以遠(yuǎn)程塔臺(tái)系統(tǒng)捕捉到的航空器圖像為目標(biāo)進(jìn)行識(shí)別，證明YOLO算法可檢測(cè)遠(yuǎn)程塔臺(tái)系統(tǒng)中的運(yùn)動(dòng)目標(biāo)，但未說(shuō)明在邊緣天氣下的航空器的識(shí)別效果。文獻(xiàn)[4]布置多攝像頭識(shí)別和追蹤航空器目標(biāo)，提出一種分析航空器位置和速度的模型，通過(guò)計(jì)算判斷航空器滑行沖突，降低了航空器滑行階段的風(fēng)險(xiǎn)。文獻(xiàn)[5]提出一種改進(jìn)的快速深度學(xué)習(xí)方法實(shí)現(xiàn)對(duì)航空器的目標(biāo)跟蹤，并在ILSVRC2015數(shù)據(jù)集上將識(shí)別準(zhǔn)確率提高到了59.2%。

隨著計(jì)算機(jī)計(jì)算能力的迅速提升，圖像處理和目標(biāo)識(shí)別技術(shù)日新月異，其中基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)的目標(biāo)識(shí)別技術(shù)最為火熱，發(fā)展出了基于預(yù)選框識(shí)別的各類(lèi)網(wǎng)絡(luò)結(jié)構(gòu)，包括區(qū)域卷積神經(jīng)網(wǎng)絡(luò)R-CNN (region-convolutional neural networks)[6]、快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)Fast R-CNN[7]、更快速的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN[8]、區(qū)域全卷積網(wǎng)絡(luò)R-FCN(region-based fully convolutional networks)[9]等兩階段算法；另一種不需提取候選框直接使用卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)特征，例如SSD(single shot multibox detector)[10]、YOLO(you only look once)[11]等一階段算法。兩階段算法對(duì)檢測(cè)目標(biāo)的識(shí)別精度高，但同時(shí)處理速度較慢，實(shí)時(shí)性差；一階段算法處理圖像速度較快，但目標(biāo)識(shí)別精度低，且目標(biāo)較小時(shí)容易丟失。Mask R-CNN[12]是一種多任務(wù)訓(xùn)練、兩階段神經(jīng)網(wǎng)絡(luò)模型，其核心神經(jīng)網(wǎng)絡(luò)使用了殘差網(wǎng)絡(luò)ResNet-101和特征金字塔網(wǎng)絡(luò)FPN(features pyramid network)，較Faster R-CNN提升了目標(biāo)分割精度，在處理像素級(jí)目標(biāo)識(shí)別和目標(biāo)分割任務(wù)時(shí)性能更強(qiáng)。

為滿(mǎn)足檢測(cè)航空器時(shí)所需的準(zhǔn)確性和實(shí)時(shí)性，本文首次將Mask R-CNN模型應(yīng)用于識(shí)別地面保護(hù)區(qū)內(nèi)的航空器、車(chē)輛和人員，基于COCO數(shù)據(jù)集權(quán)重模型，建立航空器訓(xùn)練樣本數(shù)據(jù)集，提升模型在檢測(cè)航空器、車(chē)輛和人員時(shí)的準(zhǔn)確率。此外，設(shè)計(jì)跑道侵入判定邏輯電路，可根據(jù)檢測(cè)信號(hào)判斷是否發(fā)生跑道侵入。

1 Mask R-CNN目標(biāo)檢測(cè)算法原理

典型的Mask R-CNN模型包括：特征提取網(wǎng)絡(luò)、候選區(qū)域生成網(wǎng)絡(luò)、RoI Align、Mask預(yù)測(cè)分支和分類(lèi)網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)提取全圖特征，并共享特征圖；特征圖輸入候選區(qū)域生成網(wǎng)絡(luò)，輸出候選框，同時(shí)修正感興趣區(qū)域RoI(region of interest)的候選框；RoI Align網(wǎng)絡(luò)在特征圖選取每個(gè)候選框?qū)?yīng)特征。最后并行運(yùn)行Mask預(yù)測(cè)分支網(wǎng)絡(luò)，通過(guò)全連接層對(duì)候選框目標(biāo)進(jìn)行分類(lèi)，同時(shí)再次修正目標(biāo)框。Mask R-CNN模型結(jié)構(gòu)如圖1所示。

圖1 Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)圖

特征提取網(wǎng)絡(luò)FPN(feature pyramid networks)[13]是模型主干網(wǎng)絡(luò)，其結(jié)構(gòu)是ResNet-101網(wǎng)絡(luò)，是輸入圖像的特征提取網(wǎng)絡(luò)。特征提取時(shí)對(duì)不同層別特征有不同特點(diǎn)：低層特征語(yǔ)義信息少，但目標(biāo)位置精確；高層特征反之。因此，F(xiàn)PN設(shè)計(jì)了兩路網(wǎng)絡(luò)如圖2所示。一路自底向上對(duì)圖像進(jìn)行下采樣，特征圖像素在特定層發(fā)生改變，其他層則不變，改變像素大小前的所有層劃為一個(gè)stage，該stage最后層特征圖作為輸出；另一路自頂向下進(jìn)行上采樣，同時(shí)與第一路生成相同大小的特征圖融合。

圖2 特征提取網(wǎng)絡(luò)FPN結(jié)構(gòu)

候選區(qū)域生成網(wǎng)絡(luò)RPN(region proposal networks)在FPN輸出的網(wǎng)絡(luò)特征圖上生成候選框錨，對(duì)錨進(jìn)行打分判斷其為目標(biāo)或背景，同時(shí)修正錨框坐標(biāo)。RPN在特征圖上生成一個(gè)滑動(dòng)窗口，為每個(gè)錨預(yù)設(shè)9種初始錨框。初始錨框包含三種大小(128×128, 256×256, 512×512)，每種大小包含三種比例(1:1, 1:2, 2:1)。因此，大小為w×h的特征圖有w×h×k個(gè)錨，錨框種類(lèi)k=9。在RPN頭部，以圖3所示結(jié)構(gòu)生成f個(gè)錨。對(duì)每個(gè)錨輸出坐標(biāo)回歸層和二分類(lèi)層：坐標(biāo)回歸層包括錨的坐標(biāo)(x,y,w,h)，每個(gè)錨通過(guò)回歸生成4個(gè)預(yù)測(cè)值A(chǔ)x,Ay,Aw,Ah標(biāo)出候選框；二分類(lèi)層輸出錨的背景分?jǐn)?shù)和目標(biāo)分?jǐn)?shù)，兩個(gè)分?jǐn)?shù)均為預(yù)測(cè)值，該分?jǐn)?shù)為錨與正確標(biāo)注的重疊區(qū)域IoU(intersection over union)值。錨的邊框修正與4個(gè)值tx,ty,tw,th有關(guān)，tx,ty表示錨在x方向和y方向的平移量，tw,th表示長(zhǎng)和寬的縮放量，以Gx,Gy,Gw,Gh表示標(biāo)定的正確標(biāo)注框，用G′x,G′y,G′w,G′h表示錨映射得到的和正確標(biāo)注框最接近的回歸窗口，則可通過(guò)公式(1)～(4)平移和縮放：

(1)

(2)

(3)

(4)

式中,dx(A),dy(A),dw(A),dh(A)四種變換通過(guò)訓(xùn)練得到對(duì)應(yīng)權(quán)重，變換通過(guò)式(5)～(8)調(diào)整：

(5)

(6)

(7)

(8)

特征圖轉(zhuǎn)化的特征向量定義為Φ，預(yù)測(cè)值(tx,ty,tw,th)，輸出dx(A),dy(A),dw(A),dh(A)，w為學(xué)習(xí)參數(shù)，目標(biāo)函數(shù)則可表示為式(9)：

(9)

訓(xùn)練RPN的損失函數(shù)為：

(10)

RPN的分類(lèi)和邊框回歸分別對(duì)錨進(jìn)行計(jì)算，在RPN結(jié)構(gòu)尾部對(duì)兩分支輸出結(jié)果匯總，實(shí)現(xiàn)對(duì)錨初步去重和偏移。

圖3 RPN原理圖

RoI Align網(wǎng)絡(luò)對(duì)特征圖進(jìn)行m倍下采樣，結(jié)果使用浮點(diǎn)數(shù)表示，下采樣特征圖劃分m×m個(gè)單元，單元邊界同樣使用浮點(diǎn)數(shù)表示。該浮點(diǎn)數(shù)利用雙線(xiàn)性插值得出像素點(diǎn)數(shù)值，對(duì)特征區(qū)域分類(lèi)和分割。使用浮點(diǎn)數(shù)表示能夠確保特征對(duì)齊候選框，在像素級(jí)目標(biāo)識(shí)別中減少偏移量。

Mask預(yù)測(cè)分支的結(jié)構(gòu)是一個(gè)微型卷積神經(jīng)網(wǎng)絡(luò)，輸入為目標(biāo)候選區(qū)，生成28×28浮點(diǎn)數(shù)分辨率的Mask。訓(xùn)練時(shí)將Mask縮小為28×28計(jì)算損失函數(shù)，預(yù)測(cè)時(shí)將Mask放大為RoI邊框尺寸，輸出Mask結(jié)果，每類(lèi)目標(biāo)有獨(dú)立的Mask。

分類(lèi)網(wǎng)絡(luò)使用目標(biāo)候選框特征圖，通過(guò)FC(full connect)層與softmax層計(jì)算目標(biāo)候選框所屬類(lèi)別，輸出概率向量；同時(shí)再次利用邊框回歸修正目標(biāo)候選框的位置偏移量。

式(11)用Lcls表示分類(lèi)層的回歸損失值，式(12)Lbox表示邊框回歸的回歸損失值，式(13)Lmask表示Mask預(yù)測(cè)分支損失函數(shù)，則Mask R-CNN的損失函數(shù)可表示為式(14)：

(11)

(12)

(13)

L=Lcls+Lbox+Lmask

(14)

2 地面保護(hù)區(qū)預(yù)警

2.1 地面保護(hù)區(qū)

跑道侵入定義為：在機(jī)場(chǎng)中發(fā)生的任何涉及錯(cuò)誤的出現(xiàn)或存在在用于飛機(jī)起飛和降落的地面保護(hù)區(qū)表面的飛機(jī)，車(chē)輛以及行人的事件[14]。地面保護(hù)區(qū)包括機(jī)場(chǎng)跑道、滑行道上跑道等待位置和跑道之間的區(qū)域、跑道中線(xiàn)兩側(cè)各75 m內(nèi)的土面區(qū)、ILS敏感區(qū)、ILS臨界區(qū)和跑道端安全區(qū)，如圖4所示。

根據(jù)定義，防止跑道侵入即監(jiān)視地面保護(hù)區(qū)內(nèi)航空器、車(chē)輛與人員的相對(duì)位置關(guān)系與狀態(tài)。據(jù)FAA對(duì)涉及跑道侵入事件和嚴(yán)重事件調(diào)查分析，跑道侵入可分為以下幾種典型：

1)航空器或車(chē)輛不正確進(jìn)入地面保護(hù)區(qū)；

2)撤離航空器或車(chē)輛不正確地出現(xiàn)在跑道保護(hù)區(qū)；

3)航空器或車(chē)輛不正確地穿越跑道；

4)連續(xù)落地、落地與起飛或起飛與落地航空器之間的間隔不滿(mǎn)足規(guī)定；

5)航空器著陸時(shí)沒(méi)有空中交通管制許可；

6)航空器起飛時(shí)沒(méi)有空中交通管制許可。

圖4 機(jī)場(chǎng)地面保護(hù)區(qū)示意圖

2.2 跑道侵入檢測(cè)模型

模型在跑道和滑行道等待線(xiàn)的一側(cè)安裝n個(gè)攝像頭，攝像頭檢測(cè)有效范圍內(nèi)航空器位置并判斷運(yùn)動(dòng)狀態(tài)。攝像頭安裝間隔需保證不會(huì)有同一架航空器出現(xiàn)在兩個(gè)攝像頭中，同時(shí)調(diào)整攝像頭仰角防止將目標(biāo)區(qū)域外的航空器捕捉進(jìn)畫(huà)面對(duì)識(shí)別產(chǎn)生影響。模型布局如圖5所示。

圖5 攝像頭位置示意圖

模型輸入信號(hào)為攝像頭實(shí)時(shí)檢測(cè)結(jié)果，Ii表示第i個(gè)攝像頭，若檢測(cè)到航空器處于該攝像頭檢測(cè)區(qū)域并處于運(yùn)動(dòng)狀態(tài)，則Ii=1；否則Ii=0。除地面保護(hù)區(qū)內(nèi)航空器，獲得空管著陸許可航空器在距接地點(diǎn)數(shù)公里時(shí)，跑道必須為清空狀態(tài)，此時(shí)攝像頭無(wú)法捕捉空中正在著陸航空器的圖像信息。該飛機(jī)狀態(tài)需通過(guò)塔臺(tái)管理系統(tǒng)接口獲取航空器是否處于獲得著陸許可狀態(tài)。I0作為飛機(jī)著陸許可狀態(tài)位，連接塔臺(tái)管理系統(tǒng)接口，發(fā)布著陸許可時(shí)I0=1,否則為0。當(dāng)攝像頭檢測(cè)信號(hào)與著陸許可信號(hào)中有兩個(gè)及以上信號(hào)為真時(shí)，判定發(fā)生跑道侵入。本研究選擇數(shù)字電路處理檢測(cè)信號(hào)，該電路使用半加器，當(dāng)輸出Output=1時(shí)跑道侵入發(fā)生；Output=0時(shí)為正常狀態(tài)。邏輯電路如圖6所示。

圖6 跑道侵入信號(hào)檢測(cè)邏輯電路圖

常見(jiàn)的跑道侵入有三種相對(duì)位置關(guān)系。第一種空管發(fā)布航空器著陸許可，跑道等待線(xiàn)外航空器進(jìn)入地面保護(hù)區(qū)，地面飛機(jī)造成跑道侵入。該情況下著陸許可狀態(tài)信號(hào)I0=1，滑行道上第i個(gè)攝像頭檢測(cè)到航空器進(jìn)入地面保護(hù)區(qū)且為運(yùn)動(dòng)狀態(tài)，Ii=1。如圖7所示。

圖7 穿越跑道航空器進(jìn)入被著陸航空器占用的跑道

第二種當(dāng)空管發(fā)布航空器起飛許可后，跑道等待線(xiàn)外的航空器進(jìn)入地面保護(hù)區(qū)造成跑道侵入。該情況下，跑道上第i個(gè)攝像頭檢測(cè)到起飛航空器處于地面保護(hù)區(qū)內(nèi)且為運(yùn)動(dòng)狀態(tài)，信號(hào)狀態(tài)Ii=1，同時(shí)滑行道上第j個(gè)攝像頭檢測(cè)到航空器進(jìn)入地面保護(hù)區(qū)且為運(yùn)動(dòng)狀態(tài)，信號(hào)狀態(tài)Ij=1。如圖8所示。

圖8 穿越跑道航空器進(jìn)入被起飛航空器占用的跑道

第三種當(dāng)空管發(fā)布航空器穿越跑道許可后，跑道端航空器起飛或空管發(fā)布航空器著陸許可造成跑道侵入。此時(shí)，跑道上第i個(gè)攝像頭檢測(cè)到起飛航空器處于地面保護(hù)區(qū)內(nèi)且為運(yùn)動(dòng)狀態(tài)，信號(hào)狀態(tài)Ii=1，或空管發(fā)布著陸許可I0=1，同時(shí)滑行道上第j個(gè)攝像頭檢測(cè)到航空器進(jìn)入地面保護(hù)區(qū)且為運(yùn)動(dòng)狀態(tài)，信號(hào)狀態(tài)Ij=1。如圖9所示。

圖9 起飛/著陸航空器進(jìn)入被穿越跑道航空器占用的跑道

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

文獻(xiàn)[12]中的Mask R-CNN模型基于COCO數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。但COCO數(shù)據(jù)集包含的目標(biāo)種類(lèi)多，且多數(shù)目標(biāo)所處場(chǎng)景復(fù)雜，在實(shí)驗(yàn)本文提出的地面保護(hù)區(qū)目標(biāo)識(shí)別時(shí)效果較差。目前沒(méi)有專(zhuān)門(mén)用于機(jī)場(chǎng)地面保護(hù)區(qū)目標(biāo)識(shí)別的數(shù)據(jù)集，本文自建地面保護(hù)區(qū)航空器、車(chē)輛和人員圖像數(shù)據(jù)集，該數(shù)據(jù)集主要來(lái)源于運(yùn)輸機(jī)場(chǎng)監(jiān)控視頻、民航研究所數(shù)據(jù)、中飛院空管安全研究所數(shù)據(jù)以及部分PASCAL航空器數(shù)據(jù)集。模型利用開(kāi)源數(shù)據(jù)集標(biāo)注工具BBox-Label-Tool對(duì)數(shù)據(jù)集中的目標(biāo)物體進(jìn)行標(biāo)記。本文通過(guò)遷移學(xué)習(xí)，基于COCO數(shù)據(jù)集訓(xùn)練權(quán)重模型建立訓(xùn)練樣本數(shù)據(jù)集，訓(xùn)練效率和檢測(cè)精度得到顯著提升。

本文模型使用的軟硬件具體型號(hào)如表1所示。

表1 軟硬件清單

此外由于條件限制，無(wú)法得到機(jī)場(chǎng)許可在現(xiàn)場(chǎng)安裝攝像頭，因此在中國(guó)民航飛行學(xué)院空中交通安全管理實(shí)驗(yàn)室使用1:2 000沙盤(pán)模型模擬機(jī)場(chǎng)環(huán)境，對(duì)模型進(jìn)行測(cè)試驗(yàn)證，沙盤(pán)模型如圖10所示。

圖10 1:2 000機(jī)場(chǎng)跑道模型

3.2 測(cè)試結(jié)果

本文在準(zhǔn)確率測(cè)試中挑選500張正樣本以及300張負(fù)樣本，樣本包括凈空條件正常時(shí)航空器正面、側(cè)面和俯視航空器的檢測(cè)效果，航空器和車(chē)輛、人員同時(shí)出現(xiàn)在畫(huà)面中的檢測(cè)效果，背景與航空器低對(duì)比度的檢測(cè)效果，含航空器遮擋、重疊的檢測(cè)效果和大霧天氣航空器檢測(cè)效果，部分測(cè)試的效果圖如表2所示，測(cè)試結(jié)果見(jiàn)表3。

表2 目標(biāo)檢測(cè)測(cè)試效果

表3 測(cè)試結(jié)果準(zhǔn)確度

根據(jù)機(jī)場(chǎng)地面保護(hù)區(qū)發(fā)生跑道侵入的情況，使用航空器模型在機(jī)場(chǎng)沙盤(pán)模型上模擬跑道侵入場(chǎng)景。圖11演示了23號(hào)跑道上有航空器起飛時(shí)，另一架航空器滑過(guò)等待線(xiàn)進(jìn)入地面保護(hù)區(qū)的情況；以及航空器穿越23號(hào)跑道時(shí)有航空器開(kāi)始起飛的情況。實(shí)驗(yàn)顯示，該跑道侵入檢測(cè)模型準(zhǔn)確率可以達(dá)到95%，平均運(yùn)行時(shí)間達(dá)到3.7 fps。

3.3 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)?zāi)M跑道侵入實(shí)際發(fā)生狀況，演示了包括：航空器穿越被著陸航空器占用的跑道、航空器穿越被起飛航空器占用的跑道、起飛/著陸航空器使用被穿越跑道航空器占用的跑道三種情形的跑道侵入。

圖11 跑道侵入檢測(cè)效果圖

由實(shí)驗(yàn)結(jié)果可知，因機(jī)場(chǎng)背景相較其他場(chǎng)景更加簡(jiǎn)單，本文模型對(duì)凈空條件正常的場(chǎng)景下航空器識(shí)別效果非常精確。大霧天氣中的航空器，大霧條件高于機(jī)場(chǎng)最低運(yùn)行能見(jiàn)度條件時(shí)，對(duì)航空器識(shí)別準(zhǔn)確率影響不大。當(dāng)拍攝畫(huà)面中有航空器重疊時(shí)，航空器識(shí)別效果會(huì)變差，但航空器在地面保護(hù)區(qū)正常運(yùn)行時(shí)，極小概率出現(xiàn)同一有效檢測(cè)區(qū)域有多架航空器出現(xiàn)且重疊的情況，且航空器運(yùn)動(dòng)過(guò)程速度較快，重疊對(duì)判斷航空器發(fā)生跑道侵入的準(zhǔn)確率影響不大。測(cè)試中發(fā)現(xiàn)，當(dāng)航空器顏色與背景顏色對(duì)比度較低或沒(méi)有明顯顏色區(qū)分時(shí)，航空器識(shí)別準(zhǔn)確率影響較大。通過(guò)分析訓(xùn)練樣本，低對(duì)比度圖像多為攝像頭機(jī)位較高、像素低圖像較模糊情況。攝像頭機(jī)位較高，拍攝時(shí)易出現(xiàn)從上往下看航空器與滑行道顏色相近的情況。該情形下可通過(guò)降低攝像頭的安裝位置以及調(diào)整攝像頭仰角，避免圖像中目標(biāo)與背景對(duì)比度過(guò)低的問(wèn)題。本文提出的防止跑道侵入模型檢測(cè)跑道侵入事件的準(zhǔn)確率取決于對(duì)航空器運(yùn)動(dòng)狀態(tài)識(shí)別準(zhǔn)確率，目標(biāo)識(shí)別的實(shí)時(shí)性基本滿(mǎn)足航空器實(shí)際運(yùn)行要求。

綜上，本文提出的基于Mask R-CNN的航空器檢測(cè)模型能夠有效識(shí)別機(jī)場(chǎng)地面保護(hù)區(qū)的航空器、車(chē)輛和人員，將識(shí)別結(jié)果轉(zhuǎn)換為信號(hào)，根據(jù)信號(hào)判斷地面保護(hù)區(qū)內(nèi)目標(biāo)的相對(duì)位置關(guān)系和運(yùn)動(dòng)狀態(tài)信息，從而準(zhǔn)確判斷跑道上是否發(fā)生了跑道侵入，由此減少機(jī)場(chǎng)不安全事件的發(fā)生率。

4 結(jié)束語(yǔ)

本文提出的方法是一種低成本、高效率的減少機(jī)場(chǎng)不安全事件的方法，通過(guò)遷移學(xué)習(xí)使用Mask R-CNN模型對(duì)機(jī)場(chǎng)地面保護(hù)區(qū)相關(guān)目標(biāo)進(jìn)行識(shí)別；還結(jié)合攝像頭獲取地面保護(hù)區(qū)圖像信息，提出攝像頭的布局方案，設(shè)計(jì)一種基于電信號(hào)判斷發(fā)生跑道侵入的邏輯電路方法，有效地減少機(jī)場(chǎng)跑道不安全事件的發(fā)生，為沒(méi)有能力配備場(chǎng)監(jiān)設(shè)備的中小機(jī)場(chǎng)提供了一種低成本防跑道侵入技術(shù)方案，具有廣闊的應(yīng)用前景。