基于YOLO的人工智能飛機(jī)尾渦識別研究

潘衛(wèi)軍，段英捷，易文豪，張 強(qiáng)，韓 帥

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

航空器從起飛離地開始，在爬升、巡航、進(jìn)近、著陸整個飛行過程中都會形成尾渦，這是由于飛機(jī)機(jī)翼上下表面壓力差產(chǎn)生的，它是飛機(jī)升力的一個副產(chǎn)物，是無法避免的。20 世紀(jì)70年代初發(fā)生了世界上第一起航空器因為遭遇尾渦而失事墜毀的事故，當(dāng)時遇難飛機(jī)跟進(jìn)一架波音747，在不慎遭遇前機(jī)尾渦后因操縱失控發(fā)生空難[1]。2001，美國航空公司587航班因遭遇了兩次強(qiáng)烈的前機(jī)尾渦[2]，出現(xiàn)大坡度，又因進(jìn)入前機(jī)尾渦下洗區(qū)，尾翼與機(jī)身脫落，導(dǎo)致飛機(jī)墜毀。2012年9月14日，維珍澳洲(Virgin Australia)一架波音737-800客機(jī)在巴厘島附近遭遇一架空中客車A380的尾流，瞬間導(dǎo)致飛機(jī)失控、傾斜，最大左傾角達(dá)40°，產(chǎn)生事故癥候。因此，為避免進(jìn)入前機(jī)的危險尾渦區(qū)域而導(dǎo)致的滾轉(zhuǎn)、失速甚至解體等現(xiàn)象，對于飛機(jī)尾渦的識別成為了航空研究中的重點問題。目前對于民航客機(jī)的尾渦探測與識別研究，主要包括理論分析、CFD(computational fluid dynamics，CFD)數(shù)值模擬和雷達(dá)實地探測試驗等方法[3]。由于現(xiàn)行實驗條件下的飛機(jī)模型和真實飛機(jī)結(jié)構(gòu)之間存在較大差異，同時，復(fù)雜多變的大氣環(huán)境計算機(jī)難以預(yù)測和模擬的，因此，基于理論分析和數(shù)值模擬的尾渦演化與識別結(jié)果更需要與機(jī)場實地探測的結(jié)果作進(jìn)一步驗證。目前針對飛機(jī)尾渦的探測工具較為成熟的是多普勒激光雷達(dá)。2001年,Holzapfel F等[4]利用多普勒激光雷達(dá)在德國開展了多次機(jī)場尾渦實地探測實驗,給出了估算尾渦渦流環(huán)量的方法。2006年，法國Thales公司使用X波段雷達(dá)在巴黎附近某機(jī)場進(jìn)行了民航客機(jī)的尾渦探測實驗[5]。2008年，F(xiàn)rederic等[6]在法國巴黎機(jī)場開展了X波段的激光雷達(dá)尾渦探測實驗。但是，對于航空器尾渦雷達(dá)數(shù)據(jù)的分析與識別一直是航空工業(yè)中的難題。近些年，隨著人工智能的火熱研究，深度學(xué)習(xí)(Deep Learning，DE)給激光雷達(dá)目標(biāo)識別研究提供了新的思路?；诖?本文結(jié)合多普勒激光雷達(dá)探測原理,提出了一種基于深度學(xué)習(xí)理論的算法,并利用YOLO v3網(wǎng)絡(luò)提取尾渦圖像特征來對尾渦進(jìn)行檢測，以輔助決策塔臺空管人員對于機(jī)場區(qū)域尾流間隔的配備[7]。

1 激光雷達(dá)實地探測

1.1 機(jī)場區(qū)域尾渦探測方式

不同機(jī)型飛機(jī)所產(chǎn)生的尾渦強(qiáng)度和演化規(guī)律不盡相同，因此，選取起降航班架次較多，機(jī)型豐富的機(jī)場有利于保障所獲取的雷達(dá)數(shù)據(jù)的豐富性，同時，多尺度樣本也能提高于深度學(xué)習(xí)模型的泛化能力，進(jìn)一步提高對于尾渦是別的準(zhǔn)確率。

本文選取西南地區(qū)日航班起降架次大于1 000的某機(jī)場，其中包括B767、B777和A330(重型機(jī))，B737、A319和A320以及CRJ200、ERJ190和G650(中型機(jī))以及國產(chǎn)支線客機(jī)ARJ21。激光雷達(dá)受限于脈沖激光頻率和寬度限制，作用距離和分辨率有限，因此激光雷達(dá)的安放位置對于數(shù)據(jù)采集有著極為重要的影響。本文結(jié)合機(jī)場地形氣象條件、跑道運行方式等因素，對特定參數(shù)的激光雷達(dá)的安裝位置進(jìn)行研究，確定了如圖1所示的選址方案，實現(xiàn)對飛機(jī)尾渦的多機(jī)多點探測。

圖1 激光雷達(dá)架設(shè)位置

實驗選取橫向探測尾渦方式，即距離高度顯示器(Range-Height-Indication，RHI)模式，如圖2所示?，F(xiàn)場觀測時分別將兩臺Wind3D 6000型激光雷達(dá)安放于位置點1、位置點2，同時探測在飛行的不同階段尾渦的演化情況，位置點3安裝輔助測風(fēng)雷達(dá)(如圖1所示)，探測同一時刻機(jī)場區(qū)域內(nèi)的大氣風(fēng)場，確保能準(zhǔn)確獲得該區(qū)域內(nèi)飛機(jī)尾渦及背景風(fēng)的雷達(dá)數(shù)據(jù)。

圖2 激光雷達(dá)掃描模式

1.2 尾渦雷達(dá)數(shù)據(jù)分析

尾渦流場的主要特點是旋轉(zhuǎn)穩(wěn)定、存在時間長，其強(qiáng)度主要由飛機(jī)重量、飛行速度和機(jī)翼形狀所決定。由流體力學(xué)的升力線理論[8]可得：

(1)

rc=0.05b0

(2)

(3)

(4)

式(1)～(4)中：b0為兩尾渦渦核距離(m)；r0為尾渦渦核半徑(m)； Г0為尾渦初始環(huán)量(m2/s)；V(r)為尾渦切向速度(m2/s)；B為翼展(m)；M為飛機(jī)最大起飛重量(kg)；ρ為當(dāng)前大氣密度(kg/m3)；V為飛行重量M下的最大速度(m/s)；g為重力加速度常量(m/s2)。

而尾渦環(huán)量Г是描述尾渦強(qiáng)度最關(guān)鍵的一個指標(biāo)。渦量是流體的本質(zhì)特征，渦量對應(yīng)于流體微團(tuán)的自旋，能夠從局部來刻畫流體的運動。在三維空間中，以飛機(jī)的幾何重心位置為空間原點，以飛行方向為x軸，以尾流在翼展的運輸方向為y軸，以垂直于xoy平面的方向為z軸，可將三維尾渦環(huán)量定義為：

(5)

式中：ωx為尾渦的軸向旋度；環(huán)量的數(shù)學(xué)意義即尾渦流體的切向速度沿一條封閉曲線的積分。

激光雷達(dá)在RHI模式下能直接得到尾渦的徑向速度，由于Hallock-Burnham渦模型中尾渦速度變化較平滑，且廣泛應(yīng)用于雷達(dá)探測實驗、大渦模擬(Large Eddy Simulation，LES)的尾渦演化研究和飛機(jī)對尾跡遭遇的響應(yīng)模型，因此本文選取Hallock-Burnham渦模型反演得到2個反對稱渦系統(tǒng)的切向速度為：

Vθ(r)=Vθ(r-r2)-Vθ(r-r1)

(6)

式中：r為尾渦系統(tǒng)中的位置矢量；r0為尾渦的中心位置矢量；r1和r2分別為左渦和右渦的位置矢量。

基于上述公式，采用MatLab將雷達(dá)數(shù)據(jù)可視化得到飛機(jī)尾渦圖像如圖3所示。

圖3 2018年9月5日尾渦圖像

2 人工智能算法

近年來，人工智能基本完成了人類智力任務(wù)自動化[9]，其中，卷積神經(jīng)網(wǎng)絡(luò)被應(yīng)用于目標(biāo)識別領(lǐng)域，并取得了顯著的研究成果，本文將YOLO v3網(wǎng)絡(luò)引入大氣風(fēng)場中飛機(jī)尾渦的目標(biāo)檢測，有望助于縮短我國現(xiàn)行的尾流間隔標(biāo)準(zhǔn)。

人工智能應(yīng)用比較廣泛的目標(biāo)檢測算法可以分為兩類：第一類是基于區(qū)域提名的算法，也稱為雙步目標(biāo)檢測法，如Fast R-CNN[10],Faster R-CNN[11],Mask R-CNN[12]等，這些算法將目標(biāo)檢測的過程分為兩步，首先使用區(qū)域候選網(wǎng)絡(luò)(RPN)來提取候選目標(biāo)信息，然后再經(jīng)過檢測網(wǎng)絡(luò)完成對候選目標(biāo)的位置和類別的預(yù)測和識別[13]。第二類是端到端的算法，也稱為單步目標(biāo)檢測法，如SSD[14],YOLO[15],YOLO 9000[16],YOLO v3[17],此類算法不需要RPN，直接通過網(wǎng)絡(luò)來產(chǎn)生目標(biāo)的的位置和類別信息，通過一步完成，具有更快的檢測速度，因此在飛機(jī)尾渦檢測方面有望實現(xiàn)實時識別并預(yù)警的功能。

2.1 網(wǎng)絡(luò)模型構(gòu)建

本文中的YOLO v3使用了Darknet-53殘差網(wǎng)絡(luò)并結(jié)合特征金字塔(Feature Pyramid Networks，F(xiàn)PN)網(wǎng)絡(luò)結(jié)構(gòu)，在網(wǎng)絡(luò)后2個特征圖上采樣后于網(wǎng)絡(luò)前期相應(yīng)尺寸的特征圖聚合，再經(jīng)過卷積網(wǎng)絡(luò)后得到預(yù)測結(jié)果，圖4為YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

圖4 YOLO v3網(wǎng)絡(luò)結(jié)構(gòu)框圖

YOLO v3的檢測流程如圖4所示，輸入圖像整體縮放為416×416，將圖像劃分為13×13個單元格，若某一目標(biāo)的中心落入某一網(wǎng)格，則該網(wǎng)格負(fù)責(zé)檢測該目標(biāo)[18]。在模型中，每個網(wǎng)格均有其任務(wù)，設(shè)置每個網(wǎng)格需要預(yù)測b個檢測框，C個檢測類別。檢測框坐標(biāo)(x，y)，寬w，高h(yuǎn)，檢測框置信得分Sconf為：

Sconf=P(Ci|Oobject)×P(Oobject)×I(truth,pred)

(7)

式中：若檢測框中出現(xiàn)目標(biāo)物，則P(Oobject)=1；若檢測框中不存在目標(biāo)物，則P(Oobject)=0；P(Ci|Oobject)為網(wǎng)格預(yù)測i類的置信得分；I(truth,pred)為預(yù)測目標(biāo)與真實目標(biāo)框的交并比。

在檢驗時，每個類別邊界框的分類置信度等于每個目標(biāo)邊界框的置信度和每個網(wǎng)格預(yù)測的類別信息的乘積。得到每個邊框的分類置信度以后，通過選擇合理的閾值，剔除分?jǐn)?shù)較低的邊界框，對保留下來的邊框進(jìn)行歸一化處理，得到最終的檢測結(jié)果[18]。

2.2 仿真參數(shù)設(shè)置

本文設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層和輸出層組成。網(wǎng)絡(luò)輸入二維圖像，像素為416×416，通道為3。卷積層通過滑動窗口的形式提取和映射圖像的細(xì)節(jié)特征，并且每一個卷積層都會對尾渦數(shù)據(jù)進(jìn)行批標(biāo)準(zhǔn)化(Batch Normalization，BN)操作；Darknet-53為特征提取網(wǎng)絡(luò)，YOLO v3 采用了53個卷積層(3×3和1×1)來提取尾渦特征，檢測支路使用全卷積結(jié)構(gòu)。網(wǎng)絡(luò)共選用五種不同尺度和深度的殘差層，進(jìn)行不同層輸出間的求殘差操作。池化層對輸入的特征圖進(jìn)行下采樣，一方面降低計算的復(fù)雜度，一方面提取主要特征。通過每個卷積核與上一層特征圖進(jìn)行卷積來提取圖像特征信息，然后通過激活函數(shù)生成當(dāng)前層的特征圖，將提取到的特征圖在更高層進(jìn)行組合得到全局特征。特征融合層分為3個尺度(13×13、26×26、52×52)，每個尺度先堆積不同尺度的特征圖，然后通過卷積核(3×3和 1×1)的方式實現(xiàn)不同尺度特征圖之間的局部特征融合，輸出深度為75的張量，至此獲得到不同的尾渦特征信息，實現(xiàn)提取飛機(jī)尾渦特征的目的。

本文根據(jù)實際的尾渦識別情況調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，改變網(wǎng)絡(luò)參數(shù)，選擇適當(dāng)?shù)木矸e核與激活函數(shù)等參數(shù)，設(shè)計適用于實際空中交通管制需求的網(wǎng)絡(luò)模型。

3 結(jié)果與分析

本文試驗使用Darnknet-53、Keras深度學(xué)習(xí)框架，運用Python編程語言編寫程序，工作站為T7810,配置為內(nèi)存16G，顯卡1070，雙核CPU12核心，3.4G主頻，操作系統(tǒng)為Windows 10。

3.1 試驗過程

試驗訓(xùn)練使用樣本5 000張,訓(xùn)練集4 600張，測試集400張，共訓(xùn)練6 000次?；谇捌谠囼灲?jīng)驗與多次調(diào)試，設(shè)置初始學(xué)習(xí)率(Learning Rate，LR)為0.001，動量系數(shù)為0.9，衰減系數(shù)0.005,選擇Batch_size=256對模型進(jìn)行訓(xùn)練，每個Epoch中發(fā)生模型權(quán)重更新196次，并在迭代過程中記錄下準(zhǔn)確率。為了豐富尾渦圖像訓(xùn)練集，更好地提取圖像特征，防止模型過擬合，本實驗采用旋轉(zhuǎn)圖像[20]、剪切圖像[21]、對比度變換[22]、增加噪聲等方法進(jìn)行數(shù)據(jù)增強(qiáng)。

對尾渦的識別測試部分結(jié)果如圖5所示。其中Detected 0.84表示對于該幀圖像探測到“尾渦存在”的檢測率為0.84。在大氣環(huán)境中，飛機(jī)尾渦總是表現(xiàn)為成對出現(xiàn)的反向旋渦，因此在雷達(dá)云圖中呈現(xiàn)出兩對不同色調(diào)的色塊，圖5中左上和右下分別為紅色色塊，分別表示左渦和右渦速度分量往上的模塊，同理，藍(lán)色色塊即表示左右渦速度分量往下的模塊。結(jié)合YOLO v3在小目標(biāo)檢測中的優(yōu)越性與尾渦總是成對出現(xiàn)且速度反向的特性，本文所選取的檢測框只捕捉渦核附近旋轉(zhuǎn)速度穩(wěn)定且大的單只尾渦，即可識別到飛機(jī)尾渦。

圖5 飛機(jī)尾渦檢測結(jié)果

3.2 誤差分析

在對YOLO v3網(wǎng)絡(luò)模型的訓(xùn)練過程中，選用均方和誤差作為損失函數(shù)，分別由三部分組成：坐標(biāo)誤差、IOU誤差和分類誤差，表示如下：

(8)

在綜合考慮每種損失的貢獻(xiàn)率和相對誤差的因素下，YOLO v3算法在訓(xùn)練過程中損失的計算如下：

(9)

圖6 識別準(zhǔn)確率曲線

圖7 損失函數(shù)曲線

表2 YOLO v3算法檢測結(jié)果

由以上分析可以得出，使用YOLO v3識別飛機(jī)尾渦能夠到達(dá)較高的檢測率，準(zhǔn)確率方面與AlexNet對比，在6 000步時已體現(xiàn)出優(yōu)越性，7 000步以后已逐步收斂，收斂速度更快，準(zhǔn)確率更高，而AlexNet受限于網(wǎng)絡(luò)深度的局限，在 10 000 步以后才逐漸收斂且不穩(wěn)定，與之相比，本文算法將準(zhǔn)確率從84%提高至90.37%。并且在速度方面，本文算法對于每幀圖像處理的時間達(dá)到19.217 ms，能夠滿足實時性要求。

4 結(jié)論

為了實現(xiàn)對于近地階段飛機(jī)尾渦的監(jiān)控和識別檢測，更有效地提高機(jī)場及空域的利用率，縮短飛機(jī)起降間隔，本文提出一種基于人工智能的算法YOLO v3實現(xiàn)對于飛機(jī)尾渦的準(zhǔn)確識別，該算法能夠有效地保留圖像特征，提高對于尾渦的檢測能力，也能夠提高機(jī)場尾渦探測系統(tǒng)的能力。該算法在現(xiàn)行的雷達(dá)管制間隔基礎(chǔ)上，能夠結(jié)合實際情況判斷尾渦的存在，滿足實時性要求，能夠為空中交通管制員給出安全的尾流間隔提供輔助信息，具有應(yīng)用價值。但由于尾渦受大氣層結(jié)效應(yīng)影響，在風(fēng)力影響較大的情況下，對于雷達(dá)探測的精度和可視化效果不理想，存在一定誤差，是后續(xù)研究的重點方向。