CN115372988A - 一种飞机尾涡的识别定位方法、装置及介质 - Google Patents
一种飞机尾涡的识别定位方法、装置及介质 Download PDFInfo
- Publication number
- CN115372988A CN115372988A CN202211269732.1A CN202211269732A CN115372988A CN 115372988 A CN115372988 A CN 115372988A CN 202211269732 A CN202211269732 A CN 202211269732A CN 115372988 A CN115372988 A CN 115372988A
- Authority
- CN
- China
- Prior art keywords
- spectral width
- current
- width data
- value
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000003595 spectral effect Effects 0.000 claims abstract description 279
- 238000001228 spectrum Methods 0.000 claims abstract description 134
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000010006 flight Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种飞机尾涡的识别定位方法、装置及介质，适用于航空技术领域。该方法每隔预定时间便更新对应的当前谱宽阈值，使得当前谱宽阈值基于不同地区不同风场因素下更新，提高鲁棒性。同时根据更新的当前谱宽阈值与最大谱宽数据值的关系以识别定位飞机尾涡，最大谱宽数据值通过当前扫描片段内提取得到，若最大谱宽数据值大于当前谱宽阈值，则确定存在尾涡，进一步实现尾涡的定位，通过比较阈值的方式可以快速识别定位。相较于现有的识别定位方法避免较为繁杂的定位方式导致实时性较差的问题，本发明提高实时性，由于识别方式简单，不需要大量的数据训练尾涡识别定位模型，具有一定的普适性。
Description
技术领域
本发明涉及航空技术领域，特别是涉及一种飞机尾涡的识别定位方法、装置及介质。
背景技术
据统计，国际上已有多起航空安全事故与飞机尾涡有关，造成恶劣的社会经济效应。为避免飞机尾涡造成的安全事故，国内外机场航班起降均按照尾流间隔标准放行。通常情况下，尾流间隔标准留有较大安全空间，但该标准制约了机场航班吞吐量的增长，少数情况下，按照尾流间隔标准放行的航班仍有可能遭遇飞机尾涡，因此实时、准确的飞机尾涡自动识别、定位较为重要。
目前的激光雷达对尾涡自动识别定位包括两种方式，一种是基于尾涡在风场中通过风速或者谱宽等物理量表现出的独有特点，进行识别和定位；另一种是使用机器学习方法。前一种方法大多基于仿真数据，较少考虑真实大气风场中湍流、风切变等影响因素，在实际风场中定位效果较差，且算法较为繁杂，导致定位过程计算时间较长，实时性较差难以满足尾涡观测要求。同时由于不同地区、不同风场因素下的谱宽值不同，根据相同的阈值其鲁棒性较差。后一种方法需要基于大量样本数据训练尾涡识别定位模型，防止过拟合或欠拟合，且针对不同地区气候背景，模型普适性较差。
因此，寻求一种飞机尾涡的识别定位方法是本领域技术人员亟需要解决的。
发明内容
本发明的目的是提供一种飞机尾涡的识别定位方法、装置及介质，当前谱宽阈值基于不同地区不同风场因素下实时更新，提高鲁棒性，通过比较阈值的方式可以快速识别定位，提高实时性，由于识别方式简单，不需要大量的数据训练定位模型，具有一定的普适性。
为解决上述技术问题，本发明提供一种飞机尾涡的识别定位方法，包括：
选取预设时间内多个扫描片段对应的谱宽数据；
获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；
在当前扫描片段的谱宽数据内提取最大谱宽数据值；
当最大谱宽数据值大于当前谱宽阈值时，则确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位。
优选地，选取预设时间内多个扫描片段对应的谱宽数据，包括：
根据激光雷达的观测点位置以及机场跑道的位置关系，确定激光雷达的监测区域；
在监测区域内确定激光雷达的俯仰角对应的空间范围；
在预设时间内获取多个扫描片段内的相应空间范围内的谱宽数据。
优选地，获取当前谱宽阈值，包括：
根据预定时间选取各扫描片段内的第一谱宽数据；
对各第一谱宽数据去重处理得到多个第二谱宽数据，将多个第二谱宽数据从小到大排序以得到谱宽序列；
根据谱宽序列对应的各个第二谱宽数据确定在第一谱宽数据中确定对应的重复次数；
根据各重复次数与总次数的对应关系确定各第二谱宽数据的频率值；
在各频率值内选取最大频率值；
根据最大频率值确定对应的目标第二谱宽数据；
根据目标第二谱宽数据对应的频率值与其他大于目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定当前谱宽阈值。
优选地，根据目标第二谱宽数据对应的频率值与其他大于目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定当前谱宽阈值，包括：
以目标第二谱宽数据开始，在谱宽序列内选取大于目标第二谱宽数据的下一个第二谱宽数据；
将目标第二谱宽数据对应的频率值与下一个第二谱宽数据对应的频率值作差处理得到当前频率差值；
判断当前频率差值是否大于频率差阈值；
若是，则以下一个第二谱宽数据作为新的目标第二谱宽数据开始，返回至在谱宽序列内选取大于目标第二谱宽数据的下一个第二谱宽数据的步骤；
若否，则确定目标第二谱宽数据为当前谱宽阈值；
其中，将目标第二谱宽数据对应的频率值与下一个第二谱宽数据对应的频率值作差处理得到当前频率差值，包括：
将目标第二谱宽数据对应的频率值减下一个第二谱宽数据对应的频率值得到当前频率差值。
优选地，在获取当前谱宽阈值的基础上，方法还包括：
根据预设时间间隔对当前谱宽阈值校准，以得到校准后的当前谱宽阈值，校准过程具体包括：
通过摄像头捕捉飞机经过图片并记录飞机经过时间以触发视频抓拍事件；
若最大谱宽数据值大于上一个当前谱宽阈值时，则确定触发谱宽事件；
以当前时刻开始倒推，确定视频抓拍事件与谱宽事件的发生时刻与当前时刻的关系以确定校准的当前谱宽阈值。
优选地，以当前时刻开始倒推，确定视频抓拍事件与谱宽事件的发生时刻与当前时刻的关系以确定校准的当前谱宽阈值，包括：
以当前时刻开始倒推，确定视频抓拍事件的发生时刻为第一时刻，谱宽事件的发生时刻为第二时刻；
判断第一时刻是否早于第二时刻；
若是，则判断在第二时刻之前的预设时刻内是否存在第一时刻，其中预设时刻小于预定时间；
若不存在，则在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，以下一个第二谱宽数据作为校准后的当前谱宽阈值；
若存在，则当前谱宽阈值不变；
若否，则判断在第一时刻之前的预设时刻内是否存在第二时刻；
若不存在，则在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，以上一个第二谱宽数据作为校准后的当前谱宽阈值；
若存在，则当前谱宽阈值不变。
为解决上述技术问题，本发明还提供一种飞机尾涡的识别定位装置，包括：
选取模块，用于选取预设时间内多个扫描片段对应的谱宽数据；
获取模块，用于获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；
提取模块，用于在当前扫描片段的谱宽数据内提取最大谱宽数据值；
确定模块，用于当最大谱宽数据值大于当前谱宽阈值时，则确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位。
为解决上述技术问题，本发明还提供一种飞机尾涡的识别定位装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上述飞机尾涡的识别定位方法的步骤。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述飞机尾涡的识别定位方法的步骤。
本发明提供的一种飞机尾涡的识别定位方法，包括：选取预设时间内多个扫描片段对应的谱宽数据；获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；在当前扫描片段的谱宽数据内提取最大谱宽数据值；当最大谱宽数据值大于当前谱宽阈值时，则确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位。该方法每隔预定时间便更新对应的当前谱宽阈值，使得当前谱宽阈值基于不同地区不同风场因素下更新，提高鲁棒性。同时根据更新的当前谱宽阈值与最大谱宽数据值的关系以识别定位飞机尾涡，若最大谱宽数据值大于当前谱宽阈值，则确定存在尾涡，进一步实现尾涡的定位，通过比较阈值的方式可以快速识别定位。相较于现有的识别定位方法避免较为繁杂的定位方式导致实时性较差的问题，本发明提高实时性，由于识别方式简单，不需要大量的数据训练尾涡识别定位模型，具有一定的普适性。
另外，本发明还提供了一种飞机尾涡的识别定位装置及介质，具有如上述飞机尾涡的识别定位方法相同的有益效果。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种飞机尾涡的识别定位方法的流程图；
图2为本发明实施例提供的一种飞机尾涡的识别定位装置的结构图；
图3为本发明实施例提供的另一种飞机尾涡的识别定位装置的结构图；
图4为本发明实施例提供的另一种飞机尾涡的识别定位方法的流程图；
图5为本发明实施例提供的一种谱宽阈值的确定流程图；
图6为本发明实施例提供的一种谱宽阈值的校准流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。
本发明的核心是提供一种飞机尾涡的识别定位方法、装置及介质，当前谱宽阈值基于不同地区不同风场因素下实时更新，提高鲁棒性，通过比较阈值的方式可以快速识别定位，提高实时性，由于识别方式简单，不需要大量的数据训练定位模型，具有一定的普适性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
需要说明的是，飞机尾涡是一种由飞机升力引起的呈喇叭状并向后延伸的翼尖涡，通常由两个旋转方向相反、初始强度相近的涡组成。国际上已有多起航空安全事故与飞机尾涡有关。本发明提供的飞机尾涡的识别定位方法基于相干测风激光雷达实现。相干激光测风雷达是利用大气运动产生的多普勒效应进行三维风场探测的新型遥感设备，可以实现从地面到对流层高度无盲区的大气参数观测，具有高精度、高分辨率、大探测范围等优点。
图1为本发明实施例提供的一种飞机尾涡的识别定位方法的流程图，如图1所示，该方法包括：
S11：选取预设时间内多个扫描片段对应的谱宽数据；
S12：获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；
S13：在当前扫描片段的谱宽数据内提取最大谱宽数据值；
S14：判断最大谱宽数据值是否小于当前谱宽阈值，若否，进入步骤S15，若是，进入步骤S16；
S15：确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位；
S16：确定不存在飞机尾涡。
需要说明的是，谱宽数据是相干测风激光雷达在扫描风场时，可以得到每个距离门的谱宽，通常情况下飞机尾涡存在时，谱宽值会显著增大。距离门一般在电子电路中出现，在规定时间内选择信号的电子电路，在设置的时间内允许信号通过，其他时间门不允许信号通过。关于扫描片段对应的谱宽数据，在距离高度指示器（Range Height Indicator，RHI）扫描方式下，相干测风激光雷达在某一方位角，通过改变俯仰角进行垂直面扫描。扫描片段是在RHI扫描方式下，相干测风激光雷达完成一次某一范围的俯仰角扫描。其谱宽数据是在方位角固定的情况下获取得到。
作为一种优选实施例，步骤S11中的选取预设时间内多个扫描片段对应的谱宽数据，包括：
根据激光雷达的观测点位置以及机场跑道的位置关系，确定激光雷达的监测区域；
在监测区域内确定激光雷达的俯仰角对应的空间范围；
在预设时间内获取多个扫描片段内的相应空间范围内的谱宽数据。
具体地，激光雷达的观测点位置固定，机场跑道的位置固定，根据激光雷达的观测点位置以及跑道间的位置对应的关系确定其监测区域。监测区域固定，在监测区域内确定激光雷达的俯仰角对应的空间范围。例如仅获取俯仰角为2°-22°空间范围内的谱宽数据。
每个扫描片段有多个空间范围，其选择每个扫描片段内一定空间范围内的谱宽数据，也就是说空间范围固定，在每个扫描片段内均选择获取俯仰角为2°-22°空间范围内的谱宽数据。
为使谱宽阈值适应当前时段风场，同时避免不必要的运算，故需要在间隔时间内（预定时间）获取当前谱宽阈值。对应谱宽阈值的获取更新不做限定，可以根据实际情况设定。
在当前扫描片段的谱宽数据内提取最大谱宽数据值，需要说明的是，将当前扫描片段内对应的空间范围内的谱宽数据中选取最大谱宽数据值。得到的最大谱宽数据值可能在数据值上相同，但是对应的扫面片段不同，故可能存在一个或者多个相同的最大谱宽数据值。对应多个最大谱宽数据值，可以选取任意一个即可，也可以根据时间的先后顺序获取第一个等。
判断最大谱宽数据值是否小于当前谱宽阈值，若否，则确定存在飞机尾涡，若是，则确定无尾涡。
在确定存在飞机尾涡的情况下，其尾涡的位置定位可以清晰明了。由于尾涡的定位主要集中于中心区域，故无论存在一个或者多个最大谱宽数据值，均在该中心区域，只要根据中心区域的任意一点（某个最大谱宽数据值）以便确认其尾涡的位置。
本发明实施例提供的一种飞机尾涡的识别定位方法，包括：选取预设时间内多个扫描片段对应的谱宽数据；获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；在当前扫描片段的谱宽数据内提取最大谱宽数据值；当最大谱宽数据值大于当前谱宽阈值时，则确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位。该方法每隔预定时间便更新对应的当前谱宽阈值，使得当前谱宽阈值基于不同地区不同风场因素下更新，提高鲁棒性。同时根据更新的当前谱宽阈值与最大谱宽数据值的关系以识别定位飞机尾涡，若最大谱宽数据值大于当前谱宽阈值，则确定存在尾涡，进一步实现尾涡的定位，通过比较阈值的方式可以快速识别定位。相较于现有的识别定位方法避免较为繁杂的定位方式导致实时性较差的问题，本发明提高实时性，由于识别方式简单，不需要大量的数据训练尾涡识别定位模型，具有一定的普适性。
在上述实施例的基础上，实际风场中，受复杂大气湍流、风切变等影响，飞机尾涡特征不明显，但大量数据表明，大多情况下其谱宽值较自然风场的谱宽值更大，因此可以通过选取合适的谱宽阈值，将飞机尾涡识别出来，步骤S12中的获取当前谱宽阈值，包括：
根据预定时间选取各扫描片段内的第一谱宽数据；
对各第一谱宽数据去重处理得到多个第二谱宽数据，将多个第二谱宽数据从小到大排序以得到谱宽序列；
根据谱宽序列对应的各个第二谱宽数据确定在第一谱宽数据中确定对应的重复次数；
根据各重复次数与总次数的对应关系确定各第二谱宽数据的频率值；
在各频率值内选取最大频率值；
根据最大频率值确定对应的目标第二谱宽数据；
根据目标第二谱宽数据对应的频率值与大于目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定当前谱宽阈值。
具体地，根据预定时间内选取各扫描片段内的第一谱宽数据，也就是说，各扫描片段内对应有一个第一谱宽数据，若存在300个扫描片段，则对应存在300个第一谱宽数据。
对300个第一谱宽数据去重处理得到多个第二谱宽数据，也就是说，第二谱宽数据的数量小于或等于第一谱宽数据。对应去重处理方式不做限定，可以一个一个对比，也可以采用其他去重方式。为了便于查看以及后续的比对，将多个第二谱宽数据从小到大排序得到谱宽序列，关于谱宽序列也可以将多个第二谱宽数据从大到小排序。作为一种实施例，其序列为BW=（BW0，BW1，BW2，...，BWN-1）。
以谱宽序列对应的各第二谱宽数据以确定每个第二谱宽数据的重复次数，再根据重复次数与总次数的对应关系确定对应的频率值。以BW为例，每个谱宽值出现的次数为Ni，总次数为SUM，每个谱宽值的频率值fi，其公式表示为：fi=Ni/SUM，其总次数为扫描片段的个数，结合上述的例子，300个扫描片段，其总次数为300。
通过上述得到的各频率值，选取最大频率值，以确定其最大频率值对应的目标第二谱宽数据。由于飞机尾涡过程达到大于最大频率值对应的谱宽数据之后且包括该谱宽数据的可能性较大，故以大于目标第二谱宽数据的第二谱宽数据的频率值与当前最大频率值对应的关系确定当前谱宽阈值。
作为一种优选实施例，根据目标第二谱宽数据对应的频率值与大于目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定当前谱宽阈值，包括：
以目标第二谱宽数据开始，在谱宽序列内选取大于目标第二谱宽数据的下一个第二谱宽数据；
将目标第二谱宽数据对应的频率值与下一个第二谱宽数据对应的频率值作差处理得到当前频率差值；
判断当前频率差值是否大于频率差阈值；
若是，则以下一个第二谱宽数据作为新的目标第二谱宽数据开始，返回至在谱宽序列内选取大于目标第二谱宽数据的下一个第二谱宽数据的步骤；
若否，则确定目标第二谱宽数据为当前谱宽阈值；
其中，将目标第二谱宽数据对应的频率值与下一个第二谱宽数据对应的频率值作差处理得到当前频率差值，包括：
将目标第二谱宽数据对应的频率值减下一个第二谱宽数据对应的频率值得到当前频率差值。
具体地，以目标第二谱宽数据开始，在谱宽序列内选取大于目标第二谱宽数据的下一个第二谱宽数据，例如目标第二谱宽数据为BWi，下一个第二谱宽数据为BWi+1，其分别对应的频率值为fi，fi+1，根据两个频率值作差得到当前频率差值，可以是前者减后者，也可以是后者减前者。在此不做限定，但两者得到的当前频率差值的不同导致后续确定谱宽阈值的方式不同。
作为一种优选实施例，将目标第二谱宽数据对应的频率值与下一个第二谱宽数据对应的频率值作差处理得到当前频率差值，包括：
将目标第二谱宽数据对应的频率值减下一个第二谱宽数据对应的频率值得到当前频率差值。
选用前者减后者的频率值得到对应的当前频率差值k，即k= fi-fi+1。判断当前频率差值是否大于频率差值，若是，则说明目标第二谱宽数据对应的频率最大，与下一个第二谱宽数据之间存在下降趋势。则以下一个第二谱宽数据作为新的目标第二谱宽数据，继续选取当前的下一个第二谱宽数据继续比较对应的频率值，直到得到对应的当前频率值小于或等于频率差值即可停止计算。频率差阈值k0根据大量实验数据得到的经验值。
本发明实施例提供的根据预定时间更新的当前谱宽阈值的确定过程，通过不同风场不同地区对应的扫描片段得到的谱宽数据确定的谱宽阈值，考虑到在真实大气风场中，飞机尾涡收到大气湍流、风切变等因素影响，通过分析最大谱宽频率分布规律，可以自动找到谱宽阈值；而为了在不同地区、不同时间、不同风场下，均能找到符合当前风场的谱宽阈值，每隔一段时间重新计算，更新一次谱宽阈值，提高鲁棒性。
在上述实施例的基础上，为了进一步提高识别定位方法，在获取当前谱宽阈值的基础上，方法还包括：
根据预设时间间隔对当前谱宽阈值校准，以得到校准后的当前谱宽阈值，校准过程具体包括：
通过摄像头捕捉飞机经过图片并记录飞机经过时间以触发视频抓拍事件；
若最大谱宽数据值大于上一个当前谱宽阈值时，则确定触发谱宽事件；
以当前时刻开始倒推，确定视频抓拍事件与谱宽事件的发生时刻与当前时刻的关系以确定校准的当前谱宽阈值。
具体地，在更新当前谱宽阈值的基础上，根据预设时间间隔对当前谱宽阈值校准以提高当前谱宽阈值确定的准确性。
校准过程具体包括：设置视频抓拍事件和谱宽事件。视频抓拍事件，使用摄像头，对飞机尾涡关注范围进行视频录像，若有飞机进过，则进行抓拍并记录时间，摄像头在视频录制中，可以自动识别飞机，并采取抓拍动作以记录当前抓拍经过时间。谱宽事件是当最大谱宽数据大于上一个当前谱宽阈值时，则触发。
以预设时间间隔的当前时刻开始倒推，确定视频抓拍事件与谱宽事件的发生时刻与当前时刻的对应关系确定校准的谱宽阈值。
作为一种实施例，具体包括：
以当前时刻开始倒推，确定视频抓拍事件的发生时刻为第一时刻，谱宽事件的发生时刻为第二时刻；
判断第一时刻是否早于第二时刻；
若是，则判断在第二时刻之前的预设时刻内是否存在第一时刻，其中预设时刻小于预定时间；
若不存在，则在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，以下一个第二谱宽数据作为校准后的当前谱宽阈值；
若存在，则当前谱宽阈值不变；
若否，则判断在第一时刻之前的预设时刻内是否存在第二时刻；
若不存在，则在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，以上一个第二谱宽数据作为校准后的当前谱宽阈值；
若存在，则当前谱宽阈值不变。
具体地，以当前时刻开始倒推，确定视频抓拍事件的发生时刻为第一时刻，谱宽事件的发生时刻为第二时刻。判断第一时刻是否早于第二时刻，若第一时刻早于第二时刻，需要说明的是，第一时刻与第二时刻均是以正常时刻的比较大小，并不是以当前时刻作为标准计入的时刻。当第一时刻早于第二时刻，说明第二时刻对应的谱宽事件最接近于当前时刻，当第二时刻晚于第一时刻时，则说明第一时刻对应的视频抓拍事件最接近于当前时刻。
当第一时刻早于第二时刻时，判断在第二时刻之前的预设时刻内是否存在第一时刻，为了校准过程的准确性以及时间的精准性，其预设时刻小于预定时间，时间较为简短。
若在第二时刻之前的预设时刻内不存在第一时刻，也就是在谱宽事件发生的时刻内预设时刻内未发生视频抓拍事件，则在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，并以当前的第二谱宽数据的下一个第二谱宽数据作为校准后的当前谱宽阈值，以用于上述的最大谱宽数据值与当前谱宽阈值的比较。例如，未校准前的当前谱宽阈值为BWi，若在谱宽事件发生的时刻内预设时刻内未发生视频抓拍事件，则更新谱宽阈值为BW=BWi+1。若在谱宽事件发生的时刻内预设时刻内发生视频抓拍事件，其无需更新谱宽阈值，校准过程结束。
若第一时刻晚于第二时刻，判断在第一时刻之前的预设时刻内是否存在第二时刻，若在第一时刻之前的预设时刻内不存在第二时刻，也就是在视频抓拍事件发生的时刻内预设时刻内未发生谱宽事件，在谱宽序列中查找上一个当前谱宽阈值对应的第二谱宽数据，并以当前的第二谱宽数据的上一个第二谱宽数据作为校准后的当前谱宽阈值，以用于上述的最大谱宽数据值与当前谱宽阈值的比较。例如，未校准前的当前谱宽阈值为BWi，若在视频抓拍事件发生的时刻内预设时刻内未发生谱宽事件，则更新谱宽阈值为BW=BWi-1。若在视频抓拍事件发生的时刻内预设时刻内发生谱宽事件，其无需更新谱宽阈值，校准过程结束。
本发明实施例提供的在更新当前谱宽阈值的基础上，进行的校准当前谱宽阈值的过程，通过视频抓拍事件记录飞机起降信息，视频抓拍事件与谱宽事件的发生时刻的对比确定校准的当前谱宽阈值，提高谱宽阈值的确定的准确性，以达到更好的尾涡识别效果。
上述详细描述了飞机尾涡的识别定位方法对应的各个实施例，在此基础上，本发明还公开与上述方法对应的飞机尾涡的识别定位装置，图2为本发明实施例提供的一种飞机尾涡的识别定位装置的结构图。如图2所示，飞机尾涡的识别定位装置包括：
选取模块11，用于选取预设时间内多个扫描片段对应的谱宽数据；
获取模块12，用于获取当前谱宽阈值，其中当前谱宽阈值为每隔预定时间更新的阈值；
提取模块13，用于在当前扫描片段的谱宽数据内提取最大谱宽数据值；
确定模块14，用于当最大谱宽数据值大于当前谱宽阈值时，则确定存在飞机尾涡，并根据最大谱宽数据值确定飞机尾涡的位置以实现定位。
由于装置部分的实施例与上述的实施例相互对应，因此装置部分的实施例请参照上述方法部分的实施例描述，在此不再赘述。
对于本发明提供的一种飞机尾涡的识别定位装置的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述飞机尾涡的识别定位方法相同的有益效果。
图3为本发明实施例提供的另一种飞机尾涡的识别定位装置的结构图，如图3所示，该装置包括：
存储器21，用于存储计算机程序；
处理器22，用于执行计算机程序时实现飞机尾涡的识别定位方法的步骤。
本实施例提供的飞机尾涡的识别定位装置可以包括但不限于平板电脑、笔记本电脑或者台式电脑等。
其中，处理器22可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器22可以采用数字信号处理器（Digital Signal Processor，DSP）、现场可编程门阵列（Field－Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器22也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称中央处理器（CentralProcessing Unit，CPU）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器22可以集成有图像处理器（Graphics Processing Unit，GPU），GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器22还可以包括人工智能（Artificial Intelligence，AI）处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器21可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器21还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器21至少用于存储以下计算机程序211，其中，该计算机程序被处理器22加载并执行之后，能够实现前述任一实施例公开的飞机尾涡的识别定位方法的相关步骤。另外，存储器21所存储的资源还可以包括操作系统212和数据213等，存储方式可以是短暂存储或者永久存储。其中，操作系统212可以包括Windows、Unix、Linux等。数据213可以包括但不限于飞机尾涡的识别定位方法所涉及到的数据等等。
在一些实施例中，飞机尾涡的识别定位装置还可包括有显示屏23、输入输出接口24、通信接口25、电源26以及通信总线27。
领域技术人员可以理解，图3中示出的结构并不构成对飞机尾涡的识别定位装置的限定，可以包括比图示更多或更少的组件。
处理器22通过调用存储于存储器21中的指令以实现上述任一实施例所提供的飞机尾涡的识别定位方法。
对于本发明提供的一种飞机尾涡的识别定位装置的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述飞机尾涡的识别定位方法相同的有益效果。
进一步的，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器22执行时实现如上述飞机尾涡的识别定位方法的步骤。
可以理解的是，如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
对于本发明提供的一种计算机可读存储介质的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述飞机尾涡的识别定位方法相同的有益效果。
作为一种实施例，图4为本发明实施例提供的另一种飞机尾涡的识别定位方法的流程图，如图4所示，该方法包括：
S21：获取风场回波的谱宽数据；
S22：每隔t时间，计算一次谱宽阈值bw；
S23：校准谱宽阈值bw；
S24：获取扫描片段内谱宽最大值bw_max；
S25：判断谱宽最大值bw_max是否大于或等于谱宽阈值bw，若是，则进入步骤S26；若否，则进入步骤S27；
S26：确定有尾涡存在，且谱宽最大值bw_max的位置为尾涡位置；
S27：确定无尾涡存在。
在上述实施例的基础上，图5为本发明实施例提供的一种谱宽阈值的确定流程图，如图5所示，步骤S22的谱宽阈值的计算过程包括：
S31：提取所选时段所有扫描片段内的最大谱宽数据；
S32：将最大谱宽数据去重后，并依据从小到大序列得到BW序列；
S33：分析最大谱宽频率分布并根据谱宽频率确定一定范围的谱宽频率差值；
S34：判断谱宽频率差值是否小于或等于频率域差值，若是，则进入步骤S35，若否，则返回步骤S33；
S35：输出谱宽阈值。
在上述实施例的基础上，图6为本发明实施例提供的一种谱宽阈值的校准流程图，如图6所示，步骤S23的谱宽阈值的校准过程包括：
S41：确定以当前时刻开始倒推接近的事件；
其中，接近的事件包括视频抓拍事件（a事件）和谱宽事件（b事件）；
S42：接近的事件为视频抓拍事件（a事件），进入步骤S43；
S43：在a事件内的预设时段内判断是否发生b事件，若否，则进入步骤S44，若是，则结束；
S44：更新BW=BWi-1；
S45：接近的事件为谱宽事件（b事件），进入步骤S46；
S46：在b事件内的预设时段内判断是否发生a事件，若否，则进入步骤S47，若是，则结束；
S47：更新BW=BWi+1。
对于本发明提供的一种另一种飞机尾涡的识别定位方法、谱宽阈值的确定、谱宽阈值的校准的介绍请参照上述方法实施例，本发明在此不再赘述，其具有上述飞机尾涡的识别定位方法相同的有益效果。
以上对本发明所提供的一种飞机尾涡的识别定位方法、飞机尾涡的识别定位装置及介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种飞机尾涡的识别定位方法，其特征在于，包括：
选取预设时间内多个扫描片段对应的谱宽数据；
获取当前谱宽阈值，其中所述当前谱宽阈值为每隔预定时间更新的阈值；
在当前扫描片段的所述谱宽数据内提取最大谱宽数据值；
当所述最大谱宽数据值大于所述当前谱宽阈值时，则确定存在所述飞机尾涡，并根据所述最大谱宽数据值确定所述飞机尾涡的位置以实现定位。
2.根据权利要求1所述的飞机尾涡的识别定位方法，其特征在于，所述选取预设时间内多个扫描片段对应的谱宽数据，包括：
根据激光雷达的观测点位置以及机场跑道的位置关系，确定所述激光雷达的监测区域；
在所述监测区域内确定所述激光雷达的俯仰角对应的空间范围；
在所述预设时间内获取多个所述扫描片段内的相应所述空间范围内的所述谱宽数据。
3.根据权利要求2所述的飞机尾涡的识别定位方法，其特征在于，所述获取当前谱宽阈值，包括：
根据所述预定时间选取各所述扫描片段内的第一谱宽数据；
对各所述第一谱宽数据去重处理得到多个第二谱宽数据，将多个所述第二谱宽数据从小到大排序以得到谱宽序列；
根据所述谱宽序列对应的各个所述第二谱宽数据确定在所述第一谱宽数据中确定对应的重复次数；
根据各所述重复次数与总次数的对应关系确定各所述第二谱宽数据的频率值；
在各频率值内选取最大频率值；
根据所述最大频率值确定对应的目标第二谱宽数据；
根据所述目标第二谱宽数据对应的频率值与其他大于所述目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定所述当前谱宽阈值。
4.根据权利要求3所述的飞机尾涡的识别定位方法，其特征在于，所述根据所述目标第二谱宽数据对应的频率值与其他大于所述目标第二谱宽数据的第二谱宽数据对应的频率值的关系确定所述当前谱宽阈值，包括：
以所述目标第二谱宽数据开始，在所述谱宽序列内选取大于所述目标第二谱宽数据的下一个第二谱宽数据；
将所述目标第二谱宽数据对应的频率值与下一个所述第二谱宽数据对应的频率值作差处理得到当前频率差值；
判断所述当前频率差值是否大于频率差阈值；
若是，则以下一个所述第二谱宽数据作为新的所述目标第二谱宽数据开始，返回至所述在所述谱宽序列内选取大于所述目标第二谱宽数据的下一个第二谱宽数据的步骤；
若否，则确定所述目标第二谱宽数据为所述当前谱宽阈值；
其中，所述将所述目标第二谱宽数据对应的频率值与下一个所述第二谱宽数据对应的频率值作差处理得到当前频率差值，包括：
将所述目标第二谱宽数据对应的频率值减下一个所述第二谱宽数据对应的频率值得到所述当前频率差值。
5.根据权利要求4所述的飞机尾涡的识别定位方法，其特征在于，在获取所述当前谱宽阈值的基础上，所述方法还包括：
根据预设时间间隔对所述当前谱宽阈值校准，以得到校准后的当前谱宽阈值，校准过程具体包括：
通过摄像头捕捉飞机经过图片并记录飞机经过时间以触发视频抓拍事件；
若所述最大谱宽数据值大于上一个所述当前谱宽阈值时，则确定触发谱宽事件；
以当前时刻开始倒推，确定所述视频抓拍事件与所述谱宽事件的发生时刻与所述当前时刻的关系以确定校准的所述当前谱宽阈值。
6.根据权利要求5所述的飞机尾涡的识别定位方法，其特征在于，所述以当前时刻开始倒推，确定所述视频抓拍事件与所述谱宽事件的发生时刻与所述当前时刻的关系以确定校准的所述当前谱宽阈值，包括：
以所述当前时刻开始倒推，确定所述视频抓拍事件的发生时刻为第一时刻，所述谱宽事件的发生时刻为第二时刻；
判断所述第一时刻是否早于所述第二时刻；
若是，则判断在所述第二时刻之前的预设时刻内是否存在所述第一时刻，其中所述预设时刻小于所述预定时间；
若不存在，则在所述谱宽序列中查找上一个所述当前谱宽阈值对应的所述第二谱宽数据，以下一个所述第二谱宽数据作为校准后的所述当前谱宽阈值；
若存在，则所述当前谱宽阈值不变；
若否，则判断在所述第一时刻之前的所述预设时刻内是否存在所述第二时刻；
若不存在，则在所述谱宽序列中查找上一个所述当前谱宽阈值对应的所述第二谱宽数据，以上一个所述第二谱宽数据作为校准后的所述当前谱宽阈值；
若存在，则所述当前谱宽阈值不变。
7.一种飞机尾涡的识别定位装置，其特征在于，包括：
选取模块，用于选取预设时间内多个扫描片段对应的谱宽数据；
获取模块，用于获取当前谱宽阈值，其中所述当前谱宽阈值为每隔预定时间更新的阈值；
提取模块，用于在当前扫描片段的所述谱宽数据内提取最大谱宽数据值；
确定模块，用于当所述最大谱宽数据值大于所述当前谱宽阈值时，则确定存在所述飞机尾涡，并根据所述最大谱宽数据值确定所述飞机尾涡的位置以实现定位。
8.一种飞机尾涡的识别定位装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述的飞机尾涡的识别定位方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的飞机尾涡的识别定位方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211269732.1A CN115372988B (zh) | 2022-10-18 | 2022-10-18 | 一种飞机尾涡的识别定位方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211269732.1A CN115372988B (zh) | 2022-10-18 | 2022-10-18 | 一种飞机尾涡的识别定位方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115372988A true CN115372988A (zh) | 2022-11-22 |
| CN115372988B CN115372988B (zh) | 2023-01-24 |
Family
ID=84073192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211269732.1A Active CN115372988B (zh) | 2022-10-18 | 2022-10-18 | 一种飞机尾涡的识别定位方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115372988B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116500580A (zh) * | 2023-06-28 | 2023-07-28 | 中国民航大学 | 一种基于多普勒雷达探测的涡核参数计算方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7292178B1 (en) * | 2005-07-28 | 2007-11-06 | Rockwell Collins, Inc. | Aircraft hazard detection and alerting in terminal areas |
| US20080030375A1 (en) * | 2006-06-29 | 2008-02-07 | Flight Safety Technologies, Inc. | Aircraft wake safety management system |
| JP2009257837A (ja) * | 2008-04-14 | 2009-11-05 | Mitsubishi Electric Corp | レーダ装置 |
| CN102721967A (zh) * | 2012-06-21 | 2012-10-10 | 中国人民解放军电子工程学院 | 基于风场扰动类型的空中目标发现方法 |
| CN103064069A (zh) * | 2012-12-26 | 2013-04-24 | 北京敏视达雷达有限公司 | 利用模拟谱宽进行雷达系统测试的方法及系统 |
| US20130342657A1 (en) * | 2012-06-15 | 2013-12-26 | Nikon Corporation | Stereo vision camera for laser radar |
| US8902100B1 (en) * | 2008-03-07 | 2014-12-02 | Rockwell Collins, Inc. | System and method for turbulence detection |
| CN110210568A (zh) * | 2019-06-06 | 2019-09-06 | 中国民用航空飞行学院 | 基于卷积神经网络的航空器尾涡识别方法及系统 |
| CN111239704A (zh) * | 2020-02-12 | 2020-06-05 | 中国科学院大气物理研究所 | 大气探测雷达目标回波识别处理方法、装置、设备及介质 |
| CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
| CN111679285A (zh) * | 2020-06-16 | 2020-09-18 | 青岛镭测创芯科技有限公司 | 一种飞机尾涡光学探测方法及装置 |
| CN114880784A (zh) * | 2022-07-07 | 2022-08-09 | 中国民航大学 | 一种基于飞机尾涡扫描特性的涡核位置估算方法 |
-
2022
- 2022-10-18 CN CN202211269732.1A patent/CN115372988B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7292178B1 (en) * | 2005-07-28 | 2007-11-06 | Rockwell Collins, Inc. | Aircraft hazard detection and alerting in terminal areas |
| US20080030375A1 (en) * | 2006-06-29 | 2008-02-07 | Flight Safety Technologies, Inc. | Aircraft wake safety management system |
| US8902100B1 (en) * | 2008-03-07 | 2014-12-02 | Rockwell Collins, Inc. | System and method for turbulence detection |
| JP2009257837A (ja) * | 2008-04-14 | 2009-11-05 | Mitsubishi Electric Corp | レーダ装置 |
| US20130342657A1 (en) * | 2012-06-15 | 2013-12-26 | Nikon Corporation | Stereo vision camera for laser radar |
| CN102721967A (zh) * | 2012-06-21 | 2012-10-10 | 中国人民解放军电子工程学院 | 基于风场扰动类型的空中目标发现方法 |
| CN103064069A (zh) * | 2012-12-26 | 2013-04-24 | 北京敏视达雷达有限公司 | 利用模拟谱宽进行雷达系统测试的方法及系统 |
| CN110210568A (zh) * | 2019-06-06 | 2019-09-06 | 中国民用航空飞行学院 | 基于卷积神经网络的航空器尾涡识别方法及系统 |
| CN111239704A (zh) * | 2020-02-12 | 2020-06-05 | 中国科学院大气物理研究所 | 大气探测雷达目标回波识别处理方法、装置、设备及介质 |
| CN111551959A (zh) * | 2020-04-22 | 2020-08-18 | 中国民用航空飞行学院 | 飞机尾涡识别方法、装置、可读介质及电子设备 |
| CN111679285A (zh) * | 2020-06-16 | 2020-09-18 | 青岛镭测创芯科技有限公司 | 一种飞机尾涡光学探测方法及装置 |
| CN114880784A (zh) * | 2022-07-07 | 2022-08-09 | 中国民航大学 | 一种基于飞机尾涡扫描特性的涡核位置估算方法 |
Non-Patent Citations (5)
| Title |
|---|
| BOUTCYRE A D ET AL.: "Pulsed 1.5-um LIDAR for axial aircraft wake vortex detection based on high-brightness large-core fiber amplifier", 《IEEE JOURNAL OF SELECTED TOPICS IN QUANTUM ELECTRONICS》 * |
| 徐世龙等: "基于多普勒谱特征的飞机尾涡识别", 《光电子.激光》 * |
| 潘卫军等: "基于k最近邻的激光雷达飞机尾涡识别", 《激光技术》 * |
| 王筱晔等: "基于相干多普勒激光雷达的飞机尾涡观测", 《光学学报》 * |
| 胡以华等: "飞机尾涡特性分析与激光探测技术研究", 《红外与激光工程》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116500580A (zh) * | 2023-06-28 | 2023-07-28 | 中国民航大学 | 一种基于多普勒雷达探测的涡核参数计算方法及系统 |
| CN116500580B (zh) * | 2023-06-28 | 2023-08-22 | 中国民航大学 | 一种基于多普勒雷达探测的涡核参数计算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115372988B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112857268B (zh) | 对象面积测量方法、装置、电子设备和存储介质 | |
| CN110047095B (zh) | 基于目标检测的跟踪方法、装置及终端设备 | |
| CN105427314B (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
| CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
| CN112785625A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN113688887A (zh) | 图像识别模型的训练与图像识别方法、装置 | |
| CN115372988B (zh) | 一种飞机尾涡的识别定位方法、装置及介质 | |
| US20230245429A1 (en) | Method and apparatus for training lane line detection model, electronic device and storage medium | |
| Su et al. | A convection nowcasting method based on machine learning | |
| CN107424441A (zh) | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 | |
| Lin et al. | Small object detection in aerial view based on improved YoloV3 neural network | |
| CN112884801B (zh) | 高空抛物检测方法、装置、设备和存储介质 | |
| CN112396031B (zh) | 基于异构运算平台的目标检测方法及系统 | |
| CN115728734A (zh) | 激光雷达遮挡检测方法、装置、存储介质及激光雷达 | |
| CN117152560A (zh) | 目标检测模型的训练和目标检测方法以及装置 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN115601685A (zh) | 一种驾驶场景提取方法、装置、设备及介质 | |
| CN110488279B (zh) | 一种基于雷达的行人与树木区分方法与装置 | |
| Kun et al. | Multi-target detection in airport scene based on Yolov5 | |
| CN119224789B (zh) | 一种基于激光雷达的风切变和切变线识别方法及系统 | |
| CN114677691B (zh) | 文本识别方法、装置、电子设备及存储介质 | |
| EP3920162A1 (en) | Aircraft system and method to provide graphical threshold indicator | |
| CN113012439B (zh) | 车辆检测方法、装置、设备和存储介质 | |
| CN109597079B (zh) | 基于风廓线雷达的低空急流识别方法及装置 | |
| CN117456457A (zh) | 一种垂钓行为检测方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |