实时鸟类检测的深度学习框架及其对减少鸟类袭击事件的影响
Najiba Said Hamed Alzadjail1, Sundaravadivazhagan Balasubaramainan1, Charles Savarimuthu1
1College of Computing and Information Sciences, University of Technology and Applied Sciences-AL Mussanah, Muladdah P.O. Box 191, Oman.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
一个新的深度学习模型通过使用先进的时空分析准确检测和防止鸟类撞击来提高飞机安全. 这项技术提高了检测准确度和实时响应,为机场监控系统提供了可靠的解决方案.
科学领域:
- 航空安全航空安全
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 鸟类撞击对航空安全构成重大风险,造成飞机损坏和潜在的死亡事故.
- 现有的检测和预防技术需要加强,以提高效率和可靠性.
研究的目的:
- 引入一种新的深度学习模型,用于检测和减轻机场环境中的鸟类撞击风险.
- 通过先进的鸟类检测能力来提高飞机安全.
主要方法:
- 开发一个具有空间注意力和动态时间处理的时空卷积神经网络.
- 使用广泛的鸟类图像数据库和复杂的图像增强技术.
- 实施双重重点模型架构,结合时间分析和空间意识网络.
主要成果:
- 与现有系统相比,拟议的模型表现出卓越的准确性和实时性能.
- 废弃性研究证实了每个模型组件对检测性能的协同贡献.
- 该模型有效地识别了复杂的动态背景中的鸟类,减少了假阳性.
结论:
- 深度学习模型为鸟类撞击检测和预防提供了强大且可扩展的解决方案.
- 它可以集成到机场监控系统中,提高整体航空安全.
- 这项研究为人工智能驱动的航空安全解决方案提供了重大进展.
