本發(fā)明涉及機場驅(qū)鳥探測，尤其涉及一種基于多傳感器融合的機場驅(qū)鳥探測方法。

背景技術(shù)：

1、隨著航空運輸業(yè)的快速發(fā)展和機場規(guī)模的不斷擴大，機場安全問題日益受到關(guān)注。其中，飛鳥撞擊航空器已成為威脅飛行安全的重要因素之一。據(jù)統(tǒng)計，飛鳥撞擊事件不僅會造成航空器的嚴重損壞，還可能引發(fā)重大安全事故，給航空公司、機場運營方以及乘客帶來巨大的經(jīng)濟損失和安全隱患。因此，如何有效探測和驅(qū)趕飛鳥，成為機場安全管理中的關(guān)鍵問題。

2、現(xiàn)有技術(shù)在機場驅(qū)鳥探測方面仍存在諸多不足，具體表現(xiàn)如下：

3、1）當前機場驅(qū)鳥系統(tǒng)主要依賴于單一類型的傳感器（如雷達或視頻監(jiān)控）進行飛鳥探測。這些傳感器雖然在特定場景下具有一定的優(yōu)勢，但其探測范圍有限，且容易受到環(huán)境因素（如天氣、光照條件等）的干擾。例如，毫米波雷達在復(fù)雜氣象條件下性能下降，單一傳感器難以全面捕捉飛鳥的位置、速度、姿態(tài)等多維度信息，導(dǎo)致探測結(jié)果不夠準確和全面。

4、2）機場驅(qū)鳥系統(tǒng)通常涉及多種傳感器（如雷達、紅外）的數(shù)據(jù)采集，但現(xiàn)有技術(shù)在多源異構(gòu)數(shù)據(jù)的整合與處理方面存在明顯短板。不同傳感器產(chǎn)生的數(shù)據(jù)格式各異，數(shù)據(jù)采集頻率和精度也不盡相同，導(dǎo)致數(shù)據(jù)孤島現(xiàn)象嚴重?，F(xiàn)有技術(shù)往往缺乏有效的數(shù)據(jù)融合算法，無法實現(xiàn)多源數(shù)據(jù)的高效整合和協(xié)同分析，從而影響了驅(qū)鳥系統(tǒng)的整體性能。

5、3）傳統(tǒng)驅(qū)鳥方法多依賴人工觀察和經(jīng)驗判斷，效率低下且難以應(yīng)對復(fù)雜的飛行環(huán)境。近年來，雖然引入了一些自動化監(jiān)測手段（如基于規(guī)則的預(yù)警系統(tǒng)），但由于缺乏先進的智能算法支持，這些系統(tǒng)在數(shù)據(jù)處理和分析上存在較大延遲，難以實現(xiàn)實時監(jiān)測和快速響應(yīng)。此外，現(xiàn)有技術(shù)在飛鳥行為模式的預(yù)測和威脅等級評估方面智能化水平不足，無法根據(jù)飛鳥的動態(tài)軌跡和環(huán)境變化制定精準的驅(qū)鳥策略；

6、4）目前的驅(qū)鳥措施（如播放天敵聲音、使用激光驅(qū)鳥器等）多為被動式應(yīng)對，缺乏主動性和靈活性。這些措施往往在飛鳥已經(jīng)接近危險區(qū)域時才啟動，未能充分利用早期探測數(shù)據(jù)進行預(yù)防性干預(yù)。同時，驅(qū)鳥措施的選擇和執(zhí)行通常依賴固定規(guī)則，缺乏動態(tài)調(diào)整機制，導(dǎo)致驅(qū)鳥效果不佳。

技術(shù)實現(xiàn)思路

1、本發(fā)明公開一種基于多傳感器融合的機場驅(qū)鳥探測方法，解決現(xiàn)有技術(shù)中單一傳感器探測能力有限、多源數(shù)據(jù)融合不足、缺乏智能決策機制等問題。通過動態(tài)視覺傳感器、毫米波雷達、紅外熱成像傳感器和麥克風(fēng)陣列的協(xié)同工作，結(jié)合改進的目標檢測模型與多模態(tài)特征融合算法，實現(xiàn)飛鳥目標的精準識別、行為模式分析以及動態(tài)威脅評估，從而顯著提升機場驅(qū)鳥系統(tǒng)的實時性、準確性和智能化水平。

2、為了實現(xiàn)本發(fā)明的目的，所采用的技術(shù)方案是：一種基于多傳感器融合的機場驅(qū)鳥探測方法，包括：

3、s1、在目標區(qū)域部署搭載動態(tài)視覺傳感器的攝像頭、毫米波雷達、紅外熱成像傳感器和麥克風(fēng)陣列；

4、s2、將搭載動態(tài)視覺傳感器的攝像頭、毫米波雷達、紅外熱成像傳感器和麥克風(fēng)陣列各自采集的數(shù)據(jù)進行時間同步和空間配準；

5、s3、將步驟s2處理后的視覺數(shù)據(jù)輸入改進的yolov8模型，識別并檢測飛鳥目標，輸出飛鳥的位置和姿態(tài)信息；毫米波雷達數(shù)據(jù)包括飛鳥的距離、速度和運動軌跡；紅外數(shù)據(jù)輸出紅外特征，用于輔助確認飛鳥的存在；通過麥克風(fēng)陣列提取飛鳥鳴叫的聲音特征，用于補充確認飛鳥的種類和行為模式；

6、s4、基于改進的yolov8模型輸出的飛鳥的位置和姿態(tài)信息，提取空間特征；基于飛鳥的距離、速度和軌跡信息，提取動態(tài)特征；基于紅外熱成像傳感器的紅外特征，提取熱特征；基于飛鳥鳴叫的聲音特征，提取行為模式特征；將提取后的特征輸入transformer模型，生成聯(lián)合特征向量，并通過環(huán)境感知動態(tài)調(diào)整權(quán)重計算綜合置信度，并根據(jù)預(yù)設(shè)的閾值判斷是否啟動驅(qū)鳥措施；

7、s5、根據(jù)飛鳥位置與軌跡預(yù)測威脅等級，動態(tài)選擇驅(qū)鳥動作。

8、作為本發(fā)明的優(yōu)化方案，在步驟s1中，搭載動態(tài)視覺傳感器的攝像頭通過捕捉飛鳥運動引起的亮度變化，實時感知飛鳥的動態(tài)行為，并生成稀疏事件流數(shù)據(jù)，同時獲取飛鳥的形態(tài)特征以輔助目標識別。

9、作為本發(fā)明的優(yōu)化方案，在步驟s2中，攝像頭、毫米波雷達、紅外熱成像傳感器、麥克風(fēng)陣列在采集數(shù)據(jù)時生成初始時間戳，使用全局時鐘源ntp協(xié)議對時間戳進行校準，測量并補償時間偏移量，基于采樣頻率對數(shù)據(jù)進行插值處理，從而映射到統(tǒng)一的時間軸上。

10、作為本發(fā)明的優(yōu)化方案，改進的yolov8模型為：使用dcnv3替換backbone中的標準卷積層；使用動態(tài)金字塔網(wǎng)絡(luò)替換neck中包含的特征金字塔網(wǎng)絡(luò)；使用自適應(yīng)邊界框回歸替換head中的邊界框回歸。

11、作為本發(fā)明的優(yōu)化方案，將步驟s2處理后的視覺數(shù)據(jù)輸入改進的yolov8模型，識別并檢測飛鳥目標，輸出飛鳥的位置和姿態(tài)信息，包括：

12、1）dcnv3通過動態(tài)學(xué)習(xí)偏移量和調(diào)制因子，允許卷積核根據(jù)輸入內(nèi)容自適應(yīng)調(diào)整采樣位置，具體公式為：

13、；

14、其中：y(p)為輸出特征圖在位置p處的值，x為輸入特征圖，k為卷積核大小，wk為卷積核權(quán)重，δpk為動態(tài)學(xué)習(xí)的偏移量，δmk為調(diào)制因子；

15、2）動態(tài)金字塔網(wǎng)絡(luò)將backbone輸出的多尺度特征圖進行動態(tài)權(quán)重融合，生成初步的多尺度特征圖；對于每一對特征圖ci和cj，計算它們之間的動態(tài)權(quán)重αij，公式為：

16、αij=?softmax(convlight(ci⊕cj))；

17、式中：ci和cj是輸入特征圖；ci⊕cj表示特征拼接；convlight是輕量級卷積，用于生成權(quán)重；softmax歸一化確保權(quán)重之和為?1；根據(jù)生成的動態(tài)權(quán)重αij，對多尺度特征圖進行加權(quán)融合，生成初步的多尺度特征圖，加權(quán)融合公式為：

18、；

19、式中：pi是融合后的特征圖，resize為將cj調(diào)整至與pi相同的分辨率；

20、3）使用自適應(yīng)邊界框回歸來精確地定位飛鳥的位置，最后輸出飛鳥的位置和姿態(tài)信息。

21、作為本發(fā)明的優(yōu)化方案，飛鳥鳴叫數(shù)據(jù)用于補充確認飛鳥的種類和行為模式，包括：

22、（1）從采集到的飛鳥鳴叫數(shù)據(jù)中提取梅爾頻率倒譜系數(shù)mfcc；

23、（2）訓(xùn)練lstm分類器，輸入為mfcc序列，通過分類層輸出類別概率：

24、；

25、其中：x為mfcc特征序列，wc1為分類層權(quán)重矩陣，bc1為分類層偏置向量，p(class=c|x)表示在x的條件下，類別為c的概率。

26、作為本發(fā)明的優(yōu)化方案，在步驟s4中，通過環(huán)境感知動態(tài)調(diào)整權(quán)重計算綜合置信度具體為：

27、；

28、其中：cfinal為綜合置信度，αi為第i個模態(tài)的動態(tài)權(quán)重；wc為可學(xué)習(xí)的權(quán)重矩陣，bc為偏置項，hjoint為聯(lián)合特征向量，sigmoid函數(shù)是一個激活函數(shù)。

29、作為本發(fā)明的優(yōu)化方案，在步驟s5中，

30、威脅等級公式為：；

31、其中：threatlevel為危險等級數(shù)值，cfina為綜合置信度，dmin為飛鳥軌跡到跑道的最短歐氏距離，σ為衰減系數(shù)。

32、作為本發(fā)明的優(yōu)化方案，驅(qū)鳥動作包括低強度聲波驅(qū)鳥、中強度激光驅(qū)鳥和高強度無人機攔截。

33、本發(fā)明具有積極的效果：1）本發(fā)明通過動態(tài)視覺傳感器、毫米波雷達、紅外熱成像和麥克風(fēng)陣列的四模態(tài)融合，克服單一傳感器在極端天氣（雨霧/夜間）下的局限性。四傳感器融合方案在霧天夜間的檢測準確率達89.5%，實現(xiàn)全天候精準可靠監(jiān)測；

34、2）本發(fā)明改進的yolov8模型結(jié)合dcnv3卷積與動態(tài)金字塔網(wǎng)絡(luò)，使飛鳥檢測map達到93.1%，較傳統(tǒng)方法提升36.5%。自適應(yīng)邊界框回歸將小目標定位誤差降低42%，尤其適用于遠距離快速移動的飛鳥；

35、3）本發(fā)明基于transformer的多模態(tài)特征融合與環(huán)境感知權(quán)重調(diào)整，數(shù)據(jù)融合體系突破了傳統(tǒng)方法中數(shù)據(jù)孤島的技術(shù)瓶頸，通過時空對齊機制和動態(tài)加權(quán)融合算法，實現(xiàn)了多源異構(gòu)數(shù)據(jù)從物理層到?jīng)Q策層的深度整合，使系統(tǒng)平均響應(yīng)時間縮短至85ms，驅(qū)鳥成功率提升至94%；

36、4）本發(fā)明通過多模態(tài)傳感器融合與深度學(xué)習(xí)模型優(yōu)化，根據(jù)飛鳥的動態(tài)軌跡和環(huán)境變化制定精準的驅(qū)鳥策略，改變了傳統(tǒng)驅(qū)鳥措施的被動應(yīng)對模式，構(gòu)建了智能化的機場驅(qū)鳥方法，有效解決了傳統(tǒng)方法在極端天氣下性能下降、多源數(shù)據(jù)融合不足及響應(yīng)滯后的問題。為機場安全提供了可靠的技術(shù)保障。