基于远程塔台的机场全景360的制作方法

基于远程塔台的机场全景360
°
协同联动与识别方法
技术领域
1.本发明涉及远程塔台光学系统领域，特别是涉及一种基于远程塔台的机场全景360
°
协同联动与识别方法。


背景技术：

2.远程塔台是通过高清视频图像替代目视观察来提供机场空中交通服务的设施。以高清视频图像处理、数据低延时远程传输为基础，将数据转换为支持管制员决策的图形或增强化的直观图像，实现远程异地指挥。该系统不受地点限制，节省人力成本的同时提高工作效率，真正实现“云中之塔”向“数字之塔”的跨越。在远程塔台实际应用中，这对前端摄像机组的安装位置是有要求的。需构建与塔台一样的窗外视景，因此360
°
全景摄像机组需建设在塔台顶。
3.现有的成熟海康、大华等厂家一体化360
°
监控设备是通过输出前后两路离散的180
°
全景视频构成，没有实现真正意义上的360
°
连续全景画面显示，而且由于是一体化，固定摄像机不能左右动，只能上下动，导致图像畸变大，拼接图像质量不高。同时只配置一部可转动的球型摄像机，因此无法同时兼顾机场飞行区和停车区的联动。在塔台顶实际安装中虽然安装简单和快捷，但由于塔台顶环境复杂(含天线、避雷针及其他设备遮挡)，会造成拼接难度大，拼接图像质量不高的问题。
4.此外，飞机起落架是飞机在起飞、着陆、滑行和停放阶段的重要支持系统,也是飞机的主要承力构件。其实现了飞机滑跑与滑行时的制动与转弯操作，并且吸收和消耗着飞机在着陆及滑行过程中与地面形成的冲击能量,是飞机的重要安全功能部件，其状态直接关系到机上人员的生命安全和机场的运行安全。因此，检测飞机起落架的状态对于保证飞机在着陆和起飞滑跑阶段的安全性尤为重要。虽然飞机自身仪表面板可以显示起落架的状态，但却无法避免仪表因故障而发出“虚假信号”的情况，近十年国内外屡次出现飞机仪表针对起落架状态的误报警事件。一旦出现此类情况，为确认起落架状态，往往需要飞行员控制飞机进行多次低空通场飞行，由地面人员目视进行起落架状态确认后再采取进一步措施。随着计算机视觉技术的发展和广泛应用，使得基于图像进行起落架状态检测的方法成为可能，并将成为未来智慧机场建设的一种趋势，这不仅可以用于起降飞机起落架状态的日常监测和异常预警，也可以在其他监视仪器出现故障的情况下作为地面指挥和机组人员判断是否具备降落条件的参考，具有重要研究意义。
5.目前基于图像识别与检测技术的起落架状态检测的研究相对较少，从使用的光学图像类别来看，有的使用可见光图像，有的使用红外图像，也有使用红外和可见光复合图像的。其中一些，基于传统的图像处理算法，例如，专利文献1(cn111898444a，一种基于图像识别的飞机起落架状态判定方法)公开的技术方案包括：首先进行图像降噪和分割预处理，然后采用多视点图匹配方法与样本库进行匹配来实现针对飞机的三维目标识别和姿态估计，而后根据刚体上各点位置的相对不变性来确定起落架出现概率最高的矩形搜索区域，最后通过分割、边缘检测等图像基本操作处理该区域，判断起落架状态。专利文献2
(cn106203353a，一种飞机起落架的检测系统及方法)公开的技术方案包括：基于红外图像目标灰度分布特性计算分割阈值，将图像二值化得到分割图像，然后先确定发动机位置和大小，再根据相对位置关系确定起落架位置和大小，进而通过局部区域的梯度特性和差异确定起落架状态。此外，一些方法使用了深度学习算法，例如，使用vibe算法与yolo算法来定位图像中飞机的具体位置，提取出飞机图像，然后再使用ssd算法对起落架进行识别和定位。以上方法都是分多阶段进行的，需要先定位飞机目标或是起落架搜索区域，然后采用不同方式在提取的飞机图像或搜索区域中定位起落架，进而判断起落架状态，过程较为繁琐，且通常涉及图像降噪、图像分割、图像修正等预处理步骤，导致效率不高。另一方面，这些方法通常对于图像采集设备的安装角度和位置有较严格的要求，如指定安装在跑道附件的某些位置上，对于复杂背景和不同采集角度的图像泛化能力弱。


技术实现要素：

6.针对上述技术问题，本发明采用的技术方案为：
7.本发明实施例提供一种基于远程塔台的机场全景360
°
协同联动与识别方法，所述方法包括如下步骤：
8.s100，在当前计算时刻获取安装在远程塔台的顶部的360
°
全景摄像机组拍摄的m个图像，并基于获取的m个图像得到当前计算时刻对应的机场360
°
全景视频画面；m≥2；
9.s200，将所述机场360
°
全景视频画面划分为两幅相等的全景画面以及在所述机场360
°
全景视频画面中标注机场五边飞行区域，其中，所述全景画面包括第一全景画面和第二全景画面；其中，第一全景画面与第一球机关联，第二全景画面与第二球机关联，第一球机和第二球机分别设置在360
°
全景摄像机组的两侧；
10.s300，如果检测到点击所述机场360
°
全景视频画面中的任一像素点pr＝(xr，yr)，执行s400；其中，r的取值为1到n，n为所述机场360
°
全景视频画面中的像素点的数量，xr和yr为pr的横坐标和纵坐标；
11.s400，如果xr≤w/2，并且pr不属于所述机场五边飞行区域，控制第一球机从当前位置联动至pr对应的位置，并将所述第一球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示；如果xr≤w/2，并且pr属于所述机场五边飞行区域，执行s500；如果xr＞w/2，并且pr不属于所述机场五边飞行区域，控制第二球机从当前位置联动至pr对应的位置，并将所述第二球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示；如果xr＞w/2，并且pr属于所述机场五边飞行区域，执行s600；其中，w为所述机场360
°
全景视频画的宽度；
12.s500，基于所述第一球机在pi对应的位置拍摄的图像对飞机起落架的状态进行检测；
13.s600，基于所述第二球机在pi对应的位置拍摄的图像对飞机起落架的状态进行检测。
14.本发明至少具有以下有益效果：
15.本发明实施例提供的基于远程塔台的机场全景360
°
协同联动与识别方法，由于设置了两个球机，能够解决一个球机联动安装局限性、遮挡问题，以及可以快速、同步显示飞行区和停车场区域画面，互不遮挡，并且能够互为备份，如果其中一台球机出现问题，另外一台球机可以临时手动转动补盲。此外，还可以实现对飞机起落架状态识别及检测，能够提
高管制员对飞机安全运行监视能力，代替管制员通过望远镜进行飞机起落架状态监视。
附图说明
16.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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。
17.图1为本发明实施例提供的基于远程塔台的机场全景360
°
协同联动与识别方法的流程图。
具体实施方式
18.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，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.图1为本发明实施例提供的基于远程塔台的机场全景360
°
协同联动与识别方法的流程图。
20.本发明实施例提供一种基于远程塔台的机场全景360
°
协同联动与识别方法，如图1所示，所述方法可包括如下步骤：
21.s100，在当前计算时刻获取安装在远程塔台的顶部的360
°
全景摄像机组拍摄的m个图像，并基于获取的m个图像得到当前计算时刻对应的机场360
°
全景视频画面；m≥2。
22.在本发明实施例中，可按照设定的计算周期即两个计算时刻之间的间隔获取360
°
全景摄像机组拍摄的m个图像，设定的计算周期可基于实际情况确定。
23.在本发明实施例中，360
°
全景摄像机组可包括m台固定枪式摄像机，其中，每台固定枪式摄像机独立安装。在一个示意性实施例中，m＝12。在本发明实施例中，由于每台摄像机均是独立的，安装方式灵活，在拼接融合阶段可以根据实际塔台顶天线、避雷针及其他设备影响，灵活转动每一路摄像机，实现在摄像机拼接融合区域避开天线、避雷针及其他设备影响，因此，图像拼接畸变小、拼接图像质量高，能够满足机场场面的实际远程管制。
24.本领域技术人员知晓的是，任何基于获取的m个图像得到当前计算时刻对应的机场360
°
全景视频画面的方法均属于本发明的保护范围之内。例如，采用现有成熟的harris角点检测方法提取图像特征点，采用欧氏距离进行特征向量匹配，采用ransac算法对配准点进行提纯处理；通过一次性获得具有高斯特征的非线性加权mask，利用2级金字塔高斯平滑，最后直接用原图与平滑处理的图像进行差分和累加，最终实现图像的拼接融合处理等。
25.s200，将所述机场360
°
全景视频画面划分为两幅相等的全景画面以及在所述机场360
°
全景视频画面中标注机场五边飞行区域，其中，所述全景画面包括角度相同的第一全景画面和第二全景画面全景；其中，第一全景画面与第一球机关联，第二全景画面与第二球机关联，第一球机和第二球机分别设置在360
°
全景摄像机组的两侧。
26.在本发明实施例中，第一全景画面可为0～180
°
全景，第二全景画面可为180
°
～360
°
全景。在一个具体示例中，所述第一全景画面为机场生活区，所述第二全景画面为机场
飞行区。
27.在本发明实施例中，机场五边飞行区域为现有技术。
28.s300，如果检测到点击所述机场360
°
全景视频画面中的任一像素点pr＝(xr，yr)，执行s400；其中，r的取值为1到n，n为所述机场360
°
全景视频画面中的像素点的数量，xr和yr为pr的横坐标和纵坐标。
29.在本发明实施例中，将360
°
环形全景展开，相当于0～360
°
连续的整幅全景图像，由此可得到全景图像中的每个像素点的坐标。
30.在本发明实施例中，可通过鼠标操作等点击在显示屏上显示的360
°
全景视频画面中的任一像素点。根据s200等分的全景画面，通过像素统计可知机场360
°
全景视频画面的横向和纵向的像素大小分别为w和h，即机场360
°
全景视频画面的宽度和高度分别为w和h。机场360
°
全景画面的每一个像素点均对应相应球机的绝对角度。
31.s400，如果xr≤w/2，并且pr不属于所述机场五边飞行区域，控制第一球机从当前位置联动至pr对应的位置，并将所述第一球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示；如果xr≤w/2，并且pr属于所述机场五边飞行区域，执行s500；如果xr＞w/2，并且pr不属于所述机场五边飞行区域，控制第二球机从当前位置联动至pr对应的位置，并将所述第二球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示；如果xr＞w/2，并且pr属于所述机场五边飞行区域，执行s600。
32.具体地，在s400中，第一球机在横向方向的转动角度a1
x
＝(θ
1x
*xr)/(w/2)，第一球机在纵向方向的转动角度a1y＝(θ
1y
*yr)/h；第二球机在横向方向的转动角度a2
x
＝(θ
2x
*xr)/w，第二球机在纵向方向的转动角度a2y＝(θ
2y
*yr)/h；其中，θ
1x
和θ
2x
分别为第一球机和第二球机在横向方向上的最大转动角度，θ
1y
和θ
2y
分别为第一球机和第二球机在纵向方向上的最大转动角度。在一个示意性实施例中，θ
1x
＝θ
2x
＝180
°
，θ
1y
＝θ
2y
＝60
°
。
33.本领域技术人员知晓，pr是否属于机场五边飞行区域的判断可为现有技术。
34.进一步地，在本发明实施例中，将所述第一球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示以及将所述第二球机在pr对应的位置拍摄的图像按照预设放大尺寸进行显示可采用现有方法。例如，球机通过已知的垂直全景正方向景深大小(假设是100)，预设垂直正景深值zn，指定角度位置θ获取拉进拉远缩放的景深值zx＝cosθ*zn，计算出zx后，则可通过球机控制缩放绝对位置移动到指定的景深绝对值zx的位置。
35.s500，基于所述第一球机在pr对应的位置拍摄的图像对飞机起落架的状态进行检测。
36.s600，基于所述第二球机在pr对应的位置拍摄的图像对飞机起落架的状态进行检测。
37.在本发明实施例中，进行检测的图像为经过预设放大尺寸进行放大的图像。
38.在本发明实施例中，可基于yolo-v3目标检测模型对飞机起落架的状态进行检测。yolo-v3目标检测模型的核心思想是利用其cnn骨干网络提取输入图片的多尺度特征图，然后基于多尺度特征图直接回归出检测目标的边界框位置及其所属类别，经非极大值抑制优化后得出最终结果。
39.本发明实施例中，yolo-v3目标检测模型是在原算法基础上，通过为网络增加起落架状态输出通道、设计训练样本标签以及损失函数进行训练，使得网络具备直接回归出起
落架状态属性及飞机、起落架边界框位置的能力，真正实现集起落架状态识别和目标检测于一体的、端到端的训练和实时检测。具体地，yolo-v3目标检测模型可基于如下步骤获取得到：
40.s10，构建初始的yolo-v3网络，所述初始的yolo-v3网络的输出通道参数包括目标边界框坐标、起落架状态属性、边框置信度和对象类别属性，所述对象类别属性包括飞机和起落架，即每个预测为一个8维的向量；所述初始的yolo-v3网络的损失函数loss＝cooderr+gearerr+conferr+clserr，其中，cooderr为边界框坐标误差，gearerr为起落架状态误差，conferr为边框置信度误差，clserr为分类误差。
41.在本发明实施例中，所述初始的yolo-v3网络的骨干网络为darknet-53。本发明的网络，针对每张分辨率416
×
416的输入图像，分别得到52
×
52，26
×
26及13
×
13三种尺度的特征图，并在三种尺度上分别进行预测，在每个尺度特征图的每个网格设置3种先验框(先验框的的设计方式与原网络一样)，共有10647个预测。
42.在本发明实施例中，其中，s2为特征图网格的数目，b为先验框的数量，xi、yi、wi、hi分别对应边框中心点的横、纵坐标和边框宽、高的训练标签值，gi、ci、pi(c)分别对应起落架状态、置信度以及类别的训练标签值；分别为xi、yi、wi、hi、gi、ci、pi(c)对应的预测值；λ
coord
、λ
noobj
、λ
gear
为权重常量，用于权衡各损失分量的贡献；i
objij
表示第i个网格的第j个先验框是否负责该目标的预测，即该先验框是否是该网格中9个先验框中与真实边框的交并比(intersection over union，iou)最大的那个，如果是最大的，就是负责该目标预测，那么i
objij
的值为1，否则为0；i
noobjij
表示第i个网格的第j个先验框是否不负责该目标的预测；z
planeij
则表示第i个网格的第j个先验框负责预测的目标是否为飞机目标，如果是飞机目标则其值为1，否则为0，这样就忽略了针对起落架目标所预测的起落架状态损失。
43.s20，获取样本图像，其中，每个样本图像标注有对应的状态识别标签，所述状态识别标签包括表征起落架未打开的第一标签和表征起落架打开的第二标签。
44.由于目前公开的带有起落架状态标注的数据集很少，故本发明实施例中使用了自制数据集。使用在机场录制的飞机起降视频以及从网络上下载的公开视频作为数据源，进行视频帧切片、跳帧筛选得到1668张基础图片，并对飞机和起落架两种目标进行边界框和起落架状态标注、生成标注文件。取出了其中1192张按照6:4的比例划分了训练集和验证集，其余作为测试集。该数据集涵盖了不同角度下具有两种起落架状态的飞机目标(为此特
意选取了飞机进行自由飞行表演的视频)。
45.在本发明实施例中，第一标签可用0表示，第二标签可用1表示，当然并不局限于此，还可以采用其它标识。
46.s30，将所述样本图像输入到所述初始的yolo-v3网络中进行训练，将损失函数满足收敛条件时的模型作为yolo-v3目标检测模型。
47.具体将样本图像中的训练集输入到初始的yolo-v3网络中进行训练，具体训练过程可为现有技术。例如，在yolo-v3模型的训练过程中，以416
×
416图像作为输入，初始学习率设置为10-4，设置batch size为12，直接针对所有层进行训练，通过回调函数控制学习率的衰减，衰减规则如果连续6个epoch在验证集上的损失不再下降则将学习率减小10％，训练200个epoch并保存验证集上损失最低时的网络模型作为最终模型即yolo-v3目标检测模型。
48.对于训练好的yolo-v3模型，在测试集上的目标检测准确率及针对飞机起落架的状态识别准确率数据如表1所示。模型对于所有目标给出其边界框，并针对飞机目标在边界框左上方显示类别名称、类别分数以及起落架状态字段(例如以“landing gears opened！”表示“起落架已打开”；以“landing gears not found！”表示“起落架未打开”)，针对起落架目标，仅在边界框左上方显示类别名称、类别分数。即本发明实施例提供的yolo-v3目标检测模型的检测结果可包括飞机目标检测结果和起落架目标检测结果。
[0049][0050][0051]
其中，ap是单个类别的平均精度，其数值等于p-r(precision-recall)曲线围成的面积。map指多个类别的平均精确度的均值，值越大代表模型总体检测准确率约高。
[0052]
对比实验
[0053]
本发明实施例与现有的起落架状态识别的两阶段方法进行对比。具体地，将上述样本图像的训练集输入到在voc等开源数据集上训练好的faster-rcnn模型。使用该模型对整个数据集进行飞机目标检测，将全部检测到的飞机目标边界框中的图像块提取出来并保存，并以原标注文件中的起落架状态值作为对应的状态类别标签值，图像块数据集的划分与原数据集保持一致(即来自于训练集的图像块依然作为训练集，以此类推)。然后在第二阶段，将这些图像块尺寸调整到224
×
224，输入vgg16网络进行训练，损失函数使用二元交叉熵，设置batch size为32，学习率设置为10-4,针对所有的层进行训练，训练100个epoch并保存验证集上损失最低时的网络模型作为最终模型。
[0054]
训练后，第二阶段的起落架状态识别分类网络在测试集上的识别准确率为99.94％，证明了在不进行起落架探测的前提下，仅使用分类网络也可以针对飞机目标预测其起落架状态。
[0055]
由表1和对比实验可知，本发明实施例使用的yolo-v3目标检测模型不仅可以较好的进行目标检测，也可以同时回归出飞机目标的起落架状态。对于起落架状态识别准确率要略高于两阶段方法，相比于两阶段方法要更高效也更准确。该方法同样对于多视角、不同
姿态飞机图像具有较好的鲁棒性，且可以通过扩充样本来继续增强其泛化能力。也就是说，相比目前常见的多阶段算法，无需复杂的预处理和后处理阶段，更加高效，而且仅需增加不同角度、不同背景下采集的图像作为训练样本，即可轻松提高网络对不同视角、复杂背景图像的鲁棒性，更加便于工程化应用。
[0056]
进一步地，本发明实施例提供的方法还包括：
[0057]
s700，将s500和s600得到的检测结果进行显示。
[0058]
s500和s600得到的检测结果可包括飞机目标检测结果和起落架目标检测结果。
[0059]
本发明的实施例还提供了一种非瞬时性计算机可读存储介质，该存储介质可设置于电子设备之中以保存用于实现方法实施例中一种方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述实施例提供的方法。
[0060]
本发明的实施例还提供了一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
[0061]
本发明的实施例还提供一种计算机程序产品，其包括程序代码，当所述程序产品在电子设备上运行时，所述程序代码用于使该电子设备执行本说明书上述描述的根据本发明各种示例性实施方式的方法中的步骤。
[0062]
虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明公开的范围由所附权利要求来限定。

技术特征：
1.一种基于远程塔台的机场全景360
°
协同联动与识别方法，其特征在于，所述方法包括如下步骤：s100，在当前计算时刻获取安装在远程塔台的顶部的360
°
全景摄像机组拍摄的m个图像，并基于获取的m个图像得到当前计算时刻对应的机场360
°
全景视频画面；m≥2；s200，将所述机场360
°
全景视频画面划分为两幅相等的全景画面以及在所述机场360
°
全景视频画面中标注机场五边飞行区域，其中，所述全景画面包括第一全景画面和第二全景画面；其中，第一全景画面与第一球机关联，第二全景画面与第二球机关联，第一球机和第二球机分别设置在360
°
全景摄像机组的两侧；s300，如果检测到点击所述机场360
°
全景视频画面中的任一像素点p
r
＝(x
r
，y
r
)，执行s400；其中，r的取值为1到n，n为所述机场360
°
全景视频画面中的像素点的数量，x
r
和y
r
为p
r
的横坐标和纵坐标；s400，如果x
r
≤w/2，并且p
r
不属于所述机场五边飞行区域，控制第一球机从当前位置联动至p
r
对应的位置，并将所述第一球机在p
r
对应的位置拍摄的图像按照预设放大尺寸进行显示；如果x
r
≤w/2，并且p
r
属于所述机场五边飞行区域，执行s500；如果x
r
＞w/2，并且p
r
不属于所述机场五边飞行区域，控制第二球机从当前位置联动至p
r
对应的位置，并将所述第二球机在p
r
对应的位置拍摄的图像按照预设放大尺寸进行显示；如果x
r
＞w/2，并且p
r
属于所述机场五边飞行区域，执行s600；其中，w为所述机场360
°
全景视频画的宽度；s500，基于所述第一球机在p
i
对应的位置拍摄的图像对飞机起落架的状态进行检测；s600，基于所述第二球机在p
i
对应的位置拍摄的图像对飞机起落架的状态进行检测。2.根据权利要求1所述的方法，其特征在于，在s400中，第一球机在横向方向的转动角度a1
x
＝(θ
1x
*x
i
)/(w/2)，第一球机在纵向方向的转动角度a1
y
＝(θ
1y
*y
i
)/h；第二球机在横向方向的转动角度a2
x
＝(θ
2x
*x
i
)/w，第二球机在纵向方向的转动角度a2
y
＝(θ
2y
*y
i
)/h；其中，θ
1x
和θ
2x
分别为第一球机和第二球机在横向方向上的最大转动角度，θ
1y
和θ
2y
分别为第一球机和第二球机在纵向方向上的最大转动角度，h为所述机场360
°
全景视频画面的高度。3.根据权利要求1所述的方法，其特征在于，所述第一全景画面为机场生活区，所述第二全景画面为机场飞行区。4.根据权利要求1所述的方法，其特征在于，所述360
°
全景摄像机组包括m台固定枪式摄像机，每台固定枪式摄像机独立安装。5.根据权利要求1所述的方法，其特征在于，基于yolo-v3目标检测模型对飞机起落架的状态进行检测。6.根据权利要求5所述的方法，其特征在于，所述yolo-v3目标检测模型基于如下步骤获取得到：s10，构建初始的yolo-v3网络，所述初始的yolo-v3网络的输出通道参数包括目标边界框坐标、起落架状态属性、边框置信度和对象类别属性，所述对象类别属性包括飞机和起落架；所述初始的yolo-v3网络的损失函数loss＝cooderr+gearerr+conferr+clserr，其中，cooderr为边界框坐标误差，gearerr为起落架状态误差，conferr为边框置信度误差，clserr为分类误差；s20，获取样本图像，其中，每个样本图像标注有对应的状态识别标签，所述状态识别标签包括表征起落架未打开的第一标签和表征起落架打开的第二标签；
s30，将所述样本图像输入到所述初始的yolo-v3网络中进行训练，将损失函数满足收敛条件时的模型作为所述yolo-v3目标检测模型。7.根据权利要求6所述的方法，其特征在于，所述初始的yolo-v3网络的骨干网络为darknet-53。8.根据权利要求5所述的方法，其特征在于，其中，其中，s2为特征图网格的数目，b为先验框的数量，x
i
、y
i
、w
i
、h
i
分别对应边框中心点的横、纵坐标和边框宽、高的训练标签值，g
i
、c
i
、p
i
(c)分别对应起落架状态、置信度以及类别的训练标签值；分别为x
i
、y
i
、w
i
、h
i、
g
i
、c
i
、p
i
(c)对应的预测值；λ
coord
、λ
noobj
、λ
gear
为权重常量，用于权衡各损失分量的贡献；i
objij
表示第i个网格的第j个先验框是否负责该目标的预测；i
noobjij
表示第i个网格的第j个先验框是否不负责该目标的预测；z
planeij
则表示第i个网格的第j个先验框负责预测的目标是否为飞机目标。

技术总结
本发明提供了一种基于远程塔台的机场全景360


技术研发人员：吴敏 王凯 高勇 何玄 唐墨臻 薛康 乔祎
受保护的技术使用者：中国民用航空总局第二研究所
技术研发日：2023.05.09
技术公布日：2023/7/22