基于深度学习的航空安全多层次分类
计算机视觉与模式识别
2026-02-10 v1 图像与视频处理
摘要
鸟击构成对航空安全的重大威胁，常导致人员伤亡、飞机严重损坏和巨额财政成本。现有的鸟击预防策略主要依赖鸟类雷达系统，该系统实时检测和跟踪鸟类。这些系统的主要局限在于无法识别鸟类种类，这一要素至关重要，因为不同种类的鸟类 exhibit distinct flight behaviors and altitudinal preference。为解决这一挑战，我们提出一种基于卷积神经网络（CNN）的图像鸟类分类框架，旨在与摄像系统配合实现自动视觉检测。CNN旨在识别鸟类种类并为species-specific预测模型提供关键输入，以实现精确的飞行路径预测。除了种类识别外，我们还实现了用于估计群体形成类型和群体大小的专用CNN分类器。这些特征为航空安全提供了宝贵的补充信息。具体而言，群体类型和大小提供了关于集体飞行行为和轨迹离散度的见解，群体大小直接关系到潜在冲击的严重程度，因为整体损坏风险随多只鸟类的动能之和而增加。
引用
@article{arxiv.2602.07019,
title = {Deep Learning Based Multi-Level Classification for Aviation Safety},
author = {Elaheh Sabziyan Varnousfaderani and Syed A. M. Shihab and Jonathan King},
journal= {arXiv preprint arXiv:2602.07019},
year = {2026}
}