跑道 vs. taxiway：自动化线条识别与notation方法的挑战

自动化系统的复杂性不断增加，放大了对跑道和 taxiway 标线进行准确可靠标记的需求，以确保作业安全。精确检测和标记这些标线对于导航、着陆辅助和地面控制自动化等任务至关重要。现有的标记算法，如自动线条识别和notation算法（ALINA），在识别 taxiway 标线方面已显示出成功，但在应用于跑道标线时遇到了显著挑战。这种限制源于标线特征、环境背景以及阴影、轮胎痕迹和各异表面条件等元素的显著差异。为解决这些挑战，我们修改了 ALINA，通过调整颜色阈值和细化感兴趣区域（ROI）选择以更适合跑道特定情境。虽然这些修改带来了有限的改进，但算法仍在跑道识别方面表现不佳，常常误标明地平线或非相关背景特征。这凸显了需要更具鲁棒性的解决方案才能适应多样化视觉干扰的必要性。本文提出了集成名为 AssistNet 的卷积神经网络（CNN）进行分类步骤。通过纳入此分类步骤，检测管道对环境变化和误分类更具抗性。本工作不仅识别了挑战，也提出了解决方案，为改进自动化标记技术奠定了基础，这些技术对于实现自动化航空系统至关重要。