基于改进GoogLeNet的飞机尾流快速识别.pdf

该【基于改进GoogLeNet的飞机尾流快速识别 】是由【湘云】上传分享，文档一共【7】页，该文档可以免费在线阅读，需要了解更多关于【基于改进GoogLeNet的飞机尾流快速识别 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。第43卷第7期兵器装备工程学报2022年7月
智能光电检测技术专栏doi:.007
基于改进GoogLeNet的飞机尾流快速识别
潘卫军,冷元飞,吴天祎,王玄
(中国民用航空飞行学院空中交通管理学院,四川广汉618307)
摘要:为了识别繁忙近地空域中的飞机尾流,提高空中交通管制的智能化水平,结合激光雷达特性和尾流演化特点,
通过改进GoogLeNet网络和组合残差结构,提岀了一种针对尾流快速识别的卷积神经网络模型。在双流的进离场区
域使用多普勒激光雷达对风场进行采样,得到目标区域的径向速度场;所采集的数据预处理后输入到模型分别进行
训练、验证、测试。结果表明,相比于AlexNet、GoogLeNet模型,
%,在实验平台上的检测速度达到160Fps/s。该模型可在复杂的环境下,快速准确
地识别飞机尾涡。
关键词:尾流识别;GoogLeNet卷积神经网络;目标识别;多普勒激光雷达;可视化
本文引用格式:潘卫军,冷元飞,吴天祎,[J].兵器装备工程学报,2022,
43(07):38-44.
Citationformat:PANWeijun,LENGYuanfei,WUTianyi,
GoogLeNet[J].JournalofOrdnanceEquipmentEngineering,2022,43(07):38-44.
中图分类号:V19;TB872文献标识码:A文章编号:2096-2304(2022)07-0038-07
RapididentificationofaircraftwakebasedonimprovedGoogLeNet
PANWeijun,LENGYuanfei,WUTianyi,WANGXuan
(ChinaAirTrafficManagementInstitute,CivilAviationFlightUniversityofChina,Guanghan618307,China)
Abstract:Toidentifyaircraftwakesinbusynear-Earthairspaceandimprovethelevelofintelligenceinair
trafficcontrol,aconvolutionalneuralnetworkmodelforrapidwakerecognitionwasproposed(GoogLeNet-
Wake)byimprovingtheGoogLeNetnetworkandcombinedresidualstructure,combinedwiththe
,theDopplerlidarwasusedtosamplethe
windfieldintheentryandexitareaofthedualflow,andtheradialvelocityfieldofthetargetareawas
,validationandtesting
,comparedwiththeAlexNetandGoogLeNetmodels,theproposed
%inaircraftwakewithalowparameteramountof

accuratelyidentifyaircraftwakevorticesincomplexenvironments.
Keywords:wakevortexrecognition;GoogLeNetconvolutionalneuralnetwork;targetrecognition;
Dopplerlidar;visualization
收稿日期:2022-01-13;修回日期:2022-02-28
基金项目:国家自然科学基金项目(U1733203);中国民航局安全能力建设计划(TM2019-16-1/3)
作者简介:潘卫军(1968—),男,博士,教授,E-mail:******@。
通信作者:冷元飞(1996—),男,硕士研究生,E-mail:******@。
潘卫军,等:基于改进GoogLeNet的飞机尾流快速识别39
2
也二;叫(1)
1引言
式中:九为雷达多普勒频移;入。为激光雷达波长;%为粒子
尾流是飞机在高速飞行时,由于机翼的上下表面存在压径向风速。
力差,在翼尖形成的自下而上的强漩涡状气流⑴。它是飞机结合激光雷达探测原理,图1演示了当飞机高速穿过雷
升力的副产品,以翼尖为中心,高速旋转,向后和向下伸展数达扫描空域时,在复杂的空气动力和飞机相互作用下,飞机
公里。在近地阶段,尾流是影响飞行安全的重要因素[2],当会在其左右翼尖处产生湍流漩涡,从而带动空气中的气溶胶
后机遭遇到前机的尾流时,前机尾流在后机机翼上会形成滚粒子运动。
转力矩,从而使后机失去控制,一旦发生事故,后果非常
严重⑶。
目前针对飞机尾涡较为成熟的探测工具是多普勒激光
雷达。2004年,IQpp等⑷使用2pm激光雷达首次成功探测
到远距离的飞机尾流。Fibertek[5]模拟了一架波音747的尾
涡,
(coherentdopplerlidar,CDL)雷达进行了现场探测和验证。
日本三菱公司在2014年利用机载相干多普勒测风激光雷
达⑹发现了晴空湍流。然而,受限于现有雷达探测尾涡的工
图1激光雷达扫描尾流原理示意图
作方式和安放位置,导致采集的尾流数据分辨率较低。此

外,受环境影响,尾流在其演化过程中具有一定的形变,其识
别与预测一直是航空工业中的难题。
近年来,随着深度学****deeplearning,DL)的快速发展,为了获得复杂风场的3D扫描和飞机尾流的准确数据,
卷积神经网络(convolutionalneuralnetwork,CNN)在各种计实验使用Wind3D6000激光雷达子在双流机场的近离场附
算机视觉任务中已经显示出超过人类的能力,尤其在图像识近采集风场数据。Wind3D6000能够检测更长的距离,最大
别应用中表现出了好的鲁棒性和优秀的非线性表达能力,卷探测半径超过6km,且具有体积小、质量轻、功耗低的特点。
积神经网络成为雷达目标识别⑺的一种新方法。常用的扫描模式有距离高度指示器(range-height-indication,
深层的卷积神经网络能够得到的表达能力越强,性能越RHI)和平面位置指示器(plan-positionindicator,PPI)2种,对
好⑻。但目前流行的卷积神经网络[9-13]主要为视觉传感器于尾流的截面扫描,采用RHI模式进行探测,在实地探测过
而研究,若直接应用现存的卷积神经网络架构来对尾流进行程中,多普勒激光雷达安放位置如图2所示。
识别,则需要将激光雷达采集到的低分辨率数据进行转化为
彩***像才能输入这些网络架构当中,这将导致卷积神经网
络架构含有过多的参数和计算量。
本研究中提出了一种快速的卷积神经网络模型。雷达
采集的样本分辨率低,为平衡识别速度和准确性,简化了
GoogLeNet卷积神经网络架构层数和宽度。为了提高识别具
有不同形状尾流的能力,在GoogLeNet-Wake卷积神经网络
架构的Block模块中使用2个具有不同视野的卷积核来提取
尾流的特征,并在其较长的支路上通过残差连接来避免信息
丢失。以期通过使用更少的内存资源消耗、更快的速度来达
到有效识别尾流的目的。
2数据采集方法

激光多普勒效应测量的原理是被探测目标反射的波长
会随着激光光源和目标之间的相对运动而变化[⑷。当多普
勒激光扫描目标空域时,接收机会接收到随尾流运动的气溶
胶粒子反射的激光信号,其中,后向散射信号的多普勒频移图2双流机场尾流实地探测场景图
与激光波长、径向风速有如下关系:
40兵器装备工程学报/
不同机型飞机所产生的尾涡强度和演化规律与环境息为飞机尾流检测提供了一种有效的方法。尽管已经被证明
息相关[15-16]。为了得到一个好的观测条件,根据机场地形、流行的深度学****框架可以在尾流识别上取得好的效果。然
天气条件、跑道运行方式等因素,设置激光雷达运行参数如而受存储空间和计算能力的限制,经典的神经网络模型在雷
表3所示。激光雷达按照一定的扫描率不间断周期性扫描达嵌入式设备上的存储和计算仍然是一个巨大的挑战。激
目标探测区域,能够大量获取不同天气下和不同机型的下的光雷达获得的风场数据是一种单通道数据,且分辨率较小。
飞机尾流演化数据。此外,激光雷达获取的风场样本受环境影响,其数值变化范
围和与光学传感器得到的图像信息相差甚大。雷达回波数
表3雷达运行参数(RHI模式)
据往往需要将转换才能适应现有的深层卷积神经网络架构。
Table3Radaroperatingparameters(RHImode)
GoogLeNet网络(见图4)是当年ImageNet图像竞赛的冠军,
Parameters(unit)Value具有良好的识别效果,而且网络结构简单,改进方便。因此,
Azimuthangle/(°)112综合雷达设备和尾流演化特点,通过重构GoogLeNet网络,构
Scanningrate/(°/s)1造了一种专门用于飞机尾流快速识别的GoogLeNet-Wake卷
Elevationrange/(°)0~10积神经网络框架。
(Is
・
Elevationangleresolution/(°)±)/moOIUA
Detectionradialrange/m45〜885
Longitudinalresolution/m15
DistancebetweenpointAandB/m503
DistancebetweenpointBandC/m1468
以A380为例,在现场探测得到尾流可视化如图3所示。
通过演化图分析可以发现随着两涡相互诱导及环境风的作
用下,左右涡旋呈现出形状逐渐变大,而涡环量强度逐渐变
小的特点。尽管涡旋在整体上还保留了反向对称性,但随着
时间的流逝,这种对称结构开始逐渐变的不稳定,直到与环(
s
・
境风场融为一体。旦
/
arooib
3深度学****方法及实现
3・1GoogLeNet卷积神经网络
图3A380机型尾流可视化示意图
深度卷积神经网络在图像分类、目标检测、情感识别、场

景分割等计算机视觉任务中取得了突破性的成果[17-18],其
3・2GoogLeNet-Wake网络模型结构结构。
本文中所提的GoogLeNet-Wake卷积神经网络的主要结GoogLeNet-Wake卷积神经网络架构的第一、四、五层为
构由卷积层、Block块和全连接层组成,图5为显示其网络3x3的卷积层(Conv)。卷积层的作用是提取激光雷达数据
潘卫军,等:基于改进GoogLeNet的飞机尾流快速识别41
样本的特征,每个卷积层后应用了神经元激活函数(ReLu),质的增加时,通过在较长的支路上使用残差连接能有效避免
以及归一化层(batchnormalization,BN)来增强模型的泛化能网络梯度爆炸和梯度消失。其中残差块的映射包括直接映
力。在每个卷积层之后增加最大池化层(MaxPool),降低提射和残差映射。其数学结构为:
取特征的维度和减少特征数据量。网络架构的第二、三层为XZ+1二x2+/(x2,旳)(2)
Block模块,通过提出的Block模块丰富特征提取能力和模块式中:残差块的输入为Xz;输出为Xz+1;/(Xz,旳)函数代表残
对计算资源的需求。网络架构最后一层包含了自适应平均差结构的残差部分。
池化层(Adapt-Avgpool)和全连接层(fully-connected,FC)。
在全连接层之间应用Dropout层,训练过程中通过随机丢弃4实验和结果
一些神经网络单元参数来提高了网络的鲁棒性,避免模型过
拟合。
实验在Windows10操作系统下进行,编程语言为
Python,使用的深度学****框架为PyTorch。计算平台硬件配置
为DellT640工作平台,其处理器为Intel(R)Xeon(R)GOLD
5218,内存为32GB。
Conv+BN+Relu+MaxPool

Adat-Avgpool项目团队前期于2020年10月4号在成都双流国际机
场(CTU)利用Wind3D6000多普勒激光雷达在开展了尾流
图5GoogLeNet-Wake网络模型结构框图
观测实验。通过在跑道的不同观测点安置激光雷达共收集
-Wakemodelframework
了3530条风场样本以构成数据集。其中,数据集中含有尾
(T),未含有尾流的数据样本标签为负
Block模块结构如图6所示,其构造目的是输入特征与(F),为了避免过度警告,在飞机尾流耗散末期中对后机不
特定的卷积核进行卷积,并通过一系列的串行或并行组合,构成威胁的尾涡将被归为负样本。尾流背景风场风速是不
使Block模块输出的特征更加丰富。在Block的卷积层中,断变化的,为了使输入到网络的数据无量纲化,本实验对采
主要由2个1x1卷积核和3x3卷积核组成,不同的大小的集的数据进行标准化处理。此外,标准化数据可以加快卷积
卷积核使得网络在进行卷积时在特征图上具有不同尺寸的神经网络梯度下降的求解速度,提高模型的收敛速度。预处
感受野[18],以便网络可以学****到样本数据“稀疏”(3x3)或理后的数据被随机划分为训练集(Trainset),验证集(Valida­
“不稀疏”(1x1)的特征,从而提高了网络对不同尺度尾流tionset),测试集(Testset)。训练集用于CNN权重的学****br/>的适应性。Block模块将特征提取过程通过具有不同长度的验证集被用于训练过程中的“超参”调整,测试集被用于获得
两条卷积支路来实现,两条支线上1x1的卷积核在Block模最终结果以对比每个模型的性能,对于每个数据集具体分布
块的第一层使用,有助于减少参数数量。在下一个模块输入情况如表4所示。
之前利用连接操作将各支线的提取的特征进行综合,从而进
表4数据集分布情况
一步提高模型非线性特性的表达能力,且这种非对称结构的
Table4Datasetdivision
应用同时能够进一步减少参数量。
ClassTrainsetValidationsetTestset
Total2119706705
T1722580581
Annotation
F397126124
Size48x56
过小的Batch-Size容易导致网络训练陷入局部最优,模
图6Block模块结构框图
型训练时的批量数(Batch-Size)被设定为50。每进行一轮迭

代需要43次Batch来完成。优化模型算法采用Adam[20]自
在Block模块中较长的支路使用了残差连接结构组成支适应梯度下降算法,相比SGD[21]算法,该方法具有实现简
路残差网络[19],残差网络主要应用的范围为输入数据量较单,计算效率高,占用内存少的特点,被广泛应用于计算机视
大和卷积网络较深的场景,当尾流样本数据集在数和量上有觉和自然语言处理领域。在优化器参数选择上,学****率的设
42兵器装备工程学报/
置非常重要,过高的学****率会导致网络振荡,模型难以收敛。为了评价本文中所提模型在尾流识别中的分类能力,且
而学****率过低,容易产生过拟合。为了得到良好的分类效同时保证实验结果公平,实验在相同的数据集上对AlexNet
果,,而其他参数使和GoogLeNet进行训练,测试,验证。结果使用准确率(Accu­
用默认值。racy)、精确率(Precision)、召回率(Recall)、和综合评价指标
训练卷积神经网络模型时应用交叉熵作为损失函数,在(F1-score)评价各模型性能。具体而言,准确率准确度是正
二分类情况下,交叉熵的含义表示为实际输出p值与期望输确预测观测值的比率、召回率为训练模型捕获了多少真正的
出概率y值之间的距离。也就是说在训练网络时,交叉熵值阳性结果,反映了模型对尾涡识别的鲁棒性,F1分值则是精
越小,模型与训练数据的拟合越好,其数学表达式为:确率和召回率的综合评价指标,暗示了预测模型的泛化性
H(p,y)二一1Y一[Yi-log(Pi)+(1一兀)•log(1~Pi)]能,选定指标计算公式如式(4)~式(7)所示。
彳TP+TN/八
(3)ccuracy_TF+FP+FN+TN()
式中:兀表示样本i的标签;。表示样本i预测为正类(T)的TP
Precision_TP+FP(5)
概率。

Recal1_TPTpFN(6)
将预处理后的训练集数据传递给GoogLeNet-Wake网络
2TP
进行模型训练,绘制训练过程中损失值的迭代变化如图7F1一score(7)
2TP+FP+FN
所示。
式中:TP(Truepositive)表示实际类别为正,模型预测类别也
为正;FP(Falsepositive)表示实际类别为负,模型预测类别为
正;TN(Falsenegative)表示实际类别为负,模型预测类别也
为负;FN(Falsenegative)表示实际类别为正,模型预测类别
为负。
表5反映了分类器对尾流样本的判断能力,GoogLeNet-
Wake网络在测试集中的预测准确率分别高于GoogLeNet和
%、%。此外,所提模型在F1分数上
优于经典模型,表明GoogLeNet-Wake针对尾流识别具有更
图7损失值曲线好的鲁棒性。在图9可视化了AlexNet和GoogLeNet-Wake
,可以发现2个模型对完整尾流
涡旋都能取得好的识别结果。随着飞机尾涡与空气的相互
由图可知,网络训练的前20轮loss值变化较为明显,呈
作用下逐渐耗散,尾流涡旋呈现在激光雷达扫描截面上的结
大幅下降趋势,表明在训练迭代初期,深度学****网络模型的
构被破坏,此时AlexNet模型产生了漏警,而本文所提
学****能力较为突出,当Epoch为20~80时,训练损失值呈现
GoogLeNet-Wake模型因其混合卷积核结构和残差连接能够
反复振荡,说明此时得到的模型还不够稳定,在第80轮之
捕捉到丰富的涡形特征,从而表现出更好的识别能力。
后,损失值趋于稳定,数值上接近于0,网络模型达到最优。
此时,。为了更进表5不同模型试验结果
一步的表明实验结果,引入混淆矩阵(见图8)。Table5Testresultsofdifferentmodels
ModelAccuracyPrecisionRecallF1-Score



为了评价GoogLeNet-Wake的在尾流识别中的计算性
能,以实验的服务器作为计算平台,测试GoogLeNet-Wake、
图8GoogLeNet-Wake分类器的混淆矩阵示意图AlexNet和GoogLeNet的参数量和识别速度,有关测试结果如
-Wakeclassifier图10所示。
潘卫军,等:基于改进GoogLeNet的飞机尾流快速识别43
图9GoogLeNet-Wake与AlexNet部分测试结果可视化示意图
-WakeandAlexNet
★性能评价。结果表明,所提GoogLeNet-Wake在测试集上的
•GoogLeNet-Wake
准确率高于GoogLeNetAAlexNet网络结构,识别预测准确度
40-▲GoogLeNet
j呂
deJ&IUU★%,能够有效辅助空中交通管制员进行尾流安全
20-预警。此外,通过在实验设备平台上的性能测试表明
GoogLeNet-Wake可以在低参数量情况下获得优于经典网络
0彳模型的识别速度,能够满足嵌入式设备的要求。尽管所提
50100150
FpsGoogLeNet-Wake模型展现了其优异的性能,但是所构建数据
集主要还是来源于良好天气条件下的机场风场扫描数据。
图10参数和速度测试结果图
因此未来考虑进一步在模型中引入不同气象条件和风况对
Numberofparametersandspeedcomparisonresults
尾涡的影响因素,以大大提高模型的识别精度和应对恶劣天
由图10分析可知,GoogLeNet-Wake^AlexNet和GoogLeNet气的能力。
、、,识别速度分别为
160Fps、50Fps、10Fpso改进后的GoogLeNet-Wake网络在参考文献:
内存消耗和识别速度行相比GoogLeNet有着明显的提升。综
合表5、图9和图10可以看出改进模型识别速度提升的同时[1][J].AnnualReview
并没有降低对尾流识别精度,具有更低的空间复杂度和时间ofFluidMechanics,1998,30(01):107-138.
潘卫军郑思睿梁海军等尾流事故机理安全性分析
复杂度,能够做到复杂环境条件下的飞机尾涡高效识别[2],,,.
预警。[J].航空计算技术,2019(05):7-11.
PanWJ,ZhengSR,LiangHJ,
5结论wakeaccidentmechanism[J].AeronauticalComputing
Technology,2019(05):7-11.
在本文中,提出了改进后的卷积神经网路架构[3]李春生,[J].航空知识,2001
GoogLeNet-Wake来针对激光雷达探测的尾流识别进行优化。(12):44-44.
网络模型在重构GoogLeNet骨架的基础上,设计运用不同大LiChSh,[J].
小的卷积核和不平衡支路残差结构来有效提取尾涡的特征,AviationKnowledge,2001(12):44-44.
并同时减少模型对计算资源的需求。实验通过在双流机场[4]KoppF,RahmS,
安置激光雷达采集风场数据来构建尾流数据集,并对模型的wakevorticesby2|±mpulsedDopplerlidar[J].Journalof
44兵器装备工程学报/
AtmosphericandOceanicTechnology,2004,21(02):194[13]SzegedyC,LiuW,JiaY,­
-[C]//ProceedingsoftheIEEEConferenceonComput­
[5]AkbulutM,HwangJ,KimpelF,.[.]:[.],2015:
lidartransceiverforaircraftin-flightturbulenceandwake­1-9.
vortexhazarddetection[C]//LaserRadarTechnologyand[14]
-measurements[J].JournalofAtmosphericandOceanic
tonics,2011,8037:,2001,18(10):1628-1639.
[15]HallockJ,BurnhamD,HallockJ,­
[6]InokuchiH,FurutaM,
ticsofwakevorticesfromjettransportaircraft[C]//35th
detectionusinganairborneDopplerlidar[C]//29thCon­
AerospaceSciencesMeetingandExhibit.[.]:[.],
gressoftheInternationalCounciloftheAeronauticalSci­
1997:60.
ences(ICAS).[.]:[.],2014.
[16]
[7]ProfetaA,RodriguezA,
[D].天津:中国民航大学,2008.
networksforsyntheticapertureradarclassification[J].Pro­

ceedingsofSPIE,2006,9843:98430M.
fieldandsafetyspacingforwakevortex[D].Tianjin:Civil
[8]AlbawiS,MohammedTA,Al-
AviationUniversityofChina,2008.
convolutionalneuralnetwork]C]//2017InternationalCon­
[17]ShakirovVV,SolovyevaKP,Dunin-­
ferenceonEngineeringandTechnology(ICET).IEEE,
viewofstate-of-the-artindeeplearningartificialintelli-
2017:1-6.
gence[J].OpticalMemoryandNeuralNetworks,2018,27
[9]KrizhevskyA,Sutskever