dida Logo

© unsplash/@mbaumi

© unsplash/@mbaumi
Home › 
Use Cases › 
Automatische Erkennung von Objekten auf Lande­bahnen an Flug­häfen

Automatische Erkennung von Objekten auf Lande­bahnen an Flug­häfen

Use Case
Transport & Logistik

Hintergrund

Start- und Landebahnen auf Flughäfen müssen ständig von der Flugsicherung kontrolliert und überwacht werden, um sicherheitskritische Objekte wie Vogelschwärme oder Fahrzeuge zu erkennen. Dieser Prozess erfordert ständige Aufmerksamkeit und konzentriertes Arbeiten der Fluglotsen, um sichere Starts und Landungen zu gewährleisten. Die Automatisierung der Objekterkennung kann die Fluglotsen dabei unterstützen, potenzielle Risiken auf der Start- und Landebahn zu erkennen.

Herausforderungen

Die automatische Objekterkennung auf den Start- und Landebahnen von Flughäfen erfordert die Verarbeitung von Bild- und Videodaten, um Objekte, wie z.B. Vögel, Flughafenpersonal oder Gepäckwagen zu erkennen und zu klassifizieren. Dies kann durch ein Machine Learning (ML) Modell erfolgen, das Muster in Bilddaten anhand von Formen und Farben erkennt.

Die größte Herausforderung besteht darin, einen Trainingsdatensatz zu erzeugen, der ausreichend gelabelte Daten von guter Qualität liefert. Dabei sollten alle denkbaren Objekte auf Start- und Landebahnen abgedeckt sein, um diese im Betrieb zuverlässig zu erkennen.

Darüber hinaus benötigt das System eine sehr hohe Genauigkeit. Auf keinen Fall sollten gefährdende Objekte übersehen werden, es sollte aber auch keine hohe Anzahl an "Falsch Positiven" geben, um das Vertrauen der Fluglotsen in die Software nicht zu schwächen.

Lösungsansatz

Für die Erkennung und Klassifizierung von Objekten in Bildern und Videos eignet sich ein Bildsegmentierungs- und Klassifizierungsmodell. Die modernsten Algorithmen sind Convolutional Neural Networks (CNN), wie U-Net- oder Mask-R-CNN-Architekturen.

Um die benötigten Trainingsdaten und damit Kosten zu reduzieren, können vortrainierte Modelle wie VGG-16 oder ResNet50 verwendet werden. Für Videodaten könnte eine YOLO (You Only Look Once) Architektur geeignet sein.

Die Objekterkennung selbst stellt eine etablierte Anwendung der Computer Vision dar. Der größte Aufwand liegt somit in der Beurteilung von Situationen in Bezug auf die Flugsicherheit. Beispielsweise ist ein Vogelschwarm, der auf die Landebahn zufliegt, gefährlicher als ein Schwarm, der von der Landebahn wegfliegt.

Das Überqueren einer Start- und Landebahn mit Fahrzeugen ist unkritischer, wenn die Flugsicherung zuvor die Erlaubnis dazu erteilt hat. Der Umgang mit Ausnahmen und die Einbeziehung von Flugsicherungskenntnissen ist daher unerlässlich, um die Software in der Produktion einsetzen zu können.

Mehr Use Cases in Transport & Logistik