基于深度學習PyTorch在“飛行安全”教學中的應用與展望

蘆建輝，王 林，侯明鑫

（1.空軍航空大學，吉林 長春 130022；2.廣東海洋大學 機械與動力工程學院，廣東 湛江 524088）

引言

深度學習（Deep Learning）是學習輸入樣本的內在規律，并且把規律從特殊推廣到一般。它的最終目標是讓機器能夠像人一樣產生“自我”意識并具有分析能力，如識別圖片的含義等。現在流行的深度學習網絡可分為三大類：用于影像數據進行分析處理的卷積神經網絡（CNN）[1，2]、用于文本分析或自然語言處理的循環神經網絡（RNN）和用于數據生成或非監督式學習應用的生成對抗網絡（GAN）[3，4]。國內的研究者將深度學習應用到生活的方方面面，很多學科把深度學習滲透到課堂中，如火箭軍工程大學的王國亮把深度學習應用到專業基礎課程“材料科學基礎”中，激發學生的創新思維和增強探索精神[5]；北京交通大學的李艷鳳把深度學習課程應用到實驗教學中，加深了學生對課程的理解，增強了學生的高階思維能力[6]。谷歌、阿里巴巴、Facebook、騰訊和百度等國內外互聯網巨頭都大力投資，不斷加快深度學習領域的研究步伐，由此，深度學習開始不斷應用于語音識別、圖像處理、自然語言識別等領域[7-9]。

針對“飛行安全”教育教學中的特點，結合深度學習常用的PyTorch工具，從自然語言和影像數據分析處理兩個角度分別設計了深度學習在“飛行安全”教學中的應用場景和基本思路，并且展望了未來深度學習技術在“飛行安全”教育教學中的發展趨勢。

一、深度學習框架

選擇一個合適的深度學習框架是非常重要的，因為一個合適的深度學習框架能起到事半功倍的作用[10]。在深度學習框架形成之前，研究者使用各種不同的方式達到他們的研究目的，需要寫大量的重復代碼，導致學習的門檻比較高，而且難以復現，影響了學習的積極性。為了解決這些阻礙深度學習發展的問題，越來越多的開發者就這些代碼寫成框架放在網上，方便研究者使用，現在最為流行的深度學習框架有PyTorch、Tensorflow、Caffe和PaddlePaddle。

1.PyTorch。PyTorch是一個開源的python工具庫，是在2017年由Facebook人工智能院基于Torch開發而來的深度學習框架；Torch是由卷積神經網絡之父Yann LeCun領導開發的框架，于2014年開源，曾是Facebook和Twitter主推的一款開源深度學習框架，使用Python修改了很多內容，使Pytorch更加靈活，同時支持動態圖，得到了更多研發人員的認可。PyTorch有利于研究開發人員快速生成模型，支持GPU，更易于搭建和訓練深度神經網絡。

2.Tensorflow。Tensorflow是由谷歌開發的深度學習框架，是一個端到端平臺，學者或專家均可以輕松地構建、試驗和部署模型。Tensorflow提供多個高級API（Application Programming Interface，應用程序接口），用戶基于業務需求選擇適用的API或者自行定制API，將TensorFlow部署在CPU、GPU的服務器中，或應用在移動設備中開展目標檢測等，并支持AdaGrad和Neuron Dropout等算法優化[11，12]。

3.Caffe。Caffe由加州大學伯克利的博士賈揚清開發，全稱是Convolutional Architecture for Fast Feature Embedding，是一個清晰而高效的開源深度學習框架[13]，支持Python和Matlab接口，為研究者提供多種編程語言來開發算法，并由伯克利視覺中心（Berkeley Vision and Learning Center, BVLC）進行維護。

4.PaddlePaddle。PaddlePaddle是2016年百度研發的深度學習平臺，是國內最早開源的一個功能較完備的深度學習平臺。PaddlePaddle具有全面的工業級應用模型，涵蓋計算機視覺和自然語言處理等多個領域[11]，并開放多個領先的預訓練中文模型，復現了多套有價值的算法模型。目前，PaddlePaddle已經實現了API的穩定和兼容性，形成完善的中英雙語使用文檔，簡潔高效、易學易用[14]。

深度學習框架降低了人工智能的門檻，研究者不需要從復雜的神經網絡開始編代碼，可根據業務模型的需要，繼承框架中的模型進行修改，通過訓練得到模型參數，也可以增加層次，或者選擇所需的分類器和優化算法。以上深度學習框架提供了豐富的深度學習組件，用戶自定義研發新的算法，減少了重復的代碼量。經對比發現，PyTorch框架包含了很多高級API，可以應用在目標檢測、物體分類、語義分割等深度學習框架中。從工程實際的角度來講，通過PyTorch訓練模型，生成權重文件后，既可以通過云端進行檢測，也可以嵌入邊緣設備中進行離線檢測[15]，近年來大部分項目采用在云中和邊緣同步部署檢測的混合方法，取得了較好的應用效果。邊緣模型通過智能設備實時做出決策來解決深度云對末端檢測的不足，云中進行模型訓練，處理進行長期分析和改進權重，如智能汽車就是利用車上的攝像頭和處理器進行實時計算，再把數據上傳到云端，對模型權重進行更新。以上算法框架對飛行安全工程和管理類學科教學都有典型應用價值，例如機場利用攝像頭檢測跑道異物、監測空中飛鳥等，均可利用邊緣設備進行智能自動檢測。

二、“飛行安全”教學特點

軍民航在多所高校開設“飛行安全”相關教學，包括多個飛行技術、工程技術和管理類專業，大部分是普通高等學校本科專業和任職教育專業，不同的任職崗位其設置的課程內容不盡相同，但本質均是保障飛行安全。飛行安全關乎人們的生命財產，影響著民航業的發展前景，更關乎國家的形象。飛機的安全起降、平安是每個人的希望。近年來，世界范圍內民航安全事故頻發，但是航空運輸卻快速發展，飛行航線密度和擁擠度逐漸上升，飛行安全格外重要。隨著科技的快速發展，深度學習普遍應用在各行各業，為預防和減少空難的發生，將深度學習應用到飛行安全實踐中，為航空器飛行安全提供更多的保障。

“飛行安全”課程是一門典型的綜合多學科知識構成的課程，不僅涉及“飛機飛行力學”“飛機結構與系統”“空中領航”“航空動力裝置”“航空氣象”等航空理論相關課程知識，還涉及“飛行事故調查學”“航空生理心理學”“飛行中人的因素”“安全管理學”“應急情況處置”等課程知識，因此，“飛行安全”課程不僅內容豐富、綜合性強、應用性突出，而且理論與實踐聯系緊密，這事實上與每一起飛行事故都涉及多種原因是一致的。在“飛行安全”教學中，通常采用理論教學、案例教學、模擬教學等方法。深度學習技術在“飛行安全”理論教學、工程技術教學、案例教學、模擬教學方面均有典型應用價值。

三、深度學習在“飛行安全”教學中的應用設計

1.RNN在“飛行安全”理論教學中的應用設計?！帮w行安全”理論主要是基于事故致因、安全管理、安全技術等理論的形成的基礎理論，重點是用于分析飛行事故的致因因素及其作用過程，簡單地說就是回答“事故的致因因素是什么、是怎么發生的、為什么會發生”等基本問題。應用自然語言處理的循環神經網絡深度學習技術對飛行不安全事件（一般涵蓋飛行事故、飛行事故征候等事件）調查報告等文件資料按照一定邏輯進行處理形成事件特征數據集，進而用于預防同類事件的再次發生。具體過程可分為三步：一是不安全事件特征標準化標識，將同類不安全事件的發生條件、發生時機、致因因素、發生過程、處置過程、產生后果等內容進行標準化標識；二是生成事件特征數據集和模型，將歷史上同類原因或具有同一性特征的事件信息進行聚類，生成特征數據集，并經過海量數據訓練形成特征模型；三是基于特征數據集和模型對即將開展的飛行安全任務計劃中的參加人員、業務過程、協作關系、管理關系等構成的任務描述進行自動化、智能化的特征比較，從而基于特征數據的深度學習得出富有實效的數據分析結論。

例如，某階段的任務是新飛行員起落航線理論教學和飛行訓練，為保障該階段的飛行安全，必須準確識別該階段的主要風險源、評估不同熟練度飛行員的風險程度并提出精準的風險預防控制措施。應用RNN深度學習技術對該階段教學訓練任務計劃與特征數據集，按照上述思路進行特征比較，基于特征相似度對任務、人員、業務過程、協作、管理并結合環境因素給出風險識別參考列表清單，有助于任務管理者和執行者開展風險防控?；谏疃葘W習技術可以深挖安全風險直接原因背后的隱性因素，尤其是部分人員由于理論學習的有效性不足形成的盲點會導致飛行訓練中的風險進一步放大，從而在飛行中出現應急情況時難以分析其原因并控制處置措施。RNN在“飛行安全”理論教學中的應用可為安全風險識別提供特征比較客觀數據，提高“飛行安全”理論教學的針對性和有效性。

2.CNN在“飛行安全”工程技術教學和案例教學中的應用設計?！帮w行安全”工程技術教學和案例教學均會使用到大量的圖片、影像等素材，這些圖片和影像的智能處理是提升教學質量的重要方法?！帮w行安全”工程技術和案例教學典型的場景有飛鳥識別與鳥擊風險評估、跑道異物識別與外來物撞擊風險評估、座艙多維度視頻圖像處理與風險識別、事故調查、事故仿真再現等，這些場景的數據來源多是攝像和圖像采集設備獲取的圖片或影像資料，這些資料均為自動攝錄采集，數據量巨大，風險源表現在視場時間短暫且不敏感，人工識別判斷工作量巨大，亟須采用卷積神經網絡進行智能化分析處理影像數據，基于圖像特征數據集自動識別異常情況并評估風險情況。

例如，機場飛鳥自動智能識別與風險評估，主要通過收集部署于機場及跑道周邊的攝像設備獲取的飛鳥照片和影像，識別飛鳥及其種屬和名稱，進行特征標注后，形成特征數據集（如飛鳥、跑道、飛機、房屋等數據集），構建基于CNN的智能識別算法進行訓練，形成權重文件，再部署到邊緣設備（攝像頭及圖像處理GPU等構成的一體化設備）中，從而自動識別飛鳥特征并推算其來向、速度、高度等動態信息，進而自動形成機場鳥情記錄數據庫。在此基礎上，結合飛機任務計劃及其運動特征計算鳥機可能相撞的時間、軌跡、位置等信息，進而分析鳥機相撞風險，可以實時輔助管制員和飛行員工作，提高飛行器防鳥擊的安全程度。另外，如果發生鳥擊航空器飛行事故，可基于以上影像數據和飛機座艙攝像設備記錄的影像設備，生成多維度鳥擊飛行事故發生實況的再現或復盤，有利于調查分析事故的詳細過程。以上基于CNN的影像數據智能自動分析對“飛行安全”工程技術教學和案例教學有重要意義，通過數據處理分析，教學對象不僅提升了安全數據分析的能力，同時學會了熟練使用CNN深度學習技術。業務需求與理論和技術的融合教學，對教學對象未來開展飛行安全工作具有明顯的促進作用。

另外，深度學習憑借循環神經網絡和卷積神經網絡的技術優勢，實現了對飛行不同類型數據的智能化分析，具體表現為：（1）循環神經網絡可以對飛行中的傳感器數據，如航向角、俯仰角、空速、過載等關鍵飛行數據進行智能化分析，通過對傳感器數據的趨勢預測，從而反映出飛行員駕駛的不良習慣和錯誤動作；（2）卷積神經網絡可以對飛行中的圖像數據進行智能分析，比如通過飛行航跡的圖像分析，從而智能分析飛行員關鍵操作動作和飛機姿態，自動得出飛行員的關鍵動作改進措施；（3）高難飛行動作的飛行動力學仿真建模分析，同時利用RNN和CNN構建智能算法對飛行操縱進行仿真，即結合多維飛行數據、航跡圖像、儀表圖像、座艙視景圖像進行關聯智能分析，從而實現對高難動作、超限動作的錯誤操縱等仿真分析，進一步提高飛行員的飛行訓練效果。

四、結論與展望

本文介紹了深度學習的研究方向與應用，闡述了當前具有影響力的開源深度學習開發工具，針對“飛行安全”教學的特點，設計了深度學習技術在“飛行安全”教學中的應用場景，提出了深度學習技術在“飛行安全”教學中的應用實例與方法，對促進深度學習技術在飛行安全領域的應用具有明顯價值，同時，可以幫助學生獲得前沿深度學習技術，并與飛行安全業務知識相結合，以促進高素質多學科交叉融合型人才的培養。