[논문 리뷰] Deep Learning Based Multi-Level Classification for Aviation Safety

Elaheh Sabziyan Varnousfaderani, Syed A. M. Shihab외 1명|arXiv (Cornell University)|2026. 02. 01.

UAV Applications and Optimization인용 수 0

한 줄 요약

본 논문은 이미지로부터 조류 종을 식별하기 위한 CNN 기반 프레임워크(Cascade Classification Approach 및 Unified Classification Approach)를 제안하여 선제적 비행 경로 예측을 가능하게 하며, 조류 충돌 위험 평가를 향상시키기 위해 군집 유형과 군집 수를 분류하는 CNN도 제시한다.

ABSTRACT

Bird strikes pose a significant threat to aviation safety, often resulting in loss of life, severe aircraft damage, and substantial financial costs. Existing bird strike prevention strategies primarily rely on avian radar systems that detect and track birds in real time. A major limitation of these systems is their inability to identify bird species, an essential factor, as different species exhibit distinct flight behaviors, and altitudinal preference. To address this challenge, we propose an image-based bird classification framework using Convolutional Neural Networks (CNNs), designed to work with camera systems for autonomous visual detection. The CNN is designed to identify bird species and provide critical input to species-specific predictive models for accurate flight path prediction. In addition to species identification, we implemented dedicated CNN classifiers to estimate flock formation type and flock size. These characteristics provide valuable supplementary information for aviation safety. Specifically, flock type and size offer insights into collective flight behavior, and trajectory dispersion . Flock size directly relates to the potential impact severity, as the overall damage risk increases with the combined kinetic energy of multiple birds.

연구 동기 및 목표

• 카메라 데이터로부터 종 수준의 조류 식별을 가능하게 하여 선제적 조류 충돌 예방에 기여한다.
• CNN 기반 파이프라인(CCA 및 UCA)을 개발하여 조류와 항공기를 구분하고 종을 식별한다.
• 이미지에서 군집 유형과 군집 수 정보를 추출하여 비행 경로 위험 모델을 보강한다.
• CNN 접근법을 전통 ML 방법과 벤치마크하고 실시간 운용 가능성을 평가한다.

제안 방법

• 비행 영상에서 새 종 식별을 위한 Cascade Classification Approach(CCA)와 Unified Classification Approach(UCA)라는 두 가지 CNN 기반 아키텍처를 개발한다.
• CCA: 세 단계 파이프라인 — 새-항공기 구분, 새의 크기 분류(소형/중형/대형), 그 다음 크기별 종 분류.
• UCA: 입력을 바로 조류 종 또는 항공기로 분류하는 단일 CNN 모델.
• 이미지 데이터에서 CNN과 SVM, RF, KNN 베이스라인을 비교한다.
• 하위 뷰 이미지(수평 배열 형태로)에서 두 단계의 군집 유형 분류와 측면 뷰 이미지(수직 정렬로 열 형성)를 이용한 군집 분류.
• 다중 클래스 CNN을 이용한 별도의 군집 크기 추정(다섯 개 클래스) 모델.
• 512x512x3 입력, FC 레이어 256 노드, Adam 옵티마이저, 검증 AUC를 기준으로 조기 종료를 포함한 ResNet50V2를 CNN 백본으로 사용한다.

실험 결과

연구 질문

• RQ1 CNN 기반 방법으로 비행 영상에서 조류 종을 정확히 분류하여 종별 예측 모델을 지원할 수 있는가?
• RQ2 종합적 접근(UCA)이 종 식별 정확도와 효율성 측면에서 연쇄 접근(CCA)보다 우수한가?
• RQ3 시각 데이터를 통해 군집 유형과 군집 수를 얼마나 효과적으로 추정할 수 있어 위험 평가를 보강할 수 있는가?

주요 결과

Class	Precision	Recall	F1-score	Accuracy
Bird	1.00	1.00	1.00	100%
Aircraft	1.00	1.00	1.00	100%
Accuracy (overall)	100%	-	-	100%

• CNN 기반 모델은 평가된 시나리오에서 일관되게 SVM, RF, KNN 베이스라인을 능가한다.
• UCA는 종 분류에서 CCA보다 전체 정확도가 약간 더 높은 경향을 보인다.
• Classifier 1(새 vs 항공기)은 균형 데이터에서 테스트 세트에서 100%의 정확도, 정밀도, 재현율, F1을 달성했다.
• Classifier 2(새 크기)는 ResNet50V2 백본을 사용하여 이미지에서 크기 추정이 신뢰할 만한 것으로 나타났다.
• 두 단계의 군집 유형 분류와 별도의 군집 수 분류기가 각각의 작업에서 높은 정확도를 달성한다.
• 비행 영상에서 학습된 CNN은 예측 모델과 통합될 때 실시간 조류 충돌 위험 감소를 향한 현실적인 경로를 제공한다.