...................................................115 2.3 大模型训练与微调技术 ....................................................119 2.3.1 预训练技术............................................................. 真度。为此，SRGAN （super-resolution GAN）[33] 首次引入生成对抗训练，联合优化感知损失和对抗损失，在保 留结构一致性的同时生成具有丰富纹理细节的图像。ESRGAN（enhanced SRGAN）[34] 进 一步提出残差密集块增强特征流通，并采用相对判别器强化对抗训练，显著提升了重建图像 的视觉真实感。 传统深度学习方法多基于固定退化假设，难以适应真实场景的复杂退化过程。为弥合合 ative adversarial network, GAN）学习 退化核估计，无需配对数据；BSRGAN[37] 提出更全面的退化模型，通过随机组合模糊、噪 声和下采样核构建训练数据，并引入谱归一化判别器提升训练稳定性，大幅增强了模型在真 实场景的泛化能力。近年，Transformer 架构在超分领域展现突破性潜力。SwinIR [38] 将 S win Transformer 的移位窗

视，利用航空资源 进行经济活动的理念逐渐得到推广，低空经济也随之崛起。 首先，航空飞行营地及研学基地具备独特的地理位置优势和资 源条件，让其成为低空经济的重要载体。其既可作为飞行器的操作 和训练基地，又可开展丰富的航空文化传播与科普教育活动，通过 创新的实践项目吸引青少年及公众参与，激发他们对航空事业的兴 趣。 其次，随着大众航空意识的提高，飞行体验、航空教育和航空 产业链相关服务 航空飞行营地的定义与功能 航空飞行营地，作为现代航空发展的一部分，是指专为飞行训 练、航空文化传播、航天教育及低空经济发展而设立的综合性基 地。其主要功能涵盖了飞行器的驾驶、维护、航线规划、安全训练 等核心航空业务，旨在为飞行爱好者、专业飞行员及未来的航空事 业人才提供全面的学习与实践平台。 航空飞行营地的定义不仅局限于物理空间的规划设计，还包括 其在航空生态系统中的多重角色。首先，航空飞行营地应该具备完 为了更好地理解市场空间，以下表格展示了不同客户群体的需 求分析： 客户群体 主要需求 潜在市场规模 (亿) 学生及青少年 航空知识普及、实践飞行 50 成人休闲消费者 航空运动体验、飞行训练 30 企业团建 定制化飞行活动、团队培训 20 教育机构 航空研学活动、课程开发 15 其次，航空飞行营地及研学基地的市场竞争格局仍在形成阶 段。目前市场上虽然存在一些成熟的飞行学校和研学基地，但整体

像头、多光谱传感器等，以增强图像识别的准确性和适用性。此 外，系统还将具备自动避障、路径规划、电量监控等智能功能，确 保无人机在复杂环境下的安全飞行。 项目的主要技术难点在于 AI 模型的训练和优化，需要大量的 标注数据进行模型训练，并不断调整模型参数以提高识别精度。为 此，项目将建立一个大规模的图像数据库，涵盖各种地形和气候条 件下的图像样本。同时，项目还将开发一套自动标注工具，减少人 工标注的工作量，提高数据处理的效率。 时的图像分析服 务，推动无人机技术的智能化升级。 1.1.1 无人机技术的发展 无人机技术自 20 世纪初诞生以来，经历了从军事用途到民用 领域的广泛扩展。早期的无人机主要用于军事侦察和靶机训练，随 着技术的进步，无人机逐渐在农业、物流、测绘、环境监测等多个 领域得到应用。近年来，随着人工智能、计算机视觉和传感器技术 的快速发展，无人机的能力得到了显著提升，尤其是在低空飞行和 复杂环境下的自主导航与任务执行方面。 深度学习算法，AI 能够自动识别图像中的目标物体、地形特征以及 异常情况，极大地提升了图像处理的效率和准确性。 在农业领域，AI 图像识别技术能够自动识别作物种类、生长状 态以及病虫害情况。例如，通过训练卷积神经网络（CNN）模型， 系统可以准确识别小麦、玉米等作物的生长阶段，并实时监测病虫 害的分布情况。这不仅减少了人工巡检的工作量，还为精准农业提 供了数据支持。根据实际应用数据，AI 图像识别技术在作物分类任

甚至 行为异常，严重影响低空飞行器的运行安全。因此，保障数据安全，确保数据的 质量和可靠性，已成为提升人工智能技术安全性的重要任务。 首先，数据隐私保护是确保人工智能系统安全的关键措施之一。在训练数据 的采集、存储、使用、处理、传输及删除等环节中，必须严格遵守相关法律法规， 保障用户的控制权、知情权和选择权。通过采用联邦学习和同态加密等隐私保护 技术，人工智能系统可以在不损害个人隐私的前提下对加密数据进行处理，从而 术引入对抗样本、差异性样本和扰动样本，可以有效提高多模型的鲁棒性，降低 数据被投毒的风险。 2.模型安全技术 为保障人工智能应用的安全，除了数据本身的防护之外，还可以从人工智能 模型本身入手，采取模型结构改造和模型训练改造方式进行内生安全加固。 模型结构改造模块通过修改模型的内部结构，得到不同的网络模型并实现集 成模型具有更好的内生安全效应。其中可以使用的方法包括但不限于：①内生安 全网络结构优化技术，通过 来使得不同模型对产生对数据特征的差异化反 馈。 训练改造可以根据任务目标的需求选择不同的训练方法，以达到对目标模型 的改造目的。针对于训练的优化已经被证实是一种可以增强模型安全性的有效策 略。通过调整模型在训练过程中的方式和策略，使得模型发生差异最终得到不同 的异构模型。使用不同的训练方法来获得具有足够差异性的模型，以提高整个系 统的鲁棒性和抗攻击能力，其中使用的技术包括但是不限于：①正则化训练技术， 该技术通过添

“低空经济与智能系 统”微专业 ，整合飞行器设计、 空域管 理等 课程 ，系统提升学生多学科知识储备。 实战项目驱动 中国民用航空飞行学院毕业生需具备无人 机调试、 系统交互问题诊断能力 ，通过实 战训练提高应对突发情况的能力。 跨学科知识融合 无人机系统涉及航空、 机械、 电子、 通信、 导航、 控制、 计算机等多个领域 ，需培 养具备综合能力的技术复合型人才。 场景化技能匹配 电力巡检飞手需懂电网拓扑知识 ，集成森 林火灾救援等 30 余个模块 ， 联 动 40 台 CAAC 认证设备进行 闭 环训练。 应急救援任务中面临通信中断、 设备故障等问题 ，从业者需迅 速定位问题并提出改进方案 ， 依赖项目历练提升应变能力。 顺丰科技 “丰知”物流决策大模 型为学生提供真实场景下的决 策优化训练 ，提升其物流路线 规划与实际问题处理能力。 学生在顺丰科技参与物流调度 决策优化 ，结合订单信息、 ，结合订单信息、 飞 行器性能和空域数据 ，提升在 真实生产环境中的实践能力。 实践与创新能力要求 高校实训强化 场景复杂多变 企业真实训练 问题解决导向 岗位供需失衡 全国无人机操控员岗位缺口达 100 万人 ， 2025 年低空经济规模 将超 8000 亿元 ，相关岗位需求持续扩大。 缺口逐年扩大 苏州市已有 12 所职业院校开设低空经济相关专业 ，在读学生近 2000 人 ，但整体培养规模仍难以满足产业需求。

2 . 创新技术 & 业务 & 商业模式，推进国家制订的“公共 & 半公共数据要素 X” 行动计划 融合多种技术 应用多个领域 面向多个部门 2023 年度全国无人驾驶航空器操控员 新锐训练机构 湖南中图通无人机技术有限责任公司 中 国 些 2 二 背 3 . 以数商服务优势为支撑：覆盖全流程及产业链的完善服务能力 实现技术资源联动 提质、控本、增效 数据价值最大化 以“共享”为核心理念 系统驾驶员训练机构”培训资格，多旋翼无人机视距内驾驶员、 超 视距驾驶员等培训资质。 学校成立以来，不遗余力的帮助学生创业、就业，我校优秀毕业生已在电力、燃气、水利、测绘、消防、 农业、公安、联防等众多行业崭露头角，他们以优良的品格、开阔的职业视野、过硬的专业技能，深受用人单 位青睐。 目前，学校提供大疆 F450 教练机 30 台， S1000 训练机 6 台， 6 轴训练机 12 台，凤凰飞行模拟训练 台，凤凰飞行模拟训练 器 75 台， 训练电脑 45 台，同时满足 150 人学习、训练，全力构建“设备过硬、师资优异、体系健全”的现 代化无人机特 色培训机构。 GISTC P19 业务流程 飞行服务 构建服务预约、综合调度、统一下发、集中管理为一体 的无人机指挥调度机制 方案内容 7. 服务运营体系 GISTC “ 数据要素 X” 无人机服务运营中心 “ 数据要素 X”

，AI 识别的图像学习功能 主要需通过云平台的模型训练，网站端模型添加实现。 3.3.2 AI 物体识别与异物场景模型建立 无人机直播巡检平台可以对云平台所学习的 AI 模型进行管理、定制。在云平台依次进 行目标模型创建、模型训练/标记、模型校验、模型发布，识别目标为 car 时，可以对图像 汽车部分进行画框、标记分类，完成模型的训练等。 3.3.3 实时物体识别/异场景识别并输出告警 实时物体识别/异场景识别并输出告警 基于直播基础上打造 AI 物体识别功能，对包括基站、人、车、楼、道路等已经训练好 的 10 个种类的其中 3 个物体进行组合识别，设置识别阀值。 当所选物体的识别度同时达到超越了识别阀值，服务后台发送一条识别推送消息， app 接收后屏幕上提示推送内容弹框，并保存到本地。 推送内容包括：框住物体的识别图像，坐标，识别内容，时间。推送内容根据预填的 飞机号进行归纳分类。 异物场景识别告警，在

实现城市巡检从传统人工模式向 智能化、 标准化、 规模化的跨越式升级 前期 前期数据、场景、模型 上耗费时间显著降低 70% 50% 40% 数据收集时间 场景适配时间 模型训练时间 算法部署效率 模型赋能 数据驱动 场景适配 模型 流水工厂 场景数据 2000 万 + 图像 / 视频帧 VisDrone 平台数 据 100+ 种特定场景的评估基准 数据清洗 → 粒度划分 → 机器标注 → 场景指令 → 千万级低空多模态训练数据 预训练多模态大模型 增量训练 + 指令微 调 基于任务定制的混合 Adapters 的通用图像融合（ TC-MoA ） 统一多任务阶段 以提示为依据进行融合 模型能够根据不同的融合任务动态定制不同的 adapters 搭建了一种多机协同追踪架构： • 利用 Transformer Encoder 实现模板与搜索区域 的自动建模。 • 对多个模板的注意力权重加权作为依据剪枝 Token ，用于加速训练和推理。 多机协同性能大大超越多无人机单目标跟踪算法 ASNet 创新：构建 TransMDOT 的多机协同追框架解决多无人机单目标跟踪协同共享难题（ TCSVT 2023 ） 为多机协同追踪任务提供数据平台

不同光照条件（如强光、弱光、逆光）。 o 不同天气条件（如雨天、雾天、雪天）。 o 复杂背景（如森林、城市、工业区）。 5. 数据增强与模型优化：为提高图像识别精度，需采用数据增强 技术（如旋转、缩放、翻转、添加噪声等）对训练数据进行扩 充，并结合迁移学习、模型剪枝、量化等技术对深度学习模型 进行优化，以提升模型的泛化能力和推理速度。 6. 精度验证与测试：系统上线前需进行严格的精度验证与测试， 包括： o 使用标准数据集（如 识别模块采用基于深度学习的计算机视觉算法，主要 包括卷积神经网络（CNN）和轻量化的目标检测模型（如 YOLOv4-Tiny 或 MobileNet-SSD）。这些模型经过预训练和微 调，能够高效识别烟雾、火焰、高温区域等火灾特征。为了提高模 型的泛化能力，训练数据集需包含多种环境条件下的火灾样本，如 白天、夜晚、森林、城市等场景，同时加入数据增强技术（如旋 转、缩放、噪声添加）以提升模型的鲁棒性。 其次，AI 模块之一，旨在通过实时分析无人机采集的多源数据，快速、准确 地识别火灾特征。该算法基于深度学习技术，结合多模态数据融合 策略，能够有效应对复杂环境下的火灾检测需求。首先，算法采用 卷积神经网络（CNN）作为基础架构，通过预训练的模型对可见光 图像进行特征提取，识别火焰、烟雾等视觉特征。同时，为了增强 算法的鲁棒性，引入红外热成像数据作为辅助输入，利用热辐射特 征进一步验证火灾的存在性。 在数据预处理阶段，算法对可见光图像进行去噪、增强和标准

[10]。 在实际的无人机管控系统中,此类问题尤 为突出,例如因激光雷达与视觉数据的时间戳未能精 确对齐通常会导致对非法无人机的漏检。 3. 1. 3 非标目标检测困难 基于传统模式识别算法训练的感知系统,对低空 非标目标的适应性普遍不足 [11]。 在面对异形无人机 (如穿越机等)、特制风筝等非常规目标时,系统检出 ·19· ���E�����0 率会出现显著下降。 同时,为保证覆盖率 云数据等)。 三是物理模拟:通过仿真环境构建各类虚 警场景,扩展样本覆盖范围。 在训练策略层面,实施困难样本挖掘机制,即在训 练过程中或训练后阶段,识别被模型误判的样本并进 行重点学习,通过迭代优化持续提升模型对“困难虚 警”的判别能力。 3. 3. 6 模型架构与训练策略 在模型架构设计与训练策略层面,主要存在端到 端与分阶段两种技术路径。 其一,端到端架构。 该方 案直接以原始或预处理数据作为输入