基于改进YOLOv5的飞机舱门识别与定位方法研究

机场特种车辆的自动靠机是未来智慧机场发展的必然要求,实现自动靠机的关键是对飞机舱门进行准确识别与定位;针对于此问题,提出一种基于改进YOLOv5和单目视觉的舱门识别与定位方法,通过在模型中加入了一种轻量化的卷积注意力模块(CBAM,convolutional block attention module),提高了算法对飞机舱门的特征提取能力;针对YOLOv5的重复特征提取问题,引入了空间金字塔池化结构(SPPCSPC,spatial pyramid pooling cross stage paritial connection),并改进分组卷积组数为4,提高了算法的检测精度;通过获取候选框中角点的像素,利用空间几何关系,实现了对舱门准确的三维定位。实验结果表明,改进后的YOLOv5算法mAP达到96.5%,相比原有算法提升了5.6%。在舱门前方19 m和1 m处时,实时最大定位误差分别为0.15 m和0.01 m,能够满足特种车辆靠机完成后与舱门保持5~10 cm的安全距离要求。