改进YOLOv5的机场跑道异物目标检测算法

针对机场跑道异物(foreign object debris,FOD)在图像中目标占比小,特征不明显,经常导致误检、漏检的问题,提出一种改进YOLOv5的FOD目标检测算法。改进多尺度融合与检测部分,融合高分辨率特征图增强小目标特征表达,移除大目标检测层以减少网络推理计算量;引入轻量高效的卷积注意力模块(CBAM),从空间与通道两个维度提升模型关注目标特征的能力;在特征融合阶段采用RepVGG模块,提高模型特征融合能力的同时提高了检测精度;采用SIoU Loss作为损失函数,提升了边框回归的速度与精度。在自制FOD数据集上进行对比实验,结果表明:该方法在满足实时性的条件下,实现了95.01%的mAP50、55.79%的mAP50:95,比原算法YOLOv5分别提高了2.78、3.28个百分点,有效解决了传统FOD检测误检、漏检问题,同时与主流目标检测算法相比,提出的改进算法更适用于FOD检测任务。

机场跑道异物监测雷达的杂波图恒虚警率检测

随天线扫描平稳变化的强地杂波是实现机场跑道异物(FOD)检测的主要干扰,传统的空域恒虚警率(CFAR)处理不能有效地检测到目标,针对上述问题,提出了一种单元平均杂波图恒虚警率检测算法。首先基于系统特性和跑道环境建立了回波信号模型;然后通过杂波图划分、单元平均、递归滤波等处理技术,实现了距离—方位二维恒虚警率检测;最后进一步分析影响检测性能的主要参数。仿真结果表明,所提算法在低信杂比背景下能有效检测到弱目标,并获得较高的检测概率。

基于视觉分析的机场跑道异物检测技术研究

机场跑道异物引起空难的形势日益严峻,本文针对跑道异物检测的实际应用,将异物检测过程分为道面配准、跑道分离、异物检测、异物特征提取及识别4个功能模块.采用道面位置配准修正背景帧图像与当前扫描图像位置偏差,通过Hough变换,分离道面与跑道的边沿,消除非道面部分对异物检测的干扰.采用分块自适应阈值方法对背景帧图像与当前帧的差分图像二值化.对二值化后的图像采用连通域分析的方法提取子块中的各个疑似异物.最后对分割出的疑似异物及对应背景区域采用灰度共生矩阵提取纹理特征并进行相似性特征比较,实现异物的最终检测报警.实验结果表明,本文方法可将异物与对应背景区域显著区分出来.

基于OpenCV的机场跑道异物检测系统设计与研究

机场跑道的异物对飞机起降过程的安全带来非常大的威胁,所以机场跑道的异物精确检测已经成为保障飞机飞行安全一个非常重大的问题。文章主要从软硬件两个部分来研究了机场跑道异物检测系统,主要包括了机场道路监控中心和应急中心两个服务平台,重点分析了采用Camshift目标跟踪算法并应用在系统中,从而实现了监控系统前景目标识别和多目标跟踪两大功能;最后在windows系统下做了测试实验,以VS2008为实验环境,采用OpenCV函数库开发一款机场跑道异物监控系统;通过实验结果的分析,该软件系统可靠性高,运行稳定,满足了识别精确度高和跟踪实时可靠的要求,显示系统具有较高的检测精确机场跑道异物检测系统设计度,为机场跑道放入侵监测系统更深入的理论研究和进一步的实际应用提供了方便。

一种毫米波雷达机场跑道异物检测算法

针对毫米波雷达机场跑道异物(Foreign Object Debris,FOD)检测算法存在虚警率较高,检测性能较差的问题,提出一种基于双谱特征和支撑向量数据描述(Support Vector Domain Description,SVDD)一类分类器的FOD检测方法。首先利用双谱变换将毫米波雷达接收到的FOD和杂波信号转换至差异性更大的双谱域,然后提取双谱熵和二阶统计量二维特征构成特征向量作为SVDD的输入,最后利用SVDD一类分类器在特征域实现FOD检测,同时为了提升SVDD算法性能,提出一种基于遗传模拟退火算法(Genetic Simulated Annealing Algorithm,GSAA)的参数优化方法对SVDD的核参数和惩罚因子进行全局寻优。基于77 GHz毫米波雷达获取的真实机场数据开展试验,结果表明相对于传统方法所提方法不仅能够获得更高的检测性能,同时能够明显降低虚警率。

背景对齐差分的机场跑道异物分块检测与跟踪算法

针对机场跑道异物的无人自主检测与识别过程中存在的检测结果受环境影响大、小目标检测困难以及漏检率高等问题,提出基于背景差分的机场跑道异物分块检测与跟踪算法.首先利用速度辅助的位置信息线性插值,获取背景模板图像库与待检测图像序列最相关帧;然后将图像分为不同子块,利用各子块内图像纹理复杂度设置自适应权值,结合ORB算法进行特征点提取,将各子块特征点归一化至原始图像,并与背景模板库最相关帧对齐作差,获取异物检测结果;最后引入核相关滤波器对检测结果进行多目标跟踪,采用各子块局部跟踪算法降低运算时间,并对跟踪结果进行可靠性检验.在3种实验场景下,与5种主流检测算法的对比实验结果表明,与目前已有的基于图像的机场异物检测算法相比,在保证算法处理速度的基础上,该算法将异物整体错检率降低了70%以上,并在异物尺寸大于1cm×1cm的情况下,将整体漏检率降低至0,获得了较好的效果.

基于视觉显著性的机场跑道异物检测技术

针对不同种类机场跑道环境下的小目标检测问题,提出一种基于多尺度融合超复数傅里叶变换的视觉显著性检测算法。利用二维Log⁃Gabor滤波器模仿人类视觉感受野提取经快速导向滤波算法后的预处理图中的颜色、亮度、纹理方向特征;根据所得特征构造各尺度下的超复数图像,并求其快速傅里叶变换相位谱再进行滤波,通过反变换后进行多尺度归一化获取视觉显著图;最终利用自适应阈值分割提取前景任务目标,实现机场跑道异物目标检测任务。实验结果表明,该算法相较于传统频域显著性算法检测准确率更高,虚警率更低,在多类机场跑道路面场景检测中能取得较好的检测效果。

机场跑道异物检测与定位技术研究

机场跑道异物(FOD)检测对机场安全运营具有重大意义。为此,自主设计了一套基于无人机的FOD检测与定位系统,该系统采用多无人机协同的迂回式航线规划策略对机场跑道进行图像采集;然后针对异物标记问题,采用基于RootSIFT特征点匹配的自动校直拼接算法还原机场跑道全景;最后设计了Faster R-CNN异物检测器,实现对FOD的检测与定位。基于实测数据的试验结果表明,该系统能有效提升FOD检测效率,并获得了较为满意的FOD检测定位效果。

基于小波变换与形态学的机场跑道异物检测算法

机场跑道异物(foreign object debris,FOD)检测的精准性和效率直接决定了民航运输业的安全。为了提高机场跑道异物的定位精度,研究中提出基于小波变换与数学形态学相结合的机场跑道异物边缘检测质心定位算法。此算法先对采集到的机场跑道图像进行小波分解,高频部分利用小波变换的尺度边缘检测,并进行小波阈值去噪;低频部分利用数学形态学算子进行形态学边缘检测,然后对得到的高频和低频图像进行融合,并对异物边缘轮廓进行增强,最后利用质心定位法求解异物像素坐标。实验结果表明:小波变换与数学形态学相结合检测出的图像边缘具有较好的互补性,结合了小波变换在边缘精确定位和对噪声的抑制方面较好的性能,数学形态学在检测弱边缘和保留图像细节的优点,通过此算法提取的跑道异物边缘信息细腻且定位准确,能有效识别与机场跑道背景相似的异物并准确定位。

基于Faster-RCNN的机场跑道异物识别定位技术研究

针对机场跑道异物(FOD)识别检测,分析了机场跑道环境特性,建立了针对机场FOD图像识别数据库,提出了一种基于Faster-RCNN的机场跑道异物识别定位系统,通过无人机系统对机场跑道进行图像采集,运用Faster-RCNN算法框架完成异物种类识别,并结合无人机地理位置信息进行位置换算求解,得到机场FOD的类别信息和位置信息。经验证,该系统可高效完成机场FOD检测识别及定位任务。

改进YOLOv3在机场跑道异物目标检测中的应用

针对机场跑道异物(Foreign Object Debris,FOD)的小目标特点,提出一种基于改进YOLOv3的FOD目标检测算法。以YOLOv3网络为基础,采用运算复杂度相对更低的Darknet-49作为特征提取网络,并将检测尺度增加至4个,进行多尺度特征融合。使用基于马尔科夫链蒙特卡罗采样(Markov Chain Monte Carlo sampling,MCMC)的K-means++算法对标注边界框尺寸信息进行聚类分析。训练时引入GIoU边界框回归损失函数。实验结果表明,改进的YOLOv3目标检测算法在满足实时性要求的情况下,精确率和召回率达到了95.3%和91.1%,与Faster R-CNN相比具有更高的检测速度,与SSD相比具有更高的检测精度,有效解决了原YOLOv3存在的定位精度偏低和漏检问题。

毫米波雷达机场跑道异物分层检测算法

强杂波背景下的弱小静止目标检测是毫米波机场跑道异物(FOD)检测雷达面临的核心问题。该文提出一种基于功率谱特征和支持向量域描述(SVDD)一类分类器的FOD分层检测算法。该算法首先利用杂波图恒虚警率(CFAR)检测器对复杂背景杂波进行杂波对消处理,针对对消后虚警过多的问题,对对消后的数据提取功率谱特征,将其转换到特征域,最后利用SVDD一类分类器在特征域实现对FOD和虚警的分类。基于实测数据的试验结果表明所提方法可以获得较好的检测性能。

基于特征谱特征的机场跑道异物分层检测算法

强杂波背景下的弱静止目标检测是机场跑道异物(Foreign Object Debris,FOD)监测雷达面临的关键问题。该文提出一种基于特征谱特征和最小最大概率机(Minimax Probability Machine,MPM)的FOD分层检测算法,首先利用杂波图恒虚警(Constant False Alarm Rate,CFAR)将雷达录取回波中的背景杂波和FOD回波(包含虚警)区分开,然后提取特征谱特征将在回波域中差异较小的FOD回波和虚警回波转换到区分性更大的特征域,最后利用MPM分类器实现对FOD和虚警的分类,从而达到降低虚警次数的目的。基于实测数据的试验结果表明,所提方法可以获得较好的检测性能。

机场跑道异物检测系统设计与算法研究

机场跑道异物检测系统能够快速精确地检测和识别跑道异物,对于保障机场飞行安全意义重大。针对单一传感器探测系统表现出的弊端,文中提出结合小型高分辨率毫米波雷达和高清夜视摄像机的新型系统方案,发挥多传感器数据融合的优势,获取机场跑道异物多种特征信息。并重点探讨了数据处理分系统在目标检测模块中采用的自适应双阈值Canny边缘检测、混合高斯模型背景建模、局部阈值背景减除等算法,有效提高机场跑道异物检测的效率和精度。

基于毫米波雷达的机场跑道异物检测方法研究

机场跑道异物(foreign object debris,FOD)时刻威胁着飞行器的安全,机场引进异物检测系统,希望能快速、准确地检测出跑道上的各种异物,保障飞行器的飞行安全。文章针对异物检测系统在机场的特定工作环境,对基于线性调频连续波体制的毫米波雷达的异物检测系统展开研究。首先对机场跑道背景下的杂波信号进行建模分析,然后利用维纳滤波原理对杂波进行抑制,提高跑道异物的信杂比,最后基于实测数据对回波信号进行仿真给出了检测结果。结果表明该系统性能良好,在各类环境中均可达到相关部门对机场跑道异物检测系统的设计要求。

一种混合制式机场跑道异物探测系统

在对现有各种主流机场跑道异物探测系统的优缺点进行比较的基础上,本文提出了一种综合各型机场跑道异物探测系统优点的混合制式机场跑道异物探测系统。介绍了混合制式机场跑道异物探测系统的设计思想,系统总体架构,详细阐述了边灯式光电复FOD传感器、塔架式光学FOD传感器、 FOD信息系统等各子系统的设计思路和实现方法,并对系统的测试情况进行了描述。测试结果表明,该系统能够在各种天气条件下满足机场实际需求,实现对跑道异物的准确检测,定位及管理。

机场跑道异物监测系统的设计容差

机场跑道异物(foreign object debris,FOD)是威胁飞机起降安全的重要因素。利用车载的雷达、摄像、定位等设备快速检测并回收FOD是现今国际上新颖的一种监测手段。本文通过对一种新型移动式机场跑道安全监测系统相关技术指标进行系统级的设计容差分析,验证方案所提出的指标能够达到最终目标。通过分析各独立部件自身的误差数据,并引入数据传输延时的影响,再以仿真的方式进行融合计算得到整体系统的容差范围。通过仿真实验验证了系统的虚警、漏警这两个重要指标,验证了方案的可行。

基于检索任务和改进ResNet的机场跑道异物目标识别方法

针对机场跑道异物(FOD)普遍存在目标尺度差异大、小目标占比大且同种材质目标形态不统一等特性,提出一种基于检索任务和改进ResNet的FOD目标识别方法。首先,在网络训练阶段通过训练得到特征提取网络,将训练集中的样本数据输入特征提取网络,得到样本特征库;其次,在测试阶段,将测试样本输入特征提取网络,获取测试样本特征向量,计算测试样本特征向量与样本特征库中特征向量的距离;最后,将距离最近的样本类型赋予该测试样本。所提方法采用的检索任务思想在出现新类型目标时,无需重新训练网络模型,大幅地节约了人力和物力成本。另外,所提方法将ResNet50作为特征提取网络,并在此基础上增加多尺度特征提取模块(MSM)、通道注意力模块(CAM)和特征融合模块。实验结果表明,与Faster-RCNN和YOLO-V5-n方法相比,所提方法的平均识别率分别提高了2.44和0.18个百分点,能在实际应用中实现更精确的FOD识别。

多尺度特征融合的机场跑道异物检测与识别算法

机场跑道异物对飞机起飞降落存在着致命威胁,而人工巡检异物的方式成本高,效率低,因此将深度学习检测算法用于机场跑道异物检测是必要的。针对异物尺寸大小不一、特征提取难度大而导致的漏检与定位不准问题,提出一种基于多尺度特征融合的机场跑道异物检测与识别算法。以多尺度特征提取与融合为切入点,提出多分支空间注意力,加强对异物的特征提取,同时能够关注不同尺寸大小的异物。采用BiFPN网络进行特征融合,能够高效融合不同尺度的特征信息。实验结果表明,改进后算法平均精度达到94.7%,相比于YOLOv5提高5.9个百分点,也超越了YOLOv6、YOLOv7以及Faster R-CNN,从而验证了该算法在机场跑道异物检测领域有较好的应用价值。

基于注意力机制的YOLOv5算法在跑道异物检测中的应用

机场跑道异物严重影响飞行安全,针对现有算法对小目标存在误检、漏检等问题,提出一种改进的YOLOv5算法对机场跑道异物进行检测。在YOLOv5的主干网络中添加有效通道注意力(ECA)模块,通过少量参数的增加带来明显的性能增益。将颈部网络中原特征金字塔模块替换为加权双向特征金字塔(BiFPN)网络,实现双向跨尺度连接和加权特征融合。采用EIoU Loss作为损失函数,加快了收敛速度。在FOD⁃A数据集上的实验表明,改进后的YOLOv5模型均值平均精度(mAP@0.5)指标达到了97.4%,相比于原模型提高了1.6个百分点。