多尺度特征与注意力检测头的轻量化FOD检测

针对现阶段机场跑道异物碎片(FOD)目标检测算法存在的缺陷,进行了降低参数量和提高精度的改进。以你只看一次(YOLO)v5s目标检测算法为基础,提出多尺度特征与注意力检测头的轻量化FOD检测算法。首先,提出一种全新的轻量化网络结构。该结构使用深度可分离卷积和逐点卷积,并设计大卷积核架构,使模型感受野提升,从而解决大量特征图冗余问题。接着,融合多尺度特征图。通过移除大目标检测层、增加小目标检测层,在提升小目标检测能力的同时降低网络参数量。最后,提出一种动态头部框架来统一目标检测头和注意力,通过连贯地结合多个自注意力机制,进一步提升了网络检测精度。试验结果表明:所提出的使用鬼影卷积大卷积核架构下的多尺度特征注意力检测头的YOLOv5s(GRD-YOLOv5s)网络的参数量减少为3.39 MB,仅为原网络的48%;平均检测精度从98.40%提升至99.45%;检测速度为53.42帧/秒。该网络的提出为实现对小目标的准确检测提供了新思路。

基于YOLOv4算法的机场FOD检测与管理研究

FOD对机场安全的影响不可忽视,为了有效对FOD进行检测与管理,基于机场FOD的历史统计数据,借助层次分析法对机场常见FOD的危险性进行排序,得到影响最大的6类物品作为检测目标。采用YOLOv4算法进行检测得到每类物品检测的指标,通过对指标进行分析可知该算法对碎石、铁块的检测效果最好,对螺丝、螺母相对小的物体检测结果稍有不足。并通过与Faster-RCNN、SSD算法进行横向对比得到YOLOv4算法的整体检测性能最为良好合适。最后提出了基于目标检测的机场FOD闭环管理方法。

用于FOD探测的毫米波-光电一体化复合天线设计

机场跑道异物探测是飞行安全的重要保障措施之一。从发展趋势看,“雷达+光电”的多源复合探测系统是机场跑道异物探测技术的发展方向,迫切需要高集成度、高协调性的一体化设备。文章针对跑道异物探测场景,基于光电探测和雷达原理,通过异形天线设计,高效分配毫米波探测和光学探测能力、合理规划毫米波天线口面和光学探测镜头布局,进行光学成像系统和毫米波系统的协同设计和优化,实现该复合探测系统前端最重要的一体化探测天线。该复合天线在确保最大限度发挥光电和毫米波雷达探测能力的同时,获得紧凑、合理的一体化结构,为高集成度、高性能的多源探测系统奠定技术基础。

基于CFAR和Duffing振子的FOD联合检测算法

机场跑道异物(Foreign Object Debris,FOD)对飞行器的安全运行危害巨大。图像处理识别目标,容易受到天气、光照的影响;毫米波雷达中常用的杂波图CFAR检测算法由于机场跑道的散射,在信杂比较低时,存在虚警较大的问题。针对现有的问题,提出一种CFAR与Duffing振子相结合的双层异物检测算法。利用传统的杂波图CFAR抑制杂波、设置阈值处理后,得到含有虚警信号的FOD回波信号,并提取FOD目标信号或者是虚警信号对应的频率信息,生成Duffing振子对应的本帧信号;再对FOD回波信号进行检测以剔除虚警信号,筛选出目标信号。通过Monte Carlo仿真验证了算法的有效性。

跑道FOD检测系统关键技术分析

外来物是可能损伤航空器或系统的某种外来的物质、碎屑或物体。目前,国内外跑道监察工作主要是靠人力进行,存在不足之处是监察跑道时降低交通流量和非实时监察,仍然存在运行安全隐患。开发跑道外来物检测系统,可以在不妨碍机场正常运营和飞行安全的情况下,快速、有效地对机场道面进行维护和管理。文章综述了外来物检测系统的发展情况,讨论了视频FOD检测系统的主要研究内容。

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。

车载手机无线充电的金属异物检测

针对车载手机无线充电系统安全问题日益凸显的现象,分析金属异物对无线充电系统中电磁感应的影响.首先,基于电磁感应原理构造品质因子Q算法模型,得出一种基于品质因子Q值的异物检测算法模型;然后,通过电路原理和客户需求设计车载无线充电电路,并通过仿真计算验证该异物检测算法模型的有效性.仿真结果显示,若有金属异物的工况,品质因子Q值会降低.本研究不仅能为车载无线充电系统开发提供计算模型,还能为车载充电系统的无线传感线圈参数设计提供理论依据.

机场跑道FOD检测器的研究与实现

安全是民航永恒的主题,在众多影响飞机飞行安全的因素中,机场跑道异物(FOD)占有重要的比重.在FOD防护方面,国内还处于人工检测的阶段,一方面造成巨大的人力资源浪费,另一方面也增加了人为差错的概率,严重影响飞机的飞行安全.因而可借助目前的科技手段来检测FOD,从而降低人为差错造成的检查疏漏,为飞机的飞行安全保驾护航.

民机试飞中基于图像分割和水雾模型FOD检测

机场外来物(FOD)给机场带来安全隐患。针对FOD雷达检测成本高以及环境因素限制等问题,以民机试飞跑道为对象,提出采用图像分割和水雾模型法对试飞跑道上的FOD进行智能识别,为试飞安全提供保障。研究了灰度检测、主动轮廓检测和大津法检测对FOD的识别效果。结果表明:图像灰度检测FOD轮廓存在较多的不连续区域,主动轮廓检测对单个FOD识别效果较好,采用大津法时,跑道线会对自适应阈值产生较大干扰,FOD图像轮廓与背景区别不明显。水雾模型法可以快速检测试飞跑道内的多个FOD,检测时间小于5 s,识别准确率95.67%。

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。

复杂机场道面外来异物高精度实时检测算法

机场道面外来物(foreign object debris,FOD)具有类型多样、形状各异、背景复杂、目标弱小等特点,并且严重影响飞行器安全,故其高精度实时检测具有重要意义。针对以上问题,提出基于超分辨率特征金字塔并带有纹理信息提取模块的FOD实时检测网络(FOD real-time detection network,FOD-RDN)。该网络采用Darknet-53作为主干网提取特征,通过超分辨率特征金字塔对形状各异的小目标进行检测,并设计了纹理信息提取模块降低复杂背景的干扰。同时采用双通道YOLO检测器和基于CIoU的损失函数,进一步提升网络对FOD的检测精度和速度。实验结果表明,本文算法在满足实时性要求的情况下,在FOD数据集上整体检测精度达到了91.8%,相比于主流目标检测网络在FOD目标检测方面具有更好的检测效果。

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。

融合自注意力特征嵌入的夜间机场跑道异物入侵检测

飞机在夜间起降时机场跑道上侵入的异物严重威胁航空运输安全,而暗光背景下依靠人工步行巡查小尺度异物更易留存致命的安全隐患。将智能视觉检测算法引入机场跑道异物入侵领域,针对现有模型倾向关注局部特征而造成检测精度低等问题,设计了一种融合自注意力特征嵌入的CSPTNet夜间机场跑道异物检测算法。为改善卷积神经网络关注局部特征而忽视全局特征的缺陷,将标准瓶颈模块替换为Transformer瓶颈模块,特征图子块扁平化分割后嵌入位置特征编码,有利于图像从像素表示转化为向量表示,在高维向量空间中捕捉像素间关系。采用多头自注意力机制从注意力分支子空间中获取不同分支聚合的特征信息,从而实现全局特征与局部特征信息的融合。针对数据集目标尺度较小导致轮廓边缘模糊以及定位困难等问题,引入CIoU损失函数以实现预测框尺寸和中心位置的修正优化,提高异物目标轮廓的定位精确性。实验结果表明,本文模型的检测速度达到38 frame/s,满足实时检测的要求;平均精度最高为88.1%,应用融合自注意力特征嵌入的Transformer模块相比于标准瓶颈模块提升5.7%,与当前先进的YOLOv5模型相比提升5.2%,从而验证了CSPTNet算法对夜间机场跑道异物检测的有效性和工程实用性。

机场跑道异物监测雷达关键技术

机场道面的异物(FOD)监测是保障民航飞机安全的重要措施之一,毫米波调频连续波(FM-CW)雷达可全天候、全天时自动监测机场跑道的异物,是近几年出现的新兴技术。介绍了FOD监测系统的国内外现状和美国联邦航空局(FAA)最新发布的FOD监测设备标准,分析了FOD监测雷达组成和原理,在此基础上,讨论了FOD监测雷达天线、微波射频组件、信号处理和数据处理中的关键技术。

基于计算机视觉的机场跑道异物检测识别系统

介绍了基于计算机视觉的机场跑道异物检测和识别系统。首先介绍了其总体结构,然后提出一种基于边缘特征的异物检测方法,最后提出了基于Gabor纹理的异物特征提取方法,并以此为依据进行分类。模拟实验表明,该系统方案切实可行,相应的算法能够取得较高的检测性能,系统识别率可达82.5%。

基于MMEM-ISM方法的机场外来物风险影响因素分析

为有效预防和控制机场外来物(FOD)危害,依据MMEM风险辨识方法,从人、物、环境、管理四方面对FOD的风险影响因素进行分析,建立FOD风险影响因素体系。运用解释结构模型ISM方法,通过风险因素两两对比建立风险因素之间的相邻矩阵,然后生成可达矩阵并划分风险因素层级,最终形成6级多层递阶解释结构模型。通过分析FOD风险影响因素结构模型,得到了FOD风险的表层直接影响因素、中间层间接影响因素和深层影响因素。结果表明,多层递阶解释结构模型可以直观反映各风险因素之间的因果和层次关系。

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Duffing振子的机场异物自动判决算法

基于毫米波雷达的机场异物(FOD)检测技术具有高分辨率和低功耗的特点,但是传统恒虚警(CFAR)类检测算法在低信杂比(SCR)情况下虚警过高。该文提出一种基于Duffing振子的FOD检测算法。该算法首先利用杂波图CFAR检测算法将雷达接收机接收回波中的背景杂波初步分离,获得目标(包含虚警)的距离信息,并利用该信息构造Duffing方程,之后将此方程作为系统检测模型,输入接收回波信号,求解输出信号方差,采用方差极值法区分目标和虚警。仿真结果表明,在低信杂比情况下,即使虚警概率为10^(–3),该文检测算法也可以降低虚警率,实现目标与虚警的自动判决。与传统CFAR检测算法相比,该算法的检测概率高于传统检测算法且随信杂比的下降减小速度缓慢,即使在信杂比–30 dB的情况下所提算法仍然可以保持84%的检测概率。