多尺度特征融合的机场跑道异物检测与识别算法OA北大核心CSTPCD

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。