基于YOLOv5-s的机场道面异物目标检测OA北大核心CSTPCD
为解决目前基于光学图像的机场道面异物(FOD)检测技术存在的环境条件变异性大及小目标检测精度低的问题,提出一种基于YOLOv5-s的道面异物目标检测改进算法.引入暗通道先验技术实现对雾化图像数据的特征复原,采用多尺度特征提取策略、卷积注意力模块(CBAM)、双向特征金字塔结构(BiFPN)和解耦组合预测结构增强模型对各尺度目标的检测能力.研究结果表明:雾化数据经过去雾复原后,在同一检测算法上的平均精度mAP0.5:0.95增加了7.62%;在相同测试集的试验条件下,改进算法相比于原始算法有7%的精度提升;在对各尺度目标的测试下,改进算法对分辨率尺寸小于32×32像素的小目标检测性能提升最为明显,mAP0.5提高了38.40%.所提出的改进算法实现了道面异物目标的高精度检测,为FOD实时检测系统的搭建提供了一种新的有效手段.
赵晓康;牛振兴;张久鹏;王艺淳;刘奇;程科;邓晋阳;
长安大学公路学院,西安710064 民航机场智慧建造与维养重点实验室,西安710064长安大学公路学院,西安710064东南大学交通学院,南京211189西安咸阳国际机场股份有限公司,咸阳712000
交通运输
机场道面异物检测图像识别深度学习卷积神经网络
《东南大学学报（自然科学版）》 2024 (005)
P.1239-1250 / 12
国家重点研发计划资助项目(2021YFB2600602);西安咸阳国际机场创新资助项目(CWAG-XY-2022-FW-0299);重大工程材料服役安全研究评价设施国家重大科技基础设施开放课题基金资助项目(MSAF-2023-108).
评论