文献类型：期刊文章

作　　者：李小军[1] 邓月明[1] 陈正浩[1] 何鑫[2]

LI Xiaojun;DENG Yueming;CHEN Zhenghao;HE Xin(College of Information Science and Engineering,Hunan Normal University,Changsha 410081,China;Hunan NovaSky Electronic Technology Co.,Ltd.,Changsha 410221,China)

机构地区：[1]湖南师范大学信息科学与工程学院,长沙410081 [2]湖南华诺星空电子技术有限公司,长沙410221

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(62173140,62072175);湖南省重点研发计划项目(2022GK2067);湖南省自然科学基金(2021JJ30452);湖南省教育厅科学研究项目(21C0008)。

年　　份：2023

卷　　号：59

期　　号：2

起止页码：202-211

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：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。

关 键 词：机场跑道异物  YOLOv5  CBAM注意力模块  RepVGG模块  

分 类 号：TP391.41] TP183[计算机类]