文献类型：期刊文章

作　　者：郭九霞[1] 李金润[1] 王义龙[2] 李静远[1] 唐锐[3]

GUO Jiuxia;LI Jinrun;WANG Yilong;LI Jingyuan;TANG Rui(School of Air Traffic Management,Civil Aviation Flight University of China,Guanghan 618307;Recruitment Office,Civil Aviation Flight University of China,Guanghan 618307;Flight Planning Department,Civil Aviation Administration Operation Monitoring Center,Beijing 100710)

机构地区：[1]中国民用航空飞行学院空中交通管理学院,广汉618307 [2]中国民用航空飞行学院招生处,广汉618307 [3]民航局运行监控中心飞行计划处,北京100710

出　　处：《舰船电子工程》

基　　金：国家自然科学基金项目(编号:72201268);四川省自然科学基金项目(编号:U2333207);四川省社会科学基金项目(编号:SCJJ23ND186);中央高校基本科研业务费专项资金(编号:PHD2023-041);民航教育人才类项目(编号:MHJY2023010);中央高校教育教学改革专项资金(编号:E2024024)资助。

年　　份：2025

卷　　号：45

期　　号：3

起止页码：119-125

语　　种：中文

收录情况：普通刊

摘　　要：为解决机场外来物检测方法存在检测稳定性差、漏检的问题,论文使用YOLOv8算法进行改进。首先,使用动态卷积ODConv,通过引入可学习的形变模块,动态调整卷积核的形状、大小及通道维度,优化卷积过程并专注于机场外来物的形状大小和尺度变化,实现对图像特征信息的高效提取;其次,设计了C2f_DAConv模块,降低了算法的参数量;然后,在PANet网络架构的基础上,融合主干网络的P2特征层,并将PANet网络架构更改为BiFPN,该网络实现了底层细节特征信息和高层语义特征信息的高效融合,减少了外来物目标特征的信息丢失;最后,为解决预测框与目标框之间的定位误差问题,更改损失函数为Inner SIoU,优化了算法的计算过程,加快了算法训练的收敛速度,同时提升了算法的检测精度。实验结果表明,改进的算法相比原YOLOv8算法,其参数量降低了35.5%,平均精度均值(mAP)达到97.3%,提升了2.0%,召回率(Re-call)为95.5%,提升了5.2%;对比分析F1曲线、P-R曲线和Recall曲线,表明改进的算法在检测稳定性方面有显著提升,能有效解决机场外来物的漏检问题。

关 键 词：改进YOLOv8算法  FOD检测  动态卷积  机场安全

分 类 号：X949[安全科学与工程类] V351.11]