基于多目视觉的机场跑道异物识别系统设计.pdfVIP

摘要

机场跑道异物（ForeignObjectDebris，FOD）指的是遗落在机场跑道上并威胁飞行安

全的外来物体，未及时清理会导致严重的航空事故，因此对FOD检测识别的研究具有重

要应用价值。针对机场跑道异物检测需求，本研究设计了一种车载式巡检装置，该系统集

成视觉传感器与信息处理模块，构建融合传统图像检测与深度卷积神经网络的混合式识

别框架，重点解决微小目标识别与实时响应等关键技术难题，最终实现FOD的精准定位

与智能分类。主要研究内容如下：

（1）根据车载式跑道异物识别系统的特点，设计一种多目视觉协同采集架构，采用

四目同步触发机制替代传统时序差分法的单目序列采集模式，通过多视角图像叠加实现

目标反射特性的信号能量累积，强化微小异物的体积特征表达，以便进行图像分割完成目

标检测，最后根据检测结果进行异物识别，完成FOD危险等级划分。

（2）针对图像配准与目标检测精度低、易受噪声干扰的问题，提出一种改进多目配

准算法及双通道并行处理架构的异物检测策略。为了解决尺度不变特征变换（Scale

InvariantFeatureTransform，SIFT）算法在采样视角变化大情况下配准效果差的问题，提

出改进仿射不变特征变换（AffineScaleInvariantFeatureTransform，ASIFT）配准策略，

提高特征点检测数量与准确度。在此基础上，设计动态权重随机抽样一致算法（Random

SampleConsensus，RANSAC），通过引入临时模型预检测机制有效剔除误匹配样本，动

态调整采样概率以加速模型收敛。聚焦于多视角影像的异物检测难题，本研究提出基于对

角线差分增强的特征提取方法，同时引入交并比计算与双阶段阈值算法，有效剔除由单一

视角噪声或外部环境干扰导致的误检。以上改进方法在实验中展现了良好精度和效率。

（3）为减少跑道占用时间并准确判断异物危险等级，研究了基于YOLOv8的改进异

物识别方法。针对传统检测难以应对跑道异物复杂形态特征及小目标高占比场景时存在

的局限性，引入FasterBlock模块与指数滑动平均（ExponentialMovingAverage，EMA）

注意力机制，降低计算复杂度并提升特征提取效率。设计重校准特征金字塔网络，结合空

间双向注意力（SpatialBidirectionalAttention,SBA）模块及小目标检测层，增强多尺度特

征融合能力。采用SlideLoss损失函数，平衡样本不均问题并聚焦难例学习。通过上述改

进，模型实现了异物的精准识别与危险等级划分，为快速、合理处置提供有效支持。

（4）设计并实现了FOD识别系统的硬件架构与算法框架。基于PyCharm集成开发

环境构建了包含目标检测、智能识别与风险划分的软件体系，采用计算机视觉算法实现视

频流实时解析、异物检测与分类识别等功能。

关键词：四目相机；图像配准算法；目标检测；YOLO识别

Abstract

ForeignObjectDebris(FOD)referstoforeignobjectsleftonairportrunwaysthatposea

threattoflightsafety.Ifnotpromptlyremoved,FODcanleadtosevereaviationaccidents,

makingresearchintoFODdetectionandidentificationofsignificantpracticalvalue.Toaddress

theneedforFODdetectiononairportrunways,thisstudydesignedavehicle-mountedinspection

device.Thesystemintegratesvisualsensorswithinformationprocessingmodules,establishing

ahybridrecognitionframeworkthatcombinestr