一种基于YOLOv8网络架构的机场飞鸟检测方法

为克服机场飞鸟检测中人工观测准确率低、速度慢、雷达探测造价高的缺点,保障民航安全运行,采用深度学习目标检测算法实现对机场附近飞鸟的精确感知。为提高YOLOv8对重要特征的关注度,在颈部添加高效通道注意力(Efficient Channel Attention, ECA),使网络在增加少量参数的情况下获得较明显的精度提升。提出多分支C3(Multi-branch C3,MBC3)模块,通过引入具有不同感受野的卷积分支结构以增强模块的表达能力。探究了不同网络宽度及深度对模型性能的影响并为模型选择合适的宽度与深度因子。为减少小飞鸟特征丢失问题,提出了浅层特征-路径聚合网络(Shallow Feature-Path Aggregation Network, SF-PAN)。在机场飞鸟数据集上测试,结果表明,改进YOLOv8的mAP@50达到82.9%,相比原YOLOv8提升了2.4%;其速度达到31 frame/s。改进YOLOv8满足机场飞鸟检测实时性和精确性的要求,为复杂环境下机场鸟类检测提供了一种新思路。