改进YOLOv5的机场跑道异物目标检测算法

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mAP_50:95，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。