跑道作为一次航空器运行的开始和结束设施,其安全是民航安全问题中最重要的一环。随着飞行流量的迅速增加,跑道侵入问题成为必须解决的安全问题,仅仅依人防无法有效避免跑道侵入发生,迫切需要通过技术手段防止跑道侵入发生。针对防止跑道侵入手段的自动化问题,本文提出了一种基于深度学习图像目标识别算法的防止跑道入侵系统,重点研究深度学习目标识别算法对图像中目标对象识别准确率,同时研究了机场摄像头布局问题,以及根据检测结果判断跑道侵入的逻辑设计。本文研究工作的重点如下。首先,对基于深度学习的图像检测算法进行了对比,根据对比结果选择了最新的Mask R-CNN算法作为本文的核心检测算法,详细解释了Mask R-CNN的算法原理,为提升算法的专用性、识别准确性以及实时性,在该算法训练所得的权重基础上利用迁移学习,对自建的机场目标数据集进行训练,提升了算法对机场特定目标的检测准确率。其次,提出具体的目标检测硬件设备的布局方法和选择依据,针对机场中不同跑道的参数,设计了摄像头的布局方法,在保证目标识别准确率的基础上,对检测结果进行汇总分析,判断航空器的相对位置,设计了一种数字逻辑电路完成对跑道侵入事件的判定。最后,搭建了可供实验室验证系统有效性的硬件、软件平台,并根据实际的机场运行环境,设计并搭建了按比例缩小的机场沙盘模型,开发了一个展示系统防止跑道侵入效果的软件,设计了设备间数据传递的通道,完成对系统的实时性、准确性和有效性的验证。实验结果表明,对跑道侵入事件的检测准确率可达到90%以上。