随着航空领域的发展,航空安全方面受到的关注越来越多,机场跑道外来异物(Foreign Object Debris,FOD)检测也成为了近年来的重点研究问题。目前典型的机场跑道FOD检测系统在获取可疑区域的光学图像后,还要通过工作人员对图像中的目标进行辨认,因此,进一步研究能够自动识别目标的FOD检测算法在降低人工成本、提高系统的检测稳定性等方面都具有重要的意义。本文以计算机视觉领域的现有研究成果为基础,根据FOD的特性对基于卷积神经网络的通用目标检测模型YOLOv3进行改进,研究更有效的机场跑道FOD检测算法。本文的主要研究内容和创新点如下:1、由于机场跑道FOD目标的尺寸偏小,目标本身包含的显著特征相对较少,目标在卷积神经网络中间层对应的特征也容易受到背景信息的干扰,增加了目标检测模型在特征提取利用方面的难度,为此,本文在第三章提出了基于注意力卷积神经网络的机场跑道FOD检测算法。首先设计了空间注意力子模块与通道注意力子模块在不同的维度上生成注意力分布图,将子模块并联后再加入残差网络中的跨层连接组成特征提取注意力模块,嵌入到YOLOv3骨干网络中的下采样位置,用于提高模型在特征提取过程中对重要特征的关注程度。之后利用两个通道注意力分支构造了特征融合注意力模块,并在YOLOv3的特征融合部分加入该模块,根据两个尺度特征之间的通道特性对融合特征图进行加权调整。通过实验表明,提出的方法通过引入注意力机制提升了模型对FOD目标的检测性能。2、由于机场跑道FOD目标属于场景中的异物,目标出现的位置和角度等方面都没有固定的规律,导致图像中同一类别的目标之间也可能存在较大的差异,限制了模型在应用过程中的泛化检测能力,为此,本文在第四章提出了基于孪生卷积神经网络的机场跑道FOD检测算法。考虑到固定式安装的光学相机对应的检测区域也相对固定,首先以YOLOv3的模型结构作为基本分支构建孪生特征提取与融合网络,把无目标情况下采集的参考图像与待检测图像分别输入到该网络的两个分支进行特征提取和特征融合,并在待检测图像特征的基础上预测目标的类别。随后构造了基于相似性的区域生成网络,将参考图像与待检测图像在同一尺度上对应的特征图同时输入该网络,根据待检测图像的特征的以及二者之间的相似性对目标的边框和对应区域的置信度进行预测。通过实验表明,提出的方法通过综合利用参考图像与待检测图像的信息提高了模型对FOD目标的检测性能。