通航機(jī)場(chǎng)場(chǎng)面運(yùn)動(dòng)目標(biāo)檢測(cè)方法

夏正洪， 魏汝祥*， 屠佳， 李彥冬

(1.中國(guó)民用航空飛行學(xué)院空中交通管理學(xué)院， 廣漢 618307;2. 國(guó)防科技大學(xué)國(guó)際關(guān)系學(xué)院， 南京 410073)

目前，民用機(jī)場(chǎng)的監(jiān)視手段主要有場(chǎng)監(jiān)雷達(dá)、多點(diǎn)定位、自動(dòng)相關(guān)監(jiān)視(automatic dependent surveillance broadcast, ADS-B)存在成本較高、有監(jiān)視盲區(qū)、易受天氣的影響的缺點(diǎn)，不能完全滿足通航機(jī)場(chǎng)場(chǎng)面運(yùn)行的監(jiān)視需求。因此，如何實(shí)現(xiàn)對(duì)通航機(jī)場(chǎng)場(chǎng)面全天時(shí)、低成本的監(jiān)視，以及對(duì)場(chǎng)面運(yùn)動(dòng)目標(biāo)的檢測(cè)成為提升通航機(jī)場(chǎng)運(yùn)行安全的關(guān)鍵。

國(guó)內(nèi)外關(guān)于目標(biāo)檢測(cè)問(wèn)題的研究成果已較為豐富，深度學(xué)習(xí)算法更是得到了廣泛的應(yīng)用。2018年， Redmon等[1]在前兩代的基礎(chǔ)上提出性能更好的YOLOv3(you only look once-v3)目標(biāo)檢測(cè)模型，模型使用殘差模塊和利用特征金字塔網(wǎng)絡(luò)(feature pyramid network，F(xiàn)PN)架構(gòu)實(shí)現(xiàn)了多尺度檢測(cè)，提高了模型的精度。2020年， Liu等[2]對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使用YOLOv3算法對(duì)蘋(píng)果進(jìn)行檢測(cè)并應(yīng)用到水果收割機(jī)器人中。2021年，Singh 等[3]提出一種基于YOLOv3算法檢測(cè)人員是否佩戴口罩的方法，并與區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(region-convolution neural network，R-CNN)算法做對(duì)比，實(shí)驗(yàn)結(jié)果表明YOLOv3算法的效果更優(yōu)。Shakarami 等[4]提出一種基于改進(jìn)YOLOv3的血細(xì)胞檢測(cè)方法，該方法使用膨脹卷積把握全局的特征信息，并改進(jìn)激活函數(shù)提高模型收斂速度以及模型精度。

現(xiàn)有基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究成果研究大致可分為3類(lèi)：一是改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)，主要有改變神經(jīng)網(wǎng)絡(luò)層數(shù)或檢測(cè)尺度，該方法應(yīng)用場(chǎng)景有遙感圖像中對(duì)飛機(jī)的檢測(cè)[5]，對(duì)街道行人的檢測(cè)[6]；二是調(diào)整錨框，該方法主要的應(yīng)用場(chǎng)景有對(duì)艦船的雷達(dá)影像目標(biāo)的檢測(cè)[7]、機(jī)場(chǎng)跑道異物檢測(cè)[8]、對(duì)非合作無(wú)人機(jī)的檢測(cè)[9]；三是修改卷積結(jié)構(gòu)，應(yīng)用場(chǎng)景主要有車(chē)輛和行人的檢測(cè)[10]、水下生物的檢測(cè)[11]。可見(jiàn)，現(xiàn)有研究成果雖然在目標(biāo)檢測(cè)方面取得了一定的效果，但檢測(cè)結(jié)果的精度和速度還有提升空間。目前，目標(biāo)檢測(cè)在通航機(jī)場(chǎng)的應(yīng)用還未出現(xiàn)。

因此，現(xiàn)提出一種改進(jìn)的YOLOv3算法，使用深度可分離卷積結(jié)構(gòu)替換原卷積實(shí)現(xiàn)卷積結(jié)構(gòu)的改進(jìn)，使用距離交并比(distance intersection over union，DIoU)[12]作為損失函數(shù)，并采用遷移和凍結(jié)相結(jié)合的訓(xùn)練方法，以期獲得更好的目標(biāo)檢測(cè)精度和更快的檢測(cè)速度，從而保障通航機(jī)場(chǎng)場(chǎng)面運(yùn)行安全。

1 改進(jìn)的YOLOv3算法

1.1 YOLOv3算法的缺陷

YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)是由1個(gè)主干網(wǎng)絡(luò)(darknet-53)和3個(gè)FPN的預(yù)測(cè)分支構(gòu)成。darknet-53網(wǎng)絡(luò)中的卷積層是特征提取的核心，負(fù)責(zé)提取圖像的局部特征。在傳統(tǒng)YOLOv3算法的卷積運(yùn)算中，輸入通道要對(duì)各過(guò)濾器中的卷積核進(jìn)行遍歷，以便更好地掌握全局特征信息，但其運(yùn)算速度也會(huì)降低，并且會(huì)出現(xiàn)很多的不必要冗余信息，占用大量?jī)?nèi)存。通道數(shù)越多、參與運(yùn)算的參數(shù)越多、冗余信息會(huì)呈指數(shù)量級(jí)增加，從而降低模型的檢測(cè)速度。

YOLOv3算法通過(guò)反向傳遞損失值的方法調(diào)整各層參數(shù)使模型達(dá)到擬合狀態(tài)。損失值由位置損失、分類(lèi)損失和置信度損失3部分構(gòu)成。其中，位置損失計(jì)算中的交并比(intersection over union，IoU)表示預(yù)測(cè)框與真實(shí)框之間的交并比，可用來(lái)評(píng)價(jià)檢測(cè)框與真實(shí)框的貼合程度。

(1)

式(1)中：B為預(yù)測(cè)框；Bgt為真實(shí)框。則IoU損失函數(shù)為

(2)

當(dāng)預(yù)測(cè)框與真實(shí)框沒(méi)有交集時(shí)，IoU的值為0。此時(shí)，損失函數(shù)無(wú)法為模型回傳梯度，導(dǎo)致模型的收斂速度較慢。同時(shí)，IoU也不能清楚地反映預(yù)測(cè)框與真實(shí)框的相交方式，因此在回傳梯度也會(huì)增加誤差，導(dǎo)致回歸效果變差。

1.2 主干網(wǎng)絡(luò)的改進(jìn)

為了提高檢測(cè)速度和精度，結(jié)合深度可分離卷積和FPN結(jié)構(gòu)，提出一種低運(yùn)算量、層數(shù)少的主干網(wǎng)絡(luò)用于特征提取和預(yù)測(cè)。卷積過(guò)程如圖1所示，移除了傳統(tǒng)卷積冗余表達(dá)，將特征提取與組合過(guò)程分為了逐通道(depthwise, Dw)卷積和卷積核尺寸為1×1的逐點(diǎn)(pointwise, Pw)卷積。Dw的卷積核與傳統(tǒng)卷積核相同，但是一個(gè)卷積核只負(fù)責(zé)一個(gè)通道的卷積操作。Pw是一個(gè)1×1×x(x為通道數(shù))的常規(guī)卷積，它將Dw提取的特征信息在深度方向進(jìn)行疊加，得到最終的Maps。

圖1 深度可分離卷積的卷積過(guò)程

首先，輸入彩色三通道圖片，尺寸為416×416×3，接著對(duì)每個(gè)輸入通道分別使用一個(gè)3×3卷積核進(jìn)行卷積操作，卷積操作是基于滑動(dòng)窗口思想在圖片上滑動(dòng)，每滑動(dòng)一次，卷積核與圖片窗口內(nèi)的對(duì)應(yīng)元素進(jìn)行加權(quán)求和得到特征信息。之后，每個(gè)卷積核生成的單通道特征圖經(jīng)過(guò)1×1×x逐點(diǎn)卷積進(jìn)行深度疊加，最終得到x個(gè)特征圖。與傳統(tǒng)卷積相比，深度可分離卷積大大減少了運(yùn)算參數(shù)量，如表1所示。

表1 普通卷積與深度可分離卷積對(duì)比

可見(jiàn)，在兩者輸入通道和輸出通道相同時(shí)，運(yùn)算參數(shù)減少量為24x-27，而且參數(shù)的減少量與輸出通道數(shù)成正比，輸出通道數(shù)越多效果越明顯。本文算法的主干網(wǎng)絡(luò)的卷積層使用32、64、128、256、512、1 024作為輸出通道，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

Type為類(lèi)型; Filters為過(guò)濾器; Size為尺寸; Output size為輸出尺寸; Input為輸入; Zero-padding為零填充;Convolutional為卷積; DwC為逐通道卷積; PwC為逐點(diǎn)卷積; Up sampling為上采樣; Concatenate為連接層; Conv Layer為卷積層; BN Layer為批量標(biāo)準(zhǔn)化層; LeakyRelu Layer為L(zhǎng)eakyRelu激活函數(shù)層

基于深度可分離卷積改進(jìn)的YOLOv3神經(jīng)網(wǎng)絡(luò)延續(xù)了其darknet-53網(wǎng)絡(luò)結(jié)構(gòu)，將深度可分離卷積與darknet-53網(wǎng)絡(luò)結(jié)構(gòu)融合。其中，主干網(wǎng)絡(luò)結(jié)構(gòu)由零填充層、逐通道卷積和逐點(diǎn)卷積構(gòu)成，使用深度可分離卷積提取特征信息，減少了主干網(wǎng)絡(luò)參與運(yùn)算的參數(shù)，從而提高了模型運(yùn)行速度。然后，通過(guò)3個(gè)預(yù)測(cè)分支在主干網(wǎng)絡(luò)的中、中下和底層進(jìn)行多尺度融合預(yù)測(cè)目標(biāo)。為了防止預(yù)測(cè)精度下降，預(yù)測(cè)分支全部由傳統(tǒng)卷積構(gòu)成。

1.3 損失函數(shù)的改進(jìn)

針對(duì)使用IoU作為損失函數(shù)時(shí)存在收斂速度慢和損失值不夠精確的問(wèn)題，提出采用距離交并比(distance intersection over union，DIoU)代替IoU的方案。DIoU考慮了兩框的重疊區(qū)域和中心點(diǎn)距離，在IoU的損失函數(shù)里加入了新的懲罰項(xiàng)，可在預(yù)測(cè)框與真實(shí)框無(wú)相交的情況下回傳梯度，并且可最小化預(yù)測(cè)框與真實(shí)框之間的距離，從而加快回歸速度。

(3)

式(3)中：c為同時(shí)包含預(yù)測(cè)框和真實(shí)框的最小閉合區(qū)域的對(duì)角線距離；ρ(B,Bgt)為預(yù)測(cè)框與真實(shí)框的中心點(diǎn)距離。則DIoU的損失函數(shù)公式為

(4)

當(dāng)預(yù)測(cè)框與真實(shí)框不相交時(shí)，DIoU損失函數(shù)的值仍然大于1，表示預(yù)測(cè)框仍可向真實(shí)框的方向移動(dòng)。LDIoU可使預(yù)測(cè)框與真實(shí)框中心點(diǎn)的距離最小化，從而加快了訓(xùn)練時(shí)模型收斂速度。同時(shí)，當(dāng)預(yù)測(cè)框與真實(shí)框相交時(shí)，懲罰項(xiàng)會(huì)使損失值變得更加精確。可見(jiàn)，使用DIoU代替IoU作為模型的位置損失函數(shù)，從而提高模型訓(xùn)練速度和精度。

1.4 評(píng)價(jià)指標(biāo)

為驗(yàn)證本文算法在目標(biāo)檢測(cè)方面的效果，使用平均正確率(average precision，AP)值、精確率(precision，P)、召回率(recall，R)、平均精度(mean average precision，mAP)來(lái)進(jìn)行評(píng)價(jià)。其中，精確率P是指在所有檢測(cè)出的目標(biāo)中實(shí)際為正確目標(biāo)的概率，召回率R是指在所有實(shí)際目標(biāo)中被正確預(yù)測(cè)出來(lái)的概率。

(5)

(6)

式中：TP為將正類(lèi)預(yù)測(cè)為正類(lèi)數(shù)量；FN為將正類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)量；FP為將負(fù)類(lèi)預(yù)測(cè)為正類(lèi)數(shù)量；TN為將負(fù)類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)量。

以召回率為橫坐標(biāo)軸、精確率為縱坐標(biāo)軸的P-R曲線所圍成的圖形面積值可用來(lái)衡量某類(lèi)目標(biāo)預(yù)測(cè)的性能，即AP值。實(shí)際計(jì)算的時(shí)候可采用積分方法來(lái)得到該值。而所有種類(lèi)目標(biāo)AP值的平均值，可用來(lái)衡量模型的總體性能，即mAP。

2 基于改進(jìn)YOLOv3的通航機(jī)場(chǎng)場(chǎng)面目標(biāo)檢測(cè)

2.1 場(chǎng)景描述

研究對(duì)象是西南某通航機(jī)場(chǎng)，該機(jī)場(chǎng)的飛行區(qū)等級(jí)為4C級(jí)別，屬于A1類(lèi)跑道型通用機(jī)場(chǎng)，跑道長(zhǎng)度2 200 m，寬45 m。各類(lèi)駐場(chǎng)飛機(jī)40架，包括獎(jiǎng)狀CJ-1/M2、西銳20(Cirrus SR20)、塞斯納(Cessna-172R)、鉆石42(DA42NG)等飛機(jī)。實(shí)驗(yàn)所用數(shù)據(jù)集類(lèi)型為PASCAL VOC數(shù)據(jù)集，PASCAL VOC數(shù)據(jù)集是最早用于目標(biāo)檢測(cè)任務(wù)的數(shù)據(jù)集，包括20個(gè)類(lèi)別和超過(guò)3萬(wàn)張用于訓(xùn)練和檢測(cè)的圖片以及79 000多個(gè)檢測(cè)目標(biāo)。實(shí)驗(yàn)環(huán)境是在開(kāi)源框架 Keras和TensorFlow上實(shí)現(xiàn)，電腦配置如下：7代AMD處理器，內(nèi)存16 G ，獨(dú)立顯卡NVIDIA GeForce RTX 2070 SUPER。

2.2 目標(biāo)檢測(cè)流程

基于改進(jìn)YOLOv3算法的通航機(jī)場(chǎng)場(chǎng)面目標(biāo)檢測(cè)流程如圖3所示。

圖3 通航機(jī)場(chǎng)場(chǎng)面運(yùn)動(dòng)目標(biāo)檢測(cè)流程

首先進(jìn)行數(shù)據(jù)集的搜集與制作，由于沒(méi)有專(zhuān)用的通航機(jī)場(chǎng)場(chǎng)面運(yùn)動(dòng)目標(biāo)的數(shù)據(jù)集，因此只能通過(guò)對(duì)場(chǎng)面監(jiān)視視頻進(jìn)行分析處理，獲得正常天氣、雨天和霧天場(chǎng)景下的圖片2 000張，采用Labeling方法對(duì)圖片進(jìn)行標(biāo)注，獲得訓(xùn)練集和測(cè)試集各1 000張，檢測(cè)目標(biāo)種類(lèi)共分為3類(lèi)，分別是aeroplane、person、car。

圖4(a)是正常天氣場(chǎng)景，包含1個(gè)標(biāo)注的停在機(jī)坪的aeroplane目標(biāo)和5個(gè)標(biāo)注的person目標(biāo)；圖4(b)是雨天場(chǎng)景，包括1個(gè)標(biāo)注的正在起飛的aeroplane目標(biāo)；圖4(c)是霧天場(chǎng)景，包括1個(gè)標(biāo)注的正在進(jìn)近的aeroplane目標(biāo)。

圖4 通航機(jī)場(chǎng)場(chǎng)面視頻監(jiān)控人工標(biāo)注圖像

模型訓(xùn)練的實(shí)現(xiàn)通過(guò)預(yù)訓(xùn)練、遷移學(xué)習(xí)和凍結(jié)學(xué)習(xí)3個(gè)主要步驟完成。其中，遷移訓(xùn)練是指在大型數(shù)據(jù)集上訓(xùn)練得到預(yù)訓(xùn)練權(quán)重基礎(chǔ)上，再對(duì)模型參數(shù)進(jìn)行訓(xùn)練，可顯著提升模型的學(xué)習(xí)效率；凍結(jié)訓(xùn)練是在遷移訓(xùn)練上的基礎(chǔ)上，凍結(jié)預(yù)訓(xùn)練權(quán)重前半部分權(quán)重，再通過(guò)訓(xùn)練調(diào)整預(yù)訓(xùn)練權(quán)重后半部分參數(shù)，當(dāng)loss值不降且升時(shí)解凍網(wǎng)絡(luò)進(jìn)行全局微調(diào)，最終完成訓(xùn)練得到權(quán)重。在傳入樣本圖片訓(xùn)練前，數(shù)據(jù)增強(qiáng)單元會(huì)隨機(jī)調(diào)整圖片曝光率、亮度、大小等參數(shù)，從而豐富數(shù)據(jù)集樣本。根據(jù)訓(xùn)練實(shí)際情況設(shè)置凍結(jié)前150層網(wǎng)絡(luò)，score閾值為0.5，batch_size為20，max _boxes值為20，model_image_size為(416×416)，初始學(xué)習(xí)率為0.001。然后，載入預(yù)訓(xùn)練權(quán)重開(kāi)始訓(xùn)練，當(dāng)訓(xùn)練到loss值不降反升時(shí)進(jìn)行解凍訓(xùn)練，設(shè)置batch_size為30，學(xué)習(xí)率為0.000 1，其余參數(shù)不變。經(jīng)過(guò)820次訓(xùn)練后，得到檢測(cè)效果如圖5所示。

可見(jiàn)，改進(jìn)的YOLOv3算法可以實(shí)現(xiàn)機(jī)場(chǎng)場(chǎng)面目標(biāo)的檢測(cè)，并對(duì)目標(biāo)的位置和置信度進(jìn)行標(biāo)定。圖5(a)表示模型在正常天氣情況下對(duì)目標(biāo)的檢測(cè)，共檢測(cè)到4個(gè)目標(biāo)，可知對(duì)aeroplane目標(biāo)識(shí)別精確率明顯高于對(duì)car目標(biāo)識(shí)別精確率。其中，目標(biāo)[aeroplane 0.98 220 208 248 293]表示此目標(biāo)種類(lèi)為aeroplane，置信度98%，目標(biāo)框中心點(diǎn)的相對(duì)圖片坐標(biāo)為(220，208)，高和寬分別是248和293，檢測(cè)速度為0.76 s每張圖片。圖5(b)表示模型在雨天天氣情況下對(duì)目標(biāo)的檢測(cè)，共檢測(cè)到3個(gè)目標(biāo)，可知對(duì)aeroplane目標(biāo)識(shí)別精確率顯高于對(duì)person目標(biāo)識(shí)別精確率。

圖5 不同場(chǎng)景下基于改進(jìn)的YOLOv3算法的圖片檢測(cè)效果圖

其中，目標(biāo)[aeroplane 0.99 387 518 433 686]表示此目標(biāo)種類(lèi)為aeroplane，置信度99%，目標(biāo)框中心點(diǎn)的相對(duì)圖片坐標(biāo)為(387，518)，高和寬分別是433和686，檢測(cè)速度為0.30 s每張圖片。圖5(c)表示模型在霧天天氣情況下對(duì)目標(biāo)的檢測(cè)，共檢測(cè)到4個(gè)目標(biāo)，1個(gè)目標(biāo)漏檢。可知對(duì)aeroplane目標(biāo)識(shí)別精確率明顯高于對(duì)person目標(biāo)識(shí)別精確率。

其中，目標(biāo)[aeroplane 0.99 222 312 253 408]表示此目標(biāo)種類(lèi)為aeroplane，置信度99%，目標(biāo)框中心點(diǎn)的相對(duì)圖片坐標(biāo)為(222，312)，高和寬分別是253和408，檢測(cè)速度為0.73 s每張圖片。

2.3 不同場(chǎng)景下的檢測(cè)結(jié)果對(duì)比

根據(jù)目標(biāo)檢測(cè)的相關(guān)評(píng)價(jià)指標(biāo)[式(5)～式(7)]，得到各個(gè)目標(biāo)類(lèi)別的召回率(R)、精確率(P)、AP值如表2所示。

表2 不同場(chǎng)景下各類(lèi)的召回率、精確率和AP

aeroplane目標(biāo)在正常天氣、雨天、霧天3種場(chǎng)景下的精確度均高達(dá)98%左右，但召回率在雨天有明顯的降低，AP值則變化不明顯，均大于92%。person目標(biāo)在正常天氣、雨天、霧天三種場(chǎng)景下的精確度差異特別明顯，其中在正常天氣情況下最高值可達(dá)86.39%；召回率和AP值的大小排序均為正常天氣、霧天和雨天，其中對(duì)在雨天檢測(cè)的召回率和AP值非常低。car目標(biāo)在3種場(chǎng)景下的精確度均大于86.83%，但雨天場(chǎng)景下car目標(biāo)的召回率比霧天高，AP值僅比aeroplane目標(biāo)的AP值略小。可見(jiàn)，本文算法對(duì)正常天氣情況下的通航機(jī)場(chǎng)場(chǎng)面運(yùn)動(dòng)目標(biāo)整體檢測(cè)效果最佳，霧天場(chǎng)景下的檢測(cè)效果次之，雨天場(chǎng)景下的檢測(cè)效果較差。3種場(chǎng)景下對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)效果排序?yàn)閍eroplane、car、person。究其原因是飛機(jī)目標(biāo)相對(duì)于車(chē)輛和行人的尺寸都要大，即本文算法對(duì)小目標(biāo)的識(shí)別效果相對(duì)較差。

2.4 與其他算法效果對(duì)比

為了驗(yàn)證本文算法性能，將其與傳統(tǒng)的YOLOv4算法和文獻(xiàn)[13]所用算法在相同的場(chǎng)景中進(jìn)行對(duì)比實(shí)驗(yàn)，性能對(duì)比結(jié)果如表3所示。

表3 3種算法的性能對(duì)比

實(shí)驗(yàn)可知，本文算法對(duì)正常天氣情況下通航機(jī)場(chǎng)場(chǎng)面目標(biāo)檢測(cè)結(jié)果的精確率、召回率、平均精度值與幀數(shù)分別為92.96%、80.51%、91.96%和74.0幀/s，比傳統(tǒng)的YOLOv4算法提升了8.6%、86.8%、47.7%和66.3%。得益于改進(jìn)后的主干網(wǎng)絡(luò)內(nèi)參與運(yùn)算參數(shù)大大減少，而且精確度也絲毫不遜色于YOLOv4，同時(shí)由DIoU函數(shù)改進(jìn)的損失函數(shù)在訓(xùn)練時(shí)提高了模型的精確度，加快了訓(xùn)練速度。項(xiàng)目組在文獻(xiàn)[13]中采用了傳統(tǒng)的YOLOv3算法對(duì)通航機(jī)場(chǎng)場(chǎng)面目標(biāo)進(jìn)行了檢測(cè)，使用的是MSCOCO類(lèi)型數(shù)據(jù)集，并采用遷移學(xué)習(xí)策略，最終得到目標(biāo)識(shí)別的精確率和召回率分別是82%和78%。與之相比，本文算法采用PASCAL VOC數(shù)據(jù)集對(duì)視頻數(shù)據(jù)進(jìn)行人工標(biāo)注，并采用遷移和凍結(jié)相結(jié)合的訓(xùn)練策略，目標(biāo)檢測(cè)結(jié)果精確度提升了13.4%，召回率提升了3.2%，檢測(cè)速度提升了64.4%。

3 結(jié)論

(1)提出了一種改進(jìn)的YOLOv3算法，對(duì)算法的主干網(wǎng)絡(luò)和損失函數(shù)進(jìn)行了改進(jìn)，并將其應(yīng)用到通航機(jī)場(chǎng)場(chǎng)面目標(biāo)檢測(cè)問(wèn)題中，對(duì)飛機(jī)目標(biāo)的檢測(cè)效果要明顯優(yōu)于車(chē)輛和行人目標(biāo)。

(2)通過(guò)正常天氣情況、雨天、霧天場(chǎng)景下的目標(biāo)識(shí)別結(jié)果的對(duì)比分析，發(fā)現(xiàn)本文算法更適合正常天氣情況的通航機(jī)場(chǎng)場(chǎng)面運(yùn)動(dòng)目標(biāo)檢測(cè)，霧天場(chǎng)景檢測(cè)效果次之，雨天場(chǎng)景檢測(cè)效果有待改進(jìn)。

(3)改進(jìn)的YOLOv3算法對(duì)目標(biāo)的檢測(cè)精確度、召回率、平均精度值分別達(dá)到 92.96%、80.51%、91.96%，GPU處理速度為74幀/s，較傳統(tǒng)YOLOv3算法和YOLOv4算法性能均有明顯提升。