郭晓静，隋昊达

中国民航大学 电子信息与自动化学院，天津300300

机场跑道异物（Foreign Object Debris，FOD）指的是任何不属于机场道面，却因各种原因被遗留在机场运行区域的外来物质，典型的有金属器件、机械工具、防水塑料布、碎石块、瓶子、动植物等[1]。机场跑道异物会对航空器的安全造成巨大危害，许多航空事故都是由于跑道异物引起的，因此对机场跑道异物检测算法的研究具有重要价值。

机场的外界环境是不断变化的，出现在跑道上的异物类型是不确定的，如何在变化的背景条件下有效检测不确定的异物目标是需要解决的关键问题。传统的FOD 目标检测算法主要采用人工设计的特征来进行异物检测，需要运用大量的先验知识和技巧来设计一个特征提取器[2]。但由于外部光照条件的变化、异物类型的复杂性以及视频设备的缺陷等因素，道面背景及异物目标的图像特征通常是不确定的，对于某种特定背景及异物目标，或许研究出的算法具有较好的检测效果，而当约束条件改变，尤其当主要的异物目标图像特征发生变化时，算法就会失去效果[3]。

与传统的目标检测算法不同，基于卷积神经网络（Convolutional Neural Network，CNN）的目标检测算法可以通过已有数据自动学习目标特征，相比于HOG、SIFT、LBP 等特征有更好的表达效果，可以适应多样化背景与目标类型[4]。基于CNN 的目标检测算法可以分为两类：一类是以Fast-RCNN（Region-Conventional Neural Network）[5]、Faster-RCNN[6]、Mask R-CNN[7]等为代表的基于候选区域的目标检测算法，这类算法通常具有良好的检测精度，但普遍存在检测速度较慢的缺点；……