邓乐武，成金涛，曾苏凡

(航空工业成都飞机工业(集团)有限责任公司，四川 成都 610091)

目前,飞机进行飞行前检查时通常采用唱检的方式，依据检查单内容，检查飞机座舱开关、关键部位保险销、起落架等是否符合放飞要求。以座舱开关为例，机务人员需确认座舱上所有开关的状态是否正确。由于开关较小、数目过多，部分外观又大体相同，且排列较为紧密(如图1所示)，人为检查非常容易出现错、漏检的情况，进而引发飞行安全问题。所以，用机器来代替人工进行检查是必然趋势，能有效降低人为出错率，保障飞机放飞的安全性。

图1 典型飞机座舱开关

目前常见的基于深度学习的目标检测方法有 CNN(Convolutional Neural Networks)、R-CNN(Region-CNN)、Fast R-CNN、Faster R-CNN、YOLO算法(You Only Look Once:Unified,Real-Time Object Detection)等。典型算法Faster R-CNN虽然在目标检测应用领域(如行人、车辆识别[1]等)具有不错的识别准确率。但座舱开关图像中开关具有目标较小、数量多、背景复杂且存在部分遮挡等特点，若直接应用Faster R-CNN算法识别座舱开关状态，识别效果不稳定，易出现部分遮挡开关漏检或开关状态误检等情况。

针对提取的特征网络可能影响开关检测及状态识别准确率问题，以Faster R-CNN算法为基础，以座舱开关为具体检测对象，针对座舱开关状态识别的特殊环境和需求，对Faster R-CNN算法相关部分进行改进，并设计相关的实验验证改进后的Faster R-CNN算法的可行性和准确率。

1 相关工作

传统机器视觉的目标检测方法一般先从图片中提取候选区域，然后用方向梯度直方图(Histogram of Oriented Gradient，HOG)[2]等提取特征，最后用支持向量机(Support Vector Machines，SVM)[3]、Adaboost[4]等分类器进行分类。……