Objetos estranhos que invadem a pista do aeroporto durante as decolagens e aterrissagens noturnas ameaçam seriamente a segurança do transporte aéreo, e a inspeção manual para detectar objetos pequenos sob iluminação fraca tende a deixar riscos de segurança fatais. Foi introduzido um algoritmo inteligente de detecção visual no campo de invasão de objetos estranhos na pista do aeroporto. Para resolver problemas de baixa precisão de detecção devido à tendência dos modelos atuais de focar em características locais, foi projetado um algoritmo CSPTNet de detecção de objetos estranhos na pista do aeroporto noturno que integra características de autoatenção. Para melhorar as deficiências das redes neurais convolucionais que focam nas características locais e negligenciam as globais, o módulo bottleneck padrão foi substituído pelo módulo bottleneck Transformer, onde subblocos do mapa de características são achatados e incorporados com codificação posicional, facilitando a transformação da imagem de uma representação em pixels para uma representação em vetores e capturando as relações entre pixels no espaço de vetores de alta dimensão. É adotado um mecanismo de autoatenção multi-cabeça para obter informações de características agregadas de diferentes subespaços de atenção, realizando assim a fusão das características globais e locais. Para tratar problemas como contornos borrados e dificuldade de localização devido ao pequeno tamanho do objeto no conjunto de dados, a função de perda CIoU foi introduzida para otimizar o tamanho e a posição central da caixa prevista, melhorando a precisão da localização do contorno do objeto estranho. Os resultados experimentais mostram que a velocidade de detecção do modelo alcança 38 quadros por segundo, atendendo aos requisitos de detecção em tempo real; a precisão média máxima é de 88,1%, com uma melhoria de 5,7% usando o módulo Transformer integrado com as características de autoatenção em comparação com o módulo bottleneck padrão, e uma melhora de 5,2% em comparação com o modelo avançado atual YOLOv5, validando assim a eficácia e a aplicabilidade prática do algoritmo CSPTNet para a detecção de objetos estranhos em pistas de aeroporto noturnas.

pista do aeroporto noturno;detecção de invasão de objetos estranhos;perda de localização de objeto;integração de características;autoatenção multi-cabeça