基于频域动态特征空间聚合的机场跑道夜间异物侵入检测方法(FDI-Net)

为解决夜间机场跑道异物(FOD)检测中低光照成像质量差导致的漏检误检问题，研究人员提出频域干扰网络(FDI-Net)，通过频域自适应调谐(FDAT)模块和动态粒度聚合干扰(DGAI)模块，在嵌入式边缘计算平台上实现十类FOD目标检测，最高达97.9% mAP50准确率，为航空安全提供智能解决方案。

　　

航空运输安全领域长期面临夜间机场跑道异物(Foreign Object Debris, FOD)检测的严峻挑战。金属零件、碎石块等FOD在低光照条件下因成像质量退化，极易导致传统检测方法出现漏检误检，直接威胁飞机起降安全。据统计，全球每年因FOD引发的航空事故造成的经济损失超40亿美元。尽管现有深度学习算法在白天场景表现良好，但夜间图像灰度压缩、纹理模糊等特性使得中小尺度FOD检测成为行业痛点。

针对这一难题，中国某高校研究团队在《Expert Systems with Applications》发表研究，提出创新性的频域动态特征空间聚合检测网络(Frequency-Domain Interference Network, FDI-Net)。该系统通过频域信号重构与动态干扰机制，在嵌入式平台上实现对10类FOD的实时高精度检测。研究团队基于中国民航局(CAAC)和美国联邦航空管理局(FAAA)安全标准，自主构建涵盖典型跑道异物的数据集，采用CSPNet骨干网络进行多尺度特征提取。关键技术包含：频域自适应调谐(FDAT)模块通过快速傅里叶变换(FFT)构建行/列像素频域特征，动态调节频谱参数以增强纹理特征；动态粒度聚合干扰(DGAI)模块利用正弦/余弦波干涉效应聚合细粒度特征，有效抑制背景干扰。

网络结构
研究采用CSPNet作为主干网络，其跨阶段部分连接结构能高效提取夜间FOD的多尺度特征。FDAT模块创新性地将空间特征转换为频率-相位双谱表示，通过可学习权重动态优化特征空间。实验表明该模块使小目标特征信噪比提升62%。

训练环境与评估指标
在NVIDIA GTX 3060硬件环境下，模型输入分辨率640×640，训练300个epoch。测试结果显示，FDI-Net在mAP₅₀、mAP₇₅和mAP_50-95指标上分别达到97.9%、89.8%和77.6%，对金属零件等危险物的检测准确率最高达99.5%。

结论
该研究首次将频域干涉原理引入FOD检测领域，FDAT与DGAI模块的协同作用显著提升夜间场景下的特征区分度。系统部署于边缘设备后实现每秒24帧实时处理，较传统方法降低83%能耗。作者团队特别指出，该方法为《民航安全生产专项整治三年行动方案》提供了关键技术支撑，其频域特征重组策略可扩展至其他低光照检测场景。

讨论
论文创新点在于将物理光学干涉原理与深度学习结合，动态权重机制使网络能自适应不同照度条件。尽管在雾天场景表现有待提升，但该技术已通过机场实地测试，检测精度满足CAAC AC-137-CNAS-2023标准要求。研究成果为智能跑道监测系统的国产化研发奠定理论基础，相关技术已申请发明专利3项。