基于CNN的FOD检测设计

基于CNN的FOD检测设计(论文12000字)
摘要：机场跑道异物（FOD）对飞机在跑道上的起降安全存在严重威胁。需要设计有效的机场跑道异物检测系统，对FOD检测报警。近年来，随着深度学习理论的飞速发展，深度学习在不同领域都有着广泛应用。特别是计算机视觉领域，利用卷积神经网络对图像进行处理，展现很高的应用价值。
本文运用TensorFlow框架，对LeNet-5模型做了一些优化和改进，组成了机场跑道异物检测模型。该模型共分6层，前四层为卷积层、池化层重复叠加，卷积后加入非线性激活函数激活；后面两层为全连接层，最终输出两个结果。经过不断优化调试后，最终模型的准确率达到92%。
关键词：FOD、卷积神经网络、深度学习、TensorFlow

Design of FOD detection based on CNN
Abstract：Airport runway foreign matter (FOD) poses a serious threat to the aircraft's takeoff and landing safety on the runway. It is necessary to design an effective airport runway foreign object detection system to detect alarms for FOD. In recent years, with the rapid development of deep learning theory, deep learning has been widely used in different fields. Especially in the field of computer vision, the use of convolutional neural networks to process images, showing high application value.
In this paper, using the TensorFlow framework, some optimizations and improvements are made to the LeNet-5 model to form a foreign object detection model for the airport runway. The model is divided into 6 layers. The first four layers are convolutional layers and the pooling layer is repeatedly superimposed. After the convolution, a nonlinear activation function is added to activate; the latter two layers are fully connected layers, and finally two results are output. After continuous optimization and debugging, the accuracy of the final model reached 92%.
Key words：FOD, convolutional neural network, deep learning, TensorFlow

目录
第一章 绪论    1
1.1机场跑道异物及其危害    1
1.2 机场跑道异物检测研究现状    1
1.3 深度学习在图像识别领域的应用    2
1.4 本文的主要研究内容与安排    4
第二章 深度学习与卷积神经网络    5
2.1 深度学习发展简述    5
2.1.1 从神经元到前向传播网络    5
2.1.2 从前向传播网络到深层次神经网络    6
2.1.3 深层神经网络的兴起    6
2.2 卷积神经网络    7
2.2.1 基本网络结构    7
2.2.2 卷积层    7
2.2.3 池化层    8
2.3 神经网络优化    8
2.3.1 梯度下降法    8
2.3.2 学习率    9
2.3.3 正则化    9
2.3.4 Dropout    10
2.4 本章小结    10
第三章 基于TensorFlow框架搭建CNN模型    11
3.1 TensorFlow简介    11
3.1.1 TensorFlow计算模型——计算图    11
3.1.2 TensorFlow数据模型——张量    11
3.1.3 TensorFlow运行模型——会话    11
3.2 搭建神经网络    12
3.2.1 制作tfrecords数据集    12
3.2.2 前向传播网络    12
3.2.3 反向传播过程    13
3.2.4 测试训练模型    14
3.3 本章小结    15
第四章 实验结果分析    16
4.1 输入数据预处理    16
4.1.1 改变输入大小    16
4.1.2 打乱输入排序    16
4.1.3 预输入图片锐化    17
4.2 调整模型参数    17
4.2.1 更换激活函数    17
4.2.2 调整dropout    18
4.3 本章小结    18
第五章 总结与展望    20
5.1 总结    20
5.2 展望    20
参考文献    21
致谢    22