[论文解读] FOD-A: A Dataset for Foreign Object Debris in Airports

Travis Munyer, Pei-Chi Huang+2 more|arXiv (Cornell University)|Oct 6, 2021

Advanced Neural Network Applications参考文献 15被引用 14

一句话总结

本文介绍了FOD-A，这是一个公开可用的大规模机场环境外国物体碎片（FOD）图像数据集，包含31类物体和三万多个带边界框及环境条件（光照和天气）标注的实例。该数据集旨在支持鲁棒的物体检测与环境分类，对SOTA模型（如YOLOv3和SSD）构成高挑战，其中SSD在验证数据上的准确率达到71.81%，平均IOU为68.05%。

ABSTRACT

Foreign Object Debris (FOD) detection has attracted increased attention in the area of machine learning and computer vision. However, a robust and publicly available image dataset for FOD has not been initialized. To this end, this paper introduces an image dataset of FOD, named FOD in Airports (FOD-A). FOD-A object categories have been selected based on guidance from prior documentation and related research by the Federal Aviation Administration (FAA). In addition to the primary annotations of bounding boxes for object detection, FOD-A provides labeled environmental conditions. As such, each annotation instance is further categorized into three light level categories (bright, dim, and dark) and two weather categories (dry and wet). Currently, FOD-A has released 31 object categories and over 30,000 annotation instances. This paper presents the creation methodology, discusses the publicly available dataset extension process, and demonstrates the practicality of FOD-A with widely used machine learning models for object detection.

研究动机与目标

• 为解决机场环境中外国物体碎片（FOD）检测缺乏公开可用、全面且真实的图像数据集的问题。
• 构建一个可扩展且可扩展的图像数据集，真实反映机场环境中的光照与天气变化。
• 支持鲁棒的机器学习与计算机视觉模型在FOD检测中的开发与基准测试。
• 提供环境标注（光照：明亮/昏暗/黑暗；天气：干燥/潮湿），以增强模型的泛化能力与实际应用性。
• 通过提供标准化、公开可访问的数据集及已记录的扩展流程，为未来自动化FOD检测研究奠定基础。

提出的方法

• FOD-A数据集基于在不同光照与天气条件下采集的真实机场图像构建，以模拟真实的运行环境。
• 物体类别依据联邦航空管理局（FAA）文件及先前研究选定，涵盖31种常见FOD类型，如工具、行李、碎片及飞机部件。
• 每张图像实例均包含用于物体检测的边界框标注，以及用于光照等级（明亮/昏暗/黑暗）和天气（干燥/潮湿）的类别标注。
• 开发了一种可扩展的数据管理框架，以确保未来可新增图像与物体类别，同时保持一致性与标注质量。
• 使用标准物体检测模型——YOLOv3与SSD——在验证数据上评估数据集性能，以衡量检测准确率与定位能力（平均IOU）。
• 基于MobileNetV2并采用迁移学习训练了一个二分类模型，用于根据天气条件（潮湿 vs. 干燥）对图像进行分类，验证了环境标注的实用性。

实验结果

研究问题

• RQ1 如何系统性地创建并维护一个全面的、公开可用的机场环境FOD图像数据集？
• RQ2 在FOD检测模型中引入环境条件（光照与天气）在多大程度上提升了其鲁棒性？
• RQ3 SOTA物体检测模型在专为FOD设计的数据集上的表现，与在通用数据集上的表现相比如何？
• RQ4 环境标注（光照与天气）能否在FOD检测流程中有效用于辅助分类任务？
• RQ5 使用现代深度学习模型在真实世界、机场专用数据集上进行FOD检测的实际可行性与挑战程度如何？

主要发现

• FOD-A数据集包含31类物体和三万多个标注实例，其规模与多样性显著超越了以往的FOD数据集。
• YOLOv3在FOD-A验证集上的分类准确率为12.42%，平均IOU为47.58%，表明尽管定位能力尚可，但分类性能极差。
• SSD优于YOLOv3，分类准确率达到71.81%，平均IOU为68.05%，表明其在FOD-A数据集上具有更好的泛化能力。
• 基于MobileNetV2的二分类天气识别模型在区分潮湿与干燥条件方面表现出高准确率，证实了环境标注的实用性。
• 该数据集在光照与天气条件上的复杂性与多样性使其成为极具挑战性的基准，凸显了未来FOD检测算法改进的必要性。
• 该数据集具备可扩展性，已记录了未来更新与扩展的流程，确保了研究社区的长期可用性。