一种基于深度学习的机场停机位入侵的检测方法与流程

一种基于深度学习的机场停机位入侵的检测方法
[技术领域]
[0001]
本发明涉及机场停机位管理，尤其涉及一种基于深度学习的机场停机位入侵的检测方法。
[

背景技术：
]
[0002]
航空运输具有快速、远程、舒适，安全的特点，在现代交通运输体系中具有不可替代的优势，在政治、经济、文化、社会建设中发挥着越来越重要的作用。随着我国航空运输业的高速发展，对如何高效、严格执行机场作业的监管要求显得更加重要。
[0003]
停机位是飞机停靠的位置，是地勤保障的重要组成部分，所以保障停机位安全和对机位入侵检测时飞机安全停靠的重要工作之一。根据民航规定，以下情况时不允许目标非法进入停机区域：一是停机位范围内没有飞机停靠，不允许任何人员和特种车辆进入；二是，当飞机正在泊位(飞机前轮未停靠到指定停机线上)，不允许任何人员和特种车辆进入；三是，当飞机开始离位时，除了离位保障人员和飞机牵引车外，不允许任何目标进入。
[0004]
当飞机停靠到预置位置后，可以允许相关的作业人员和特种车辆进入，他们负责飞机引导、廊桥对接、行李运输、餐饮运输、保洁、安全检测、加油和充电等操作。停机坪的环境分为白天、黑夜、雨天、晴天。在传统的检测方式中，主要是通过现场摄像头传回实时的视频，用人眼去判断停机位是否存在入侵的情况，需要花费极高的人力成本和时间成本。
[0005]
申请号为cn202010326296.1的发明公开了一种机场停机位入侵检测方法及其系统，检测方法包括以下步骤：实时获取监控图像，求监控图像前视视角与停机位俯视视角的透视变换矩阵；判断监控图像中飞机是否进入停机位；对飞机未进入停机位的监控图像进行检测，得到每个目标像素点集和目标标签的矩阵；对所述矩阵进行变换得到俯视视角的变换后矩阵；判断变换后矩阵中每个目标的所有像素点是否都进入停机位区域，若全部进入，则判断为停机位有入侵物。该发明基于yolov3模型，对现场进行目标检测，得到目标矩阵信息，然后通过矩阵进行变换，得到俯视视角的变换矩阵；然后判断变换后矩阵中的每个目标是否进入停机位区域。该发明存在以下缺点：采用的yolov3检测模型检测精度较低、检测速度较慢。(2)该发明只针对停机位无飞机的情况，没有考虑到飞机泊位和离位的情况。(3)该发明没有考虑复杂环境下(白天、黑夜、晴天、雨天)的影响，在复杂天气下模型的鲁棒性不高，准确度和召回率较低。
[

技术实现要素：
]
[0006]
本发明要解决的技术问题是提供一种检测准确度高的机场停机位入侵的检测方法。
[0007]
为了解决上述技术问题，本发明采用的技术方案是，一种机场停机位入侵的检测方法，包括以下步骤：
[0008]
101)从现场摄像头获取视频流；
[0009]
102)在视频的图像中绘制停机位的区域；
[0010]
103)在图像停机位的区域内进行飞机的目标检测，判断停机位是否存在飞机停靠，必要时，进行人和车的目标检测；
[0011]
104)如果没有检测出飞机目标，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标的位置信息，判断目标是否在停机位范围，如果存在，系统进行入侵告警；
[0012]
105)如果停机位检测出飞机目标，则判断飞机是正在泊位、离位或已经停靠到指定停机线上；
[0013]
106)如果飞机处于泊位状态，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标的位置信息，判断目标是否在停机位范围，如果目标存在，系统进行入侵告警；
[0014]
107)如果飞机处于离位状态，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标类别信息和目标位置信息，除离位保障人员和牵引车外，判断是否有其他目标在停机位范围内，如果有其他目标在停机位范围内，系统进行入侵告警；
[0015]
108)如果飞机处于停靠状态，则不作进一步处理。
[0016]
以上所述的机场停机位入侵的检测方法，步骤103的目标检测包括以下步骤：
[0017]
201)收集停机坪场景下飞机及前轮、工作人员、特种车图像数据，然后对数据进行标注；
[0018]
202)通过k-means聚类算法得到先验框的尺寸，按照不同尺度聚类出9种尺寸的先验框；
[0019]
203)配置yolov4网络模型训练的参数，使用划分的训练集对预训练模型进行迭代训练，通过设置的训练策略，保存训练好的模型；
[0020]
204)通过步骤203训练好的飞机检测模型对视频帧进行飞机目标检测，获取所检测目标的目标框位置信息和置信度信息的多维数组；
[0021]
205)通过步骤204的目标检测，判断停机位上是否存在飞机目标，如果没有检测到飞机目标，就跳转到步骤206，如果已经检测到飞机目标，则跳转到步骤208.
[0022]
206)通过步骤203训练好的模型对画面中工作人员和特种车辆进行目标检测，获取所检测目标的目标框位置信息和置信度信息的多维数组，通过坐标信息计算出目标框的中心点位置；
[0023]
207)根据射线算法判断目标框的中心点是否在设置的停机位区域内，如果停机位范围内发现目标则发出告警，目标已经入侵到停机位；否则，不做处理；
[0024]
208)当检测到停机位中的飞机目标后，根据模型识别的飞机前轮目标坐标信息与停机位区域中设置的停机线坐标信息判断飞机处于泊位，离位还是已经停靠的状态；如果是已经停靠状态，则不做处理；如果判断飞机为泊位状态，则返回执行步骤206和步骤207进行操作；如果飞机为离位状态，则进行步骤 209操作；
[0025]
209)通过特种车检测模型，设置判断逻辑条件，识别停机位内车辆目标，排除牵引车的影响；通过工作人员检测模型，设置判断逻辑条件，排除工作人员的影响；识别停机位工作人员目标，返回目标的坐标信息，根据人员目标坐标信息判断工作人员在停机位中的位置；并确定人员是否为飞机离位保障人员，如确定人员不是飞机离位保障人员，则返回执
行步骤206和步骤207进行操作。
[0026]
以上所述的机场停机位入侵的检测方法，步骤201包括以下步骤：
[0027]
301)使用多个不同角度的固定摄像头在各个停机坪场景下拍摄图像，对每张图像进行人工标注；每张图像中每个飞机、飞机的前轮、操作人员、特种车都有相应的检测框，检测框标记为[(x1,y1),(x2,y2)]，(x1,y1)为检测框的左上角坐标，(x2,y2)为检测框的右下角坐标；标签类型包括飞机、飞机前轮、穿反光衣人体、穿普通工作服人体、普通人体和特种车辆；
[0028]
302)使用数据增强方法减少网络的过拟合现象，训练泛化能力更强的网络；数据增强包括对数据样本进行数据合成、随机裁剪、翻转、颜色抖动、加入噪声和/或旋转；
[0029]
303)对图像数据进行二次处理，通过以下操作进行图片增强：转灰度图
‑ꢀ
二维卷积-图像数组位深转化，使图像中目标的边缘纹理清晰；
[0030]
304)最后形成飞机及前轮、工作人员、特种车辆数据库。
[0031]
以上所述的机场停机位入侵的检测方法，步骤202包括以下步骤：k-means 算法，即k均值聚类算法，其步骤包括，预将数据分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象代表一个聚类，每分配一个样本，聚类的聚类中心根据聚类中现有的对象被重新计算；这个过程将不断重复直到满足设定的终止条件；对于给定的一个包含n 个d维数据点的数据集x以及要分得的类别k,选取欧氏距离作为相似度指标，聚类目标是使得各类的聚类平方和最小，即最小化，公式如下：
[0032][0033]
以上所述的机场停机位入侵的检测方法，步骤203包括以下步骤：
[0034]
501)目标检测模型包括飞机检测模型、工作人员检测模型和特种车辆检测模型，飞机检测模型的目标是飞机和飞机前轮；工作人员检测模型的目标包括反光衣人体、穿普通工作服人体和普通人体；特种车辆检测模型的目标包括机场内的所有车辆类型；
[0035]
502)模型的训练流程包括，首先把图片输入到cspdarknet53主干网络中，进行特征提取，生成不同尺度的特征图，输入格式为：608*608*3，生成多尺度特征图的格式为：76*76*256，38*38*512和19*19*1024；
[0036]
503)通过spp pan结构融合不同尺寸特征图的特征信息；
[0037]
504)把特征信息输入到置信度预测器，获取置信度图信度图的格式为 76*76*21，38*38*21和19*19*21；通过置信度图与目标图真实值信息，计算每个尺度特征的类别损失、置信度损失和位置损失；把3个尺度的特征图的3 个类型的损失值加起来，得出模型总的损失值；
[0038]
501)通过总的损失函数信息，利用随机梯度下降的方式，进行反向传播，不断迭代更新模型的网络权重。
[0039]
以上所述的机场停机位入侵的检测方法，步骤207包括以下步骤：
[0040]
601)在图像中描绘出停机位的形状，获取停机位形状每个像素点的坐标信息，然后利用opencv的cvpolyline函数，在图像中描绘出停机位的位置，将停机位区域的轮廓简化为多边形；
[0041]
602)通过射线法判断目标框的中心点是否在停机位区域内：根据多边形的所有点的集合，筛选出多边形最大的x坐标maxlng、最小的x坐标minlng、最大的y坐标maxlat和最小的y坐标minlat，分别比较中心点的x坐标x 与maxlng和minlng的值，分别比较中心点的y坐标y与maxlat和minlat 的值，当x》maxlng或者x《minlng或者y》maxlat或者y《minlat的时候，可以判断中心点在区域外，目标在区域外；
[0042]
603)当不满足上述条件，则进一步对中心点位置进行判断，循环判断中心点的的x坐标x和y坐标y与停机位多边形区域的坐标点xi和yi是否存在相同的点，如果有，则判断中心点与多边形的点重合，目标在区域内；
[0043]
604)判断多边形任一线段的两个端点是否分别在射线两侧，以判断所述的线段是否与所述射线所在的直线与存在交点；当设定射线方向是沿着中心点水平向左时，利用以下公式计算射线所在直线与所述线段交点的x坐标：
[0044][0045]
605)如果xeg＝x，判定交点就是中心点位置，认为目标在区域内；如果xseg《x, 判断交点在中心点的左侧，交点数累计加1；循环所有多边形的线段做判断，当交点数为奇数，可以判断中心点在区域内，认为目标在停机位范围内；当交点为偶数，则判断中心点不在区域内，认为目标不在停机位范围内。
[0046]
以上所述的机场停机位入侵的检测方法，步骤208包括以下步骤：
[0047]
701)通过飞机检测模型，识别出飞机目标和飞机前轮目标的坐标信息，飞机目标和飞机前轮目标的目标中心点信息；
[0048]
702)通过对比停机线区域坐标位置与目标中心点信息，计算两点之间的欧氏距离，根据欧氏距离的变化情况，如果距离越来越小，可以判断飞机正在泊位；如果距离越来越大，可以判断飞机正在离位，然后启动工作人员和特种车检测模块，执行后续步骤。
[0049]
本发明机场停机位入侵的检测方法充分考虑到飞机泊位和离位的情况，引入多尺度目标检测，检测的准确度高，泛化能力强，符合实际业务场景的使用要求。
[附图说明]
[0050]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0051]
图1是本发明实施例机场停机位入侵的检测方法的流程图。
[0052]
图2是本发明实施例判断目标是否在入侵区域的流程图。
[0053]
图3是本发明实施例模型训练的流程图。
[0054]
图4是本发明实施例模型的整体结构框图。
[0055]
图5是本发明实施例射线法判断目标中心点的示意图之一。
[0056]
图6是本发明实施例射线法判断目标中心点的示意图之二。
[0057]
图7是本发明实施例计算射线与线段交点x坐标的示意图。
[具体实施方式]
[0058]
本发明实施例公开了一种基于深度学习的机场停机位入侵检测方法，其流程如图1所示，主要流程包括以下步骤：
[0059]
1、从现场摄像头获取视频流。
[0060]
2、在视频图像中绘制停机位的区域。
[0061]
3、在图像区域内进行飞机目标检测，判断停机位是否存在飞机停靠，必要时，进行人和车的目标检测。
[0062]
4、如果没有检测出飞机目标，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标的位置信息，判断目标是否在停机位范围，如果存在，系统进行入侵告警。
[0063]
5、如果停机位检测出飞机目标，则判断飞机是正在泊位，或是离位，或是已经停靠到指定停机线上。
[0064]
6、如果飞机处于泊位状态，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标的位置信息，判断目标是否在停机位范围，如果目标存在，系统进行入侵告警。
[0065]
7、如果飞机处于离位状态，则启动人体和特种车检测模块，获取图像中工作人员和特种车目标的位置信息，通过目标类别信息和目标位置信息，除开离位保障人员和牵引车外，判断是否有其他目标在停机位范围内，如果有其他目标在停机位范围内，系统进行入侵告警。
[0066]
8、如果飞机处于停靠状态，则无需处理。
[0067]
本发明实施例的基于深度学习的机场停机位入侵检测方法，判断目标是否在入侵区域的流程如图2所示，首先通过目标检测获取目标框的信息 (x1,y1,w,h)，然后通过上述坐标信息计算出目标框的中心点的位置坐标，再通过射线法，判断目标中心点是否在区域内，从而判断检测的目标是否入侵到指定区域内。其具体步骤如下：
[0068]
s1:收集停机坪场景下飞机及前轮、工作人员、特种车图像数据，然后对数据进行标注。
[0069]
s2:通过k-means聚类算法得到先验框的尺寸，按照不同尺度聚类出9种尺寸的先验框。因为yolov4网络最后生成多尺度特征图的格式为：76*76*256， 38*38*512和19*19*1024，每个特征图定义3个先验框，所以一共有9个先验框，
[0070]
s3:配置yolov4网络模型训练的参数，使用划分的训练集对预训练模型进行迭代训练，通过设置的训练策略，保存训练好的模型。
[0071]
s4：通过步骤s3训练好的飞机检测模型对视频帧进行飞机目标检测，获取所检测目标的目标框位置信息和置信度信息的多维数组。
[0072]
s5：通过步骤s4的目标检测，判断停机位上是否存在飞机目标，如果没有检测到飞机目标，那么跳转到步骤s6，如果已经检测到飞机目标，则跳转到步骤s8.
[0073]
s6：通过步骤s3训练好的模型对画面中工作人员、特种车辆进行目标检测，获取所检测目标的目标框位置信息和置信度信息的多维数组，通过坐标信息计算出目标框的中心点位置，坐标信息包括矩形目标框的左上角的xy坐标信息，右下角的xy坐标信息。
[0074]
s7：根据射线算法(奇偶规则法)，判断目标中心点是否在设置的停机位区域内，如果停机位范围内发现目标则发出告警，警示目标已经入侵到停机位。否则，不做处理，无需进行步骤s8操作。
[0075]
s8：当检测到停机位中的飞机目标后，根据模型识别的飞机前轮目标坐标信息与
停机位区域中设置的停机线坐标信息判断飞机处于泊位，离位还是已经停靠的状态；如果是已经停靠状态，则不做处理。如果判断飞机为泊位状态，则返回执行步骤s6和步骤s7操作。如果飞机为离位状态，则进行步骤s9操作。
[0076]
s9：通过特种车检测模型，设置判断逻辑条件，识别停机位内车辆目标，排除牵引车的影响；通过工作人员检测模型，设置判断逻辑条件，排除工作人员的影响；识别停机位工作人员目标，返回目标的坐标信息，根据人员目标坐标信息判断工作人员在停机位中的位置；并确定人员是否为飞机离位保障人员，如确定人员不是飞机离位保障人员，则返回执行步骤s6和步骤s7进行操作。
[0077]
步骤s1的详细描述：
[0078]
(1)使用不同角度的固定摄像头在各个停机坪场景(包括白天、黑夜、雨天和晴天)下拍摄图像，对每张图像进行人工标注。每张图像中每架飞机、飞机的前轮、操作人员、特种车都有相应的检测框，检测框标记为 [(x1,y1),(x2,y2)]，(x1,y1)表示的是检测框左上角坐标，(x2,y2)则表示检测框的右下角坐标。标注需要检测的目标类型，分为：飞机、飞机前轮、穿反光衣人体、穿普通工作服人体、普通人体、特种车辆。
[0079]
(2)针对现场数据量不足的情况，使用数据增强方法减少网络的过拟合现象，训练泛化能力更强的网络。数据增强包括对数据样本进行数据合成、随机裁剪、翻转、颜色抖动、加入噪声、旋转等方法。
[0080]
(3)因为飞机前轮属于小目标，而且现场环境复杂(白天、黑夜、雨天和晴天)，在恶劣环境下增加了小目标识别的难度，为了更好的识别飞机和飞机前轮，需要对图像数据进行二次处理，通过以下操作进行图片增强：转灰度图-二维卷积-图像数组位深转化，，此步骤使用opencv的函数方法实现，转灰度图使用cvtcolor函数实现，二维卷积使用flip和filter2d函数并行运算实现，图像数组位深转化使用convertscaleabs函数实现，使图像中目标的边缘纹理更加清晰，有助于小目标的检测。
[0081]
(4)最后形成飞机及前轮、工作人员、特种车辆多维特征信息数据库。
[0082]
步骤s2的详细描述：
[0083]
(1)k-means算法，即k均值聚类算法(k-means clustering algorithm) 是一种迭代求解的聚类分析算法，其步骤是，预将数据分为k组，则随机选取k 个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。对于给定的一个包含n个d维数据点的数据集x以及要分得的类别k,选取欧式距离作为相似度指标，聚类目标是使得各类的聚类平方和最小，即最小化，公式如下：
[0084][0085]
上式中，k为参数，把n个数据对象分成k个簇；x为样本，数量为n； u为k个簇的随机质心点。j是为数据集合，即计算数据对象到这k个点的距离，并选择距离最近的，组成一个集合。重新计算每个集合中的数据对象的均值，将均值作为全新的聚类中心点，新的聚类中心点已经存在，在此基础上，对整个数据对象重新计算到聚类中心点的距离，重新分簇，再次计算均值，再次分簇，一直不停的迭代，直至所有的数据对象无法更新到其他的数据集
中。
[0086]
步骤s3的详细描述：
[0087]
(1)目标检测模型有三个，一个是飞机检测模型，目标是飞机、飞机前轮；第二个是工作人员检测模型，包括的目标有反光衣人体、穿普通工作服人体和普通人体。第三个是特种车辆检测模型，目标是机场内的所有车辆类型。
[0088]
(2)模型的训练流程如图3所示，首先把图片输入到cspdarknet53主干网络中，进行特征提取，最后生成不同尺度的特征图，输入格式为：608*608*3，生成多尺度特征图的格式为：76*76*256，38*38*512，19*19*1024。
[0089]
(3)然后通过spp pan结构融合不同尺寸特征图的特征信息。
[0090]
(4)把特征输入到置信度预测器，获取置信度图(76*76*21，38*38*21， 19*19*21)。通过置信度图与目标图真实值信息，(人工标注的目标在图像中的位置和类别信息)计算每个尺度特征的类别损失、置信度损失和位置损失。把三个尺度的特征图的三个类型的损失值公式加起来，得出模型总的损失值公式。
[0091]
(5)最后通过总的损失值公式，利用随机梯度下降的方式，进行反向传播，
[0092]
不断迭代更新模型的网络权重。
[0093]
模型的整体结构如图4所示。yolov4网络的结构可分为三部分：主干网络 (backbone)、颈部网络(neck)和头部(head)，主干网络即主干特征提取网络， cspdarknet53包含了堆叠次数分别为1、2、8、8、4的五个残差模块，如图所示，在尺寸为608
×
608
×
3的图片输入后，其利用卷积不断地进行特征提取，图片的宽和高连续被压缩而通道数不断得到扩张，最终得到三个输出特征层。颈部网络也称加强特征提取网络，yolov4采用了spp模块和panet网络作为颈部网络。spp分别采用13x13、9x9、5x5和1x1不同池化核大小的最大池化对cspdarknet53最后的输出特征层进行处理，使其感受野扩宽，增强对特征图的提取能力，有效地防止过拟合。yolov4则采用了更好的pan网络取代之，实现特征更有效的融合。yolov4的头部结构采用三尺度输出，用于对不同尺寸大小的目标进行检测，尺寸为原输入尺寸1/8、1/16和1/32的头部分别进行大、中、小目标的检测。头部结构的深度表示边界框偏移量、置信度、类别和先验框，且每个尺度输出都有三个不同尺寸的先验框。
[0094]
步骤s7的详细描述：
[0095]
(1)在图像中描绘出停机位的形状，获取停机位形状每个像素点的坐标信息，然后利用opencv的cvpolyline函数，在图像中描绘出停机位的位置，将停机位区域的轮廓简化为多边形，多边形的图形根据实际的停机位在摄像机中的位置确定。
[0096]
(2)如图5和图6所示，通过射线法判断目标中心点是否在停机位区域内：射线法就是以判断点开始，向右(或向左)的水平方向作一射线，计算该射线与多边形每条边的交点个数，如果交点个数为奇数，则判断点位于多边形内，如果交点个数为偶数则判断点位于多边形外，
[0097]
(3)根据多边形的所有点的集合，筛选出多边形最大的x坐标maxlng、最小的x坐标minlng、最大的y坐标maxlat和最小的y坐标minlat，分别比较中心点的x坐标x与maxlng和minlng的值，分别比较中心点的y坐标y与maxlat 和minlat的值，当x》maxlng或者x《minlng或者y》maxlat或者y《minlat的时候，可以判断中心点在区域外，目标在区域外。
[0098]
(4)当不能满足上述条件，则进一步对中心点位置进行判断，循环判断中心点的的
x坐标x和y坐标y与停机位多边形区域的坐标点xi和yi是否存在相同的点，如果有，则判断中心点与多边形的点重合，目标在区域内。
[0099]
(5)判断多变形的线段两个端点是否分别在射线的两侧，如图7所示，线段的坐标为(x1,y1),(x2,y2)，如果当y》y1并且y《y2或者y》y2并且y《y1，可以判断中心点的射线与线段是存在交点。因为图示设定射线方向是沿着中心点水平向左，所以需要判断射线与多边形线段的交点是在中心点的左侧还是右侧，利用以下公式计算射线与线段交点的x坐标：
[0100][0101]
(公式中,p_x和p_y为判断点的xy坐标值，ex,ey,sx,sy为线段两个顶点的坐标值)
[0102]
(6)如果xeg＝x，那么可以判断交点就是中心点位置，可以认为目标在区域内；如果xseg《x,那么就可以判断交点在中心点的左侧，交点数累计加1，然后循环所有多边形的线段做判断，当交点数为奇数，可以判断中心点在区域内，认为目标在停机位范围内，当交点为偶数，则判断中心点不在区域内，认为目标不在停机位范围内。
[0103]
步骤s8的详细描述：
[0104]
(1)通过飞机检测模型，识别出飞机目标框和飞机前轮目标框的中心点位置，目标的中心信息(x,y,w,h)包括目标中心点坐标x,y,中心、矩形框的宽w和高h。
[0105]
(2)通过对比停机线中心点坐标与目标中心点坐标，计算两点之间的欧式距离，根据欧氏距离的变化情况，如果距离越来越小，可以判断飞机正在泊位；如果距离越来越大，可以判断飞机正在离位，然后启动工作人员和特种车检测模块，执行后续步骤。
[0106]
本发明以上实施例基于深度学习的机场停机位入侵检测方法具有以下的技术效果：
[0107]
1、对于不同天气环境下的飞机和前轮、工作人员、特种车进行目标检测，不受场景限制，准确度高。
[0108]
2、对于不同摄像头下的飞机和前轮、工作人员、特种车进行目标检测，无需人工调整阈值。
[0109]
3、目标在被遮挡后，也可以进行有效的目标检测，可以判断目标是否入侵停机位，无需人工干预。
[0110]
本发明以上实施例基于深度学习的机场停机位入侵检测方法利用庞大丰富的数据，通过强大的yolov4目标检测模型进行训练，并且充分考虑到飞机泊位和离位的情况，引入多尺度目标检测，从而使得算法的健壮性更高，泛化能力更强，更加符合实际业务场景的使用要求。