摘要：机场航拍图像检测软件使用深度学习技术检测机场航拍图像中的飞机目标等，识别航拍目标等结果并记录和保存，辅助机场智能管理运行。在介绍算法原理的同时，给出Python的实现代码、训练数据集，以及PyQt的UI界面。机场航拍检测系统主要检测飞机的数目、位置、预测置信度等；连接摄像头设备可开启实时检测功能，另外对图片、视频等文件也可进行测试和检测；登录系统提供用户注册、登录、管理功能；训练和调优的模型可有效检测，模型可选择切换。博文提供了完整的Python代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。本博文目录如下：
完整代码下载：https://mbd.pub/o/bread/ZJaXlpxp
参考视频演示：https://www.bilibili.com/video/BV11k4y1h7BP/
离线依赖库下载：https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n （提取码：oy4n ）
前言
机场航拍图像检测是指利用机载摄像机获取机场场区图像，并利用计算机视觉技术对图像进行分析和处理，以实现机场安全、运行和管理的目的。机场航拍图像检测涵盖了航道、跑道、停机坪、航站楼、机库等各个方面，包括飞机起降、滑行、停靠、维修、安检等过程。机场航拍图像检测的技术方法主要包括目标检测、图像分割、特征提取、分类识别等。其中，目标检测是机场航拍图像检测的核心技术，可以通过机器学习、深度学习等方法实现。机场航拍图像检测的应用可以提高机场安全性和运行效率，为机场管理部门提供及时准确的数据支持，也为机场服务企业和航空公司提供更好的服务。
这里给出博主设计的软件界面，同款的简约风，功能也可以满足图片、视频和摄像头的识别检测，希望大家可以喜欢，初始界面如下图：
检测飞机时的界面截图（点击图片可放大）如下图，可识别画面中存在的多个飞机，也可开启摄像头或视频检测：
详细的功能演示效果参见博主的B站视频或下一节的动图演示，觉得不错的朋友敬请点赞、关注加收藏！系统UI界面的设计工作量较大，界面美化更需仔细雕琢，大家有任何建议或意见和可在下方评论交流。
1. 效果演示
首先我们还是通过动图看一下识别的效果，系统主要实现的功能是对图片、视频和摄像头画面中的航拍图像进行识别，识别的结果可视化显示在界面和图像中，另外提供多个目标的显示选择功能，演示效果如下。
（一）用户注册登录界面
这里设计了一个登录界面，可以注册账号和密码，然后进行登录。界面还是参考了当前流行的UI设计，左侧是一个LOGO图，右侧输入账号、密码、验证码等等。
（二）选择图片识别
在系统中可以选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有识别的结果，可通过下拉选框查看单个目标的结果。本功能的界面展示如下图所示：
（三）视频识别效果展示
很多时候我们需要识别一段视频，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频逐帧识别图片中的飞机，并将结果记录在右下角表格中，效果如下图所示：
（四）摄像头检测效果展示
在真实场景中，我们往往利用设备摄像头获取实时画面，因此本文考虑到此项功能。如下图所示，点击摄像头按钮后系统进入准备状态，系统显示实时画面并开始检测画面，识别结果展示如下图：
2. 机场航拍数据集及训练
这里我们使用的航拍图像数据集，包括训练数据集708张图片，验证集68张，测试集34张图片，共计810张图片。部分数据集的图像及标注如下图所示：
每张图像均提供了图像类标记信息，图像中飞机的bounding box，飞机的关键part信息，以及飞机的属性信息，数据集并解压后得到如下的图片。
以下给出本系统项目的文件目录，其中包含了YOLOv5相关的代码以及界面设计代码，如下图所示。对于训练模型部分只需要关注train.py这个文件，训练用到的数据集、标注文件及配置文件在本项目中已配置完成。
关于这个项目，我们首先要安装python的依赖库，配置一个Python3.8然后按照requirements.txt里面的依赖装环境就可以运行了。
#请按照给定的python版本配置环境，否则可能会因依赖不兼容而出错
conda create -n env_rec python=3.8
#激活环境
activate env_rec
#使用pip安装所需的以来，可通过requirement.txt
pip install -r requirements.txt
到这，深度学习所需的环境和依赖包就准备好了，现在对整个代码目录做一个介绍：
data：主要是存放一些超参数的配置文件（这些文件（yaml文件）是用来配置训练集和测试集还有验证集的路径的，其中还包括目标检测的种类数和种类的名称）；
models：里面主要是一些网络构建的配置文件和函数，其中包含了该项目的四个不同的版本，分别为是s、m、l、x。从名字就可以看出，这几个版本的大小。他们的检测测度分别都是从快到慢，但是精确度分别是从低到高。如果训练自己的数据集，需要修改这里面相对应的yaml文件来训练自己模型。
utils：存放的是工具类的函数，里面有loss函数，metrics函数，plots函数等等。
weights：放置训练好的权重参数。
testPicture.py, testVideo.py：利用训练好的权重参数进行目标检测，可以进行图像、视频和摄像头的检测。
train.py：训练自己的数据集的函数。
requirements.txt：这是一个文本文件，里面写着使用yolov5项目的环境依赖包的一些版本，可以利用该文本导入相应版本的包。
以上就是本项目代码的整体介绍。我们训练和测试自己的数据集基本就是利用到如上的代码，这里可以运行train.py文件训练目标检测模型，以下是在终端运行训练的截图。
在深度学习中，我们通常通过损失函数下降的曲线来观察模型训练的情况。而YOLOv5训练时主要包含三个方面的损失：矩形框损失(box_loss)、置信度损失（obj_loss）和分类损失(cls_loss)，在训练结束后，我们也可以在logs目录下找到生成对若干训练过程统计图。下图为博主训练飞机识别的模型训练曲线图。
一般我们会接触到两个指标，分别是召回率recall和精度precision，两个指标p和r都是简单地从一个角度来判断模型的好坏，均是介于0到1之间的数值，其中接近于1表示模型的性能越好，接近于0表示模型的性能越差，为了综合评价目标检测的性能，一般采用均值平均密度map来进一步评估模型的好坏。我们通过设定不同的置信度的阈值，可以得到在模型在不同的阈值下所计算出的p值和r值，一般情况下，p值和r值是负相关的，绘制出来可以得到如下图所示的曲线，其中曲线的面积我们称AP，目标检测模型中每种目标可计算出一个AP值，对所有的AP值求平均则可以得到模型的mAP值，以本文为例，我们可以计算佩戴安全帽和未佩戴安全帽的两个目标的AP值，我们对两组AP值求平均，可以得到整个模型的mAP值，该值越接近1表示模型的性能越好。关于更加学术的定义大家可以在知乎或者csdn上自行查阅，以我们本次训练的模型为例，在模型结束之后你会找到图像，分别表示我们模型在验证集上的召回率、准确率和均值平均密度。
以PR-curve为例，可以看到我们的模型在验证集上的均值平均准确率为0.938。
3. 机场航拍图像检测识别
在训练完成后得到最佳模型，接下来我们将帧图像输入到这个网络进行预测，从而得到预测结果，预测方法（predict.py）部分的代码如下所示：
def predict(img):
img = torch.from_numpy(img).to(device)
img = img.half() if half else img.float()
img /= 255.0
if img.ndimension() == 3:
img = img.unsqueeze(0)
t1 = time_synchronized()
pred = model(img, augment=False)[0]
pred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes,
agnostic=opt.agnostic_nms)
t2 = time_synchronized()
InferNms = round((t2 - t1), 2)
return pred, InferNms
得到预测结果我们便可以将帧图像中的飞机框出，然后在图片上用opencv绘图操作，输出飞机的预测分数。以下是读取一个飞机图片并进行检测的脚本，首先将图片数据进行预处理后送predict进行检测，然后计算标记框的位置并在图中标注出来。
if __name__ == '__main__':
img_path = "./UI_rec/test_/airport_136_jpg"
image = cv_imread(img_path)
image = cv2.resize(image, (850, 500))
img0 = image.copy()
img = letterbox(img0, new_shape=imgsz)[0]
img = np.stack(img, 0)
img = img[:, :, ::-1].transpose(2, 0, 1) # BGR to RGB, to 3x416x416
img = np.ascontiguousarray(img)
pred, useTime = predict(img)
det = pred[0]
p, s, im0 = None, '', img0
if det is not None and len(det): # 如果有检测信息则进入
det[:, :4] = scale_coords(img.shape[1:], det[:, :4], im0.shape).round() # 把图像缩放至im0的尺寸
number_i = 0 # 类别预编号
detInfo = []
for *xyxy, conf, cls in reversed(det): # 遍历检测信息
c1, c2 = (int(xyxy[0]), int(xyxy[1])), (int(xyxy[2]), int(xyxy[3]))
# 将检测信息添加到字典中
detInfo.append([names[int(cls)], [c1[0], c1[1], c2[0], c2[1]], '%.2f' % conf])
number_i += 1 # 编号数+1
label = '%s %.2f' % (names[int(cls)], conf)
# 画出检测到的目标物
plot_one_box(image, xyxy, label=label, color=colors[int(cls)])
# 实时显示检测画面
cv2.imshow('Stream', image)
# if cv2.waitKey(1) & 0xFF == ord('q'):
# break
c = cv2.waitKey(0) & 0xff
执行得到的结果如下图所示，图中飞机的种类和置信度值都标注出来了，预测速度较快。基于此模型我们可以将其设计成一个带有界面的系统，在界面上选择图片、视频或摄像头然后调用模型进行检测。
博主对整个系统进行了详细测试，最终开发出一版流畅得到清新界面，就是博文演示部分的展示，完整的UI界面、测试图片视频、代码文件，以及Python离线依赖包（方便安装运行，也可自行配置环境），均已打包上传，感兴趣的朋友可以通过下载链接获取。
下载链接
若您想获得博文中涉及的实现完整全部程序文件（包括测试图片、视频，py, UI文件等，如下图），这里已打包上传至博主的面包多平台，见可参考博客与视频，已将所有涉及的文件同时打包到里面，点击即可运行，完整文件截图如下：
在文件夹下的资源显示如下，下面的链接中也给出了Python的离线依赖包，读者可在正确安装Anaconda和Pycharm软件后，复制离线依赖包至项目目录下进行安装，离线依赖的使用详细演示也可见本人B站视频：win11从头安装软件和配置环境运行深度学习项目、Win10中使用pycharm和anaconda进行python环境配置教程。
注意：该代码采用Pycharm+Python3.8开发，经过测试能成功运行，运行界面的主程序为runMain.py和LoginUI.py，测试图片脚本可运行testPicture.py，测试视频脚本可运行testVideo.py。为确保程序顺利运行，请按照requirements.txt配置Python依赖包的版本。Python版本：3.8，请勿使用其他版本，详见requirements.txt文件；
完整资源中包含数据集及训练代码，环境配置与界面中文字、图片、logo等的修改方法请见视频，项目完整文件下载请见以下链接处给出：➷➷➷
完整代码下载：https://mbd.pub/o/bread/ZJaXlpxp
参考视频演示：https://www.bilibili.com/video/BV11k4y1h7BP/
离线依赖库下载：https://pan.baidu.com/s/1hW9z9ofV1FRSezTSj59JSg?pwd=oy4n （提取码：oy4n ）
界面中文字、图标和背景图修改方法：
在Qt Designer中可以彻底修改界面的各个控件及设置，然后将ui文件转换为py文件即可调用和显示界面。如果只需要修改界面中的文字、图标和背景图的，可以直接在ConfigUI.config文件中修改，步骤如下：
（1）打开UI_rec/tools/ConfigUI.config文件，若乱码请选择GBK编码打开。
（2）如需修改界面文字，只要选中要改的字符替换成自己的就好。
（3）如需修改背景、图标等，只需修改图片的路径。例如，原文件中的背景图设置如下：
mainWindow = :/images/icons/back-image.png
可修改为自己的名为background2.png图片（位置在UI_rec/icons/文件夹中），可将该项设置如下即可修改背景图：
mainWindow = ./icons/background2.png
结束语
由于博主能力有限，博文中提及的方法即使经过试验，也难免会有疏漏之处。希望您能热心指出其中的错误，以便下次修改时能以一个更完美更严谨的样子，呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。