Con el rápido desarrollo de la tecnología de IA en el campo de baja altitud, la incertidumbre predictiva de los modelos de ML, particularmente los modelos de detección de objetos, se ha convertido en un cuello de botella clave que restringe su aeronavegabilidad y despliegue seguro. Una manifestación típica de esto es que, al enfrentar muestras de prueba en escenarios de mundo abierto, los modelos de detección de objetos muestran una sobreconfianza en predicciones erróneas. Para abordar este problema, este documento propone un algoritmo de puntuación de anomalías para la evaluación de fuera de distribución (OOD) basado en características de redes profundas aumentadas, llamado PCA-HBOS. Al integrar las características semánticas de alta dimensión extraídas por redes profundas, el algoritmo puede puntuar distribuciones de muestras, lo que permite la identificación de muestras tanto dentro como fuera de distribución. A través de comparaciones con algoritmos OOD de vanguardia, se valida la superioridad del PCA-HBOS en escenarios de baja altitud. Los resultados experimentales en tres conjuntos de datos de detección de UAV de múltiples sensores -MSDD, AOT y AOD-4- demuestran que, excepto por Faster R-CNN y YOLOv2, el PCA-HBOS logra un rendimiento favorable de discriminación OOD en múltiples modelos de detección de objetos. En muestras de falsos negativos, alcanza valores óptimos de AUC y FPR95 de 0.995 y 0.291, respectivamente, mientras que en muestras de falsos positivos, los valores óptimos alcanzan 0.960 y 0.354. Además, los experimentos exploran aún más la relación entre la generalización del modelo y el rendimiento del algoritmo OOD. El algoritmo propuesto puede proporcionar apoyo metodológico para la prueba y optimización del rendimiento del modelo, contribuyendo al desarrollo de sistemas UAV inteligentes hacia direcciones más seguras y confiables.