基于改进YOLOv4的无人机目标检测方法

针对无人机平台由于内存、算力有限而导致检测模型部署困难、检测速度降低的问题,提出了一种基于YOLOv4的改进模型.首先,为了减小模型内存占用、节省计算资源,根据目标尺寸特点,对YOLOv4原模型的预测层进行了改进,将三尺度检测模型改进为双尺度检测模型;其次,对双尺度检测模型进行正常训练,然后将其BN层的缩放因子进行稀疏...     

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。     

基于YOLOv5的轻量级无人机检测算法

为解决无人机“黑飞”造成的安全隐患,针对现有的基于深度学习的无人机目标检测算法模型参数量大、训练耗时长的问题,提出了一种基于YOLOv5算法的轻量级无人机实时目标检测(ED-YOLOv5s)算法。首先结合轻量化模型EMO对YOLOv5骨干网络的特征提取部分进行重构;其次引入归一化高斯Wasserstein距离（normalized gaussian wasserstein distance,NWD）和比例因子计算候选框之间的相似度来部分替代IoU（Intersectiom over Union）;然后引入无参注意力机制SimAM以优化权重分布,提升检测精确度,以达到对YOLOv5网络的Backbone、Head进行优化的效果,最终得到模型大小为4.57 M,浮点运算量为26.1 GFLOPs的ED-YOLOv5s轻量级无人机检测算法。实验数据表明,改进后的算法提高了检测精度,实现了模型轻量化,所提算法在DUT Anti-UAV数据集上AP@50值达到96.7%,在RTX2060显卡上检测速度达到37 frame/s。     

基于改进YOLOv4的车辆目标检测算法

针对公路上高速行驶的车辆检测常常存在错检、漏检的问题,对YOLOv4算法进行改进优化．首先,将CSPDarknet53-tiny作为主干特征提取网络,并对网络中的ResBolck＿body模块中的残差边与GhostModule模块结合代替原始特征网络CSPDarknet53,从而简化网络结构,同时提高其检测精度;然后,将原算法中的SPPNet模块结构替换为ASPPNet,增大网络感受野,降低参数计算量,使模型能够在保持精准度的同时更加轻量化;最后,将注意力机制模块SENet结构嵌入特征金字塔PANet的两个不同位置,使其可对不同重要程度的特征进行相应处理．在BDD100K数据集实验中,原YOLOv4算法训练后得到的模型的平均精度(AP)为88.27%,改进优化后的YOLOv4模型AP为90.96%,改进后的YOLOv4算法相比原算法AP提高了2.69%．在实际真实场景数据集实验中,改进优化后的YOLOv4算法比原算法AP提高了3.31%．实验结果表明,本文提出的方法可以有效提高YOLOv4算法对车辆目标检测的精度．     

基于YOLOv3的交通标志检测与识别算法

针对汽车前置摄像头所拍路况实景中的远距离交通标志占整个画面的比例较小、自动检测较难的问题,本文提出一种改进YOLOv3的卷积神经网络结构.在原YOLOv3算法结构上去掉了13×13这个冗余的大感受野检测层,结合残差结构思想,将深层特征进行上采样,然后与浅层特征图进行张量拼接,得到104×104的尺度检测层,进一步提高对...     

基于多光谱交互注意力融合的多尺度无人机小目标检测

针对无人机检测中存在的目标较小、受背景环境影响大、以及多光谱特征难以深度融合等问题,本文提出了针对无人机小目标检测的多尺度多光谱交互注意力融合目标检测模型.首先,将骨干网络设计为双流网络,分别提取不同尺度红外和可见光特征,并增加小目标检测层和BiFPN级联操作,提升对无人机小目标特征的提取能力.其次,创新性的设计了多光谱交互注意力融合模块,在该融合模块的指导下,网络可以在不同尺度融合红外和可见光模态的信息,使红外和可见光的特征进行深度聚合,发挥各自模态的优势,指导开展无人机小目标检测.实验结果表明,与最先进的多光谱目标检测模型相比,本文提出的模型在FLIR、LLVIP两个公开的多光谱目标检测数据集上都达到了优越的性能,在构建的多光谱无人机数据集上,本文提出的模型有效提升了无人机的检测精度和鲁棒性.     

基于YOLOv5无人机小目标检测技术研究

提出一种改进的YOLOv5m目标检测算法,解决无人机在复杂环境下对小目标特征提取不足导致的检测精度低的问题.在CBAM的基础上提出一种通道——空间(CAM-SAM)注意力机制,通过改变通道和空间的连接结构,对不同尺寸的特征图进行注意力权重分配,在特征融合中采用跳跃式连接方法,进行不同尺度的特征融合;在预测网络中使用高斯加权的Soft-NMS替换原NMS非极大值抑制.实验结果表明,改进的YOLOv5m模型mAP值为42.1%,比原YOLOv5m提高了5.8%.     

改进YOLOv4的复杂交通场景目标检测方法

针对复杂交通场景下密集小目标居多、目标尺寸差异大、目标间遮挡严重的问题,提出了一种基于YOLOv4框架的复杂交通场景下的目标检测算法。首先,构造多尺度特征融合提取模块作为主干网络特征提取模块,充分提取不同尺度目标特征信息,同时引入轻量化Ghost模块对主干网络特征进行维度调整;其次,将卷积模块与自注意力机制融合,构造倒残差自注意力模块应用到主干网络深层,深层网络在充分提取局部特征信息基础上获得了全局感知;然后,构造轻量级混合注意力模块,抑制背景噪声,增强密集小目标检测能力;最后,在Udacity数据集上进行实验,检测精度达到了84.41%,相比较YOLOv4, mAP(mean average precision)提高了3.07%,对1 920×1 200分辨率图像的检测FPS(frames per second)可达到49,提高了22.5%,精度提升的前提下实现了较好的实时性,更适用于复杂交通场景下的目标检测任务。     

基于改进YOLOv3的道路目标检测

针对YOLOv3在道路目标检测中检测速度较慢以及小目标物体检测召回率低的问题,文中提出了一种基于YOLOv3改进后的道路目标检测网络YOLO-R.将YOLOv3原有的3个特征尺度增至4个,从而降低小目标物体的漏检率;利用K-Means目标框聚类得到新的道路目标检测候选框,进而提高了检测的精度;通过进行稀疏训练,并对稀疏...     

一种多尺度YOLOv3的道路场景目标检测算法

针对在自然交通场景中道路不同种类目标的边界框大小差异巨大,现有实时算法YOLOv3无法很好地平衡大、小目标的检测精度等问题,重新设计了YOLOv3目标检测算法的特征融合模块,进行多尺度特征拼接,对检测模块进行改进设计,新增2个面向小目标的特征输出模块,得到一种新的具有5个检测尺度的道路目标多尺度检测方法YOLOv3_5d.结果表明:改进后的YOLOv3_5 d算法在通用自动驾驶数据集BDD100 K上的检测平均精度为0.5809,相较于原始YOLOv3的检测平均精度提高了0.0820,检测速度为45.4帧·s-1,满足实时性要求.     

基于遗传算法的无人机模糊-积分控制器设计

针对某小型固定翼无人机纵向姿态控制和轨迹跟踪的要求设计了一种模糊-积分混合控制器. 为避免控制器参数调试的复杂性,提高控制性能,利用遗传算法对模糊控制的隶属度函数进行了优化设计. 在优化设计阶段,确定了设计变量和约束条件,并给出了比例因子整定原则. 仿真结果表明,基于遗传算法的模糊-积分控制器与传统PID控制器相比具有更短的响应时间,鲁棒性强,并且解决了单一模糊控制器稳态响应精度低、响应曲线颤振的问题.      

基于Dubins路径的无人机避障规划算法

研究了一种基于Dubins路径的无人机的避障规划算法. 通过采用遗传算法,结合无人机的飞行性能和最小转弯半径,提出了一种在已知障碍空间位置前提下的无人机路径规划方法,并通过算法改进,将其推广成为在未知障碍位置等先验知识的前提下的无人机实时避障算法. 仿真结果表明,该算法原理正确,对于多障碍环境下无人机避障策略的获取具有较好效果.      

无人机遥感图像融合方法研究

针对待拼接的无人机遥感图像重叠区域不规则、焦距不固定、含噪声较多等问题, 在加权平均融合算法的基础上引入基于折线化思想的不规则重叠区域生成法, 减小算法误差, 并运用基于距离比的自适应算法实现权值自动匹配, 使算法在不受重叠区域形状限制的同时得到更精确的计算结果, 解决了图像拼接后融合区域分辨率低、拼接线明显的问题。仿真表明, 改进的加权平均融合算法在保持原算法快速性的同时, 达到了去除拼接缝隙、使图像融合区域过渡平滑的目的, 并获得了融合质量较好的大视野无缝拼接图像。     

一种间断观测下的无人机地面目标跟踪方法

提出了一种基于贝叶斯滤波器和适航地图的跟踪算法(BF-Hmap),解决间断观测下的无人机地面目标跟踪问题.采用基于中心线和梯度图的快速道路提取算法生成目标适航地图,该图描述了地面目标与当前地形相关的运动能力.采用贝叶斯滤波器分两步在线更新目标状态的后验概率分布,即在预测阶段考虑适航地图对目标运动的约束,以及在估计阶段充分利用目标的所有观测信息.仿真结果表明,在间断观测下该算法对地面机动目标有着良好的跟踪效果.     

基于无人机的超宽带通信链

在无人机通信中继模型的基础上,结合无人机的特殊工作环境,构建了无人机超宽带通信链路模型,并对其性能进行了Monte—Carlo仿真。重点分析了无人机中继模型中,由于无人机间的相互运动造成的多谱勒频移对超宽带通信链路性能的影响。     

长航时高燃油质量系数小型无人飞行器总体参数优化设计

针对长航时小型无人飞行器燃油消耗量大的特点,在指定航时并保证等高度等速度飞行的情况下,建立了活塞式螺旋桨发动机最小燃油消耗的数学模型;考虑几何外形及气动、结构、质量等之间的耦合关系,以飞行器初始质量最小为优化目标,基于多学科集成优化平台ModelCenter,利用遗传算法实现了飞行器总体参数的优化设计.算例结果表明,所建模型和采用的方法,对高燃油质量系数小型无人飞行器燃油计算及多学科设计优化有一定参考价值.     

无人机摄影测量边坡结构面及块体稳定分析

为提高边坡结构面信息获取过程的安全性及测量结果的准确性,采用无人机多角度摄影测量获取结构面信息,得边坡结构面坐标以及出露迹线长.利用动态控制的相容Delaunay三角剖分对模型进行三角网格化,结合块体生成规则对边坡临空面出露块体进行稳定性分析,识别坡面出露关键块体,并利用GeoSMA-3D系统验证方法的可行性及精度.研究结果表明:点云切割最大关键块体为38.5748m³,GeoSMA-3D切割最大关键块体为38.5617m³,位置均在坡体中央位置,拟合效果良好.对于不规则碎裂岩质边坡,三维点云切割可以更好地表征边坡的块体位置,对于指导关键块体治理具有一定优势.     

某无人机撞网回收系统动力学仿真

以某无人机撞网回收系统为例,基于LS-DYNA软件,提出了柔性带、阻尼器等关键部件的建模方法,建立了系统有限元仿真模型,进行了不同入网位置的动力学仿真计算,并用试验验证了仿真模型的准确性.仿真和试验结果表明:本文建立的无人机撞网回收系统模型具有较好的工程适用性,提出的动力学建模仿真方法具有一定的通用性.     

不同威胁情况下无人机实时航路规划算法研究

针对无人机实时航路规划问题,分析安全影响威胁,建立了改进的威胁概率模型。在安全回避突发威胁的前提上,增加考虑了偏离预定航路飞行代价影响;以飞行总航程最短为目标建立了新的飞行模型。针对当前飞行航段出现单个突发威胁和多个处于不同排列情况的突发威胁(组)情况,给出了相应的最优航路分析;并设计了基于最短路思想的启发式算法。对三种场景进行算例仿真。仿真结果表明,模型和算法具有有效性和可行性,可以实时分析突发威胁,并规划出相对安全经济的实时航路。