基于机器视觉的无人机自动巡检定位控制技术

为解决无人机巡向角过度偏转的问题,使巡检节点的布局形式更符合实际定位需求,针对基于机器视觉的无人机自动巡检定位控制技术展开研究。根据巡检坐标变换原理,分别求解无人机飞行器的正运动学方程与逆运动学方程,完成基于机器视觉的无人机巡检节点抓取与处理。在此基础上,利用已提取特征点,估算帧间位姿的数值水平,联合相关数据,确定控制主机对于无人机巡检曲线的定位权限,实现基于机器视觉的无人机自动巡检定位控制方法设计。实验结果表明,与基于Cascade R-CNN的检测算法相比,在机器视觉技术的作用下,无人机巡向角偏转程度确实得到了较好控制,能够促使巡检节点布局形式更加符合实际定位需求。     

基于门形结构的单目视觉定位方法

选取场景中常见的门形结构为处理对象,提取门形结构中的三条直线,拟合直线方程,进而确定直线的交点及两条平行直线的消失点,根据消失点原理和垂直关系等先验知识确定摄像机坐标系和世界坐标系的映射。空间解析过程以直线方程为基本要素,参与解析运算的点特征均由直线方程确定,随机选取的点坐标仅用于方向一致性判定,减少了随机误差引入。仿真实验表明,本文的视觉定位方法对噪声有较高的鲁棒性,与融合线特征和随机点特征的方法相比降低了定位误差。     

基于视觉的无人机自动着陆定位算法

本文提出了一种基于HSV直方图、椭圆拟合和多边形拟合的着陆目标提取和位姿估计的算法,提出了一种特定颜色、特定形状的新型地标。充分应用颜色信息和几何信息,消除了特征点检测出现错误匹配的情况,对光照及目标模型旋转均有一定鲁棒性,有效提高了目标检测的速度和准确度。本文通过坐标变换以及椭圆的基本特征,将位姿估计转化为一个一元十二次方程的求解问题,并对坐标转换进行简化处理,提高位姿估计的处理速度。最后通过实拍测试,证明本文的方法可靠、目标可识别及降落位置准确。     

机器视觉在无人机智能避障的应用

近年来,随着信息技术的不断进步,自主导航多旋翼无人机飞行器无论是在民用还是军用方面都得到了迅速发展.而机器视觉技术的崛起和发展更为无人机在智能避障和自动跟踪技术方面有了更大的突破.本文旨在从机器视觉技术的角度出发,对无人机在该技术上的创新和应用做一次深入了解.     

基于双目视觉的机械臂位姿估计及目标 自动定位系统

针对以往使用的激光测距和单目摄像机估计技术、单眼照相机位姿估计法受到噪点影响而导致估计精准度低的问题,提出了基于双目视觉的机械臂位姿估计及目标自动定位系统设计.使用高压柜按钮,控制机械臂启停.使用FPGA通信协议芯片,节省信号处理时间.构建双目视觉模型,将操作目标的空间位置信息传递给机械臂,从图像中提取特征点,并求解单...     

无人机视觉导航算法

为保证无人机着陆精度和安全性,提出了一种无人机自主着陆视觉导航位姿解算方法。首先对机载相机进行标定,获取相机参数;然后综合考虑地标形状和尺寸、地标角点几何分布和角点数量对位姿估计精度的影响,设计了T型着陆地标形状和尺寸参数,将地标轮廓提取和角点检测算法相结合,得到几何分布好、数量适中的8个角点用于位姿解算,保证了位姿解算精度;为减少LK （Lucas-Kanade）光流法稳定跟踪地标的处理时间,直接将提取的这8个角点作为LK光流法检测和跟踪的输入,保证了算法实时性;最后利用三维空间到二维像平面投影关系对飞行位姿参数进行实时解算。实验结果表明:算法具有较高估计精度,算法平均周期为76.756 ms （约13帧/s）,在速度较低的着陆阶段基本满足自主着陆视觉导航的实时性要求。     

基于单目视觉的旋翼无人机定位系统设计

随着航空科技的不断进步,为了完成载人飞机无法完成的高危险任务,无人机的发展受到了广泛关注。传统的位置信息获取依赖GPS和IMU传感器,但在城市楼宇、室内区域,GPS难以准确获取位置信息从而失去效能,而机载IMU传感器又常常会出现较大的姿态角积累误差给无人机的导航带来一定的难度。针对室内或复杂未知环境下无GPS等外部定位辅助系统的无人机的自主定位和导航问题,文章提出一种轻量级、低成本、实时性强、稳定性高的基于单目相机的视觉定位系统方案,搭建了定位系统的硬件和软件架构,研究了单目视觉定位算法,该系统能准确获取无人机的自身位置信息,辅助无人机自主导航、姿态控制等任务顺利执行。     

基于机器视觉的无人机起降纠偏控制方法

传统的无人机起降纠偏控制方法具有局限性,在受到外界环境干扰的情况下,无人机起降纠偏性能不稳定,容易出现无人机偏航的问题,为此,提出基于机器视觉的无人机起降纠偏控制方法。设计控制无人机起降误差的非线性动态纠偏方法,建立无人机起降偏航的动力学模型,分析无人机侧向运动的受力情况,寻找纠偏控制量因素,并搭建基于机器视觉的无人机纠偏结构,通过坐标对比判断无人机偏航情况。在此基础上,建立无人机地面滑跑的纠偏模型,使用函数拟合法控制无人机起降误差,实现对无人机起降的纠偏控制。通过对比传统方法与设计的方法,进行实验论证。结果表明,设计的基于机器视觉的纠偏控制方法,在对无人机起飞以及降落过程中的航行偏差控制效果方面,具有明显优势,能够保证在风力环境干扰下,保证纠偏控制结果误差在1m以内,具有极高的稳定性。     

基于机器视觉的水银温度计自动读数系统

基于机器视觉技术,结合工业温度计的实际检定环境,研制了水银温度计自动读数系统.介绍了该自动读数系统的光学系统设计和实现,并给出了图像处理方法和过程.实验结果表明,该系统读数精度可小于0.1℃,达到了设计目标,满足应用的要求.     

基于单目视觉的机械手三维定位

提出了一种利用单目视觉识别目标并且进行精确的三维定位,用于机械手对目标的精确定位.首先通过模板匹配的方法在图像中识别出目标并计算其中心坐标,然后分别在相同高度和水平的四个相隔一定距离的位置上采集目标图像,根据目标在图像中的位置变化,结合平行双目视觉原理与小孔成像的缩放比例关系,计算摄像头距离目标的深度距离.该系统易搭建、成本低,定位精度较高.     

基于半实物无人机测控仿真平台研究

针对无人机测控系统性能测试的需求,开发出以真实的地面指挥控制站设备和机载仿真设备组成的仿真平台。该平台采用串行通信、网络通信、GIS和视频压缩编解码等技术,在Windows环境下实现了无人机遥控指令发送与接收、遥测数据和视频压缩图像发送与接收并显示的测控系统工作闭环过程。它可以用于无人机测控系统的空地联试及测控设备的定性测试。     

基于单目视觉的行人检测研究

行人检测系统是目前先进驾驶辅助系统中直接面向行人的保护系统,可最大程度地减少行人所受到的伤害。纹理对称度特征是目前最直观且能够用于表征行人的特征。文中在采用基于纹理对称度特征方法提取感兴趣区域的基础上,提出了一种线检测的方法,可以有效地减少检测过程中阴影、树叶等小纹理对检测结果的影响。最后利用梯度方向直方图特征和支持向量机方法对感兴趣区域进行验证。试验结果表明,该方法在保证检测速度的前提下,可减少检测过程中的虚警和漏警情况。     

无人机跟踪地面目标制导控制方法

提出了基于自动驾驶仪的无人机跟踪地面目标的制导、控制架构,将"无人机+自动驾驶仪"的组合看作是以滚转角、飞行高度和速度为控制输入的动态系统。在横侧向,相比下一时刻,根据无人机的航迹方位角误差以及无人机与目标点在水平面内相对距离与期望盘旋半径的误差,给出滚转角指令的制导规律,并对制导指令的生成周期进行了研究;对于纵向,为降低目标状态估计对于姿态误差的敏感度,结合传感器分辨率的要求,给出了解算飞行高度指令的方法。无人机六自由度模型的仿真对比表明,所提跟踪制导律相比李亚普诺夫向量场法(LVFG)和切向量场法(TVFG)具有更优的稳定性和准确性。     

单目红外目标跟踪机器人视觉系统设计

针对特定红外目标跟踪机器人设计的需求,以3种不同频率的信号,合成了可以被一体化红外传感器连续解调的目标特征信号,设计了基于特征信号模型的机器人视觉系统,包括单目复眼的信号检测阵列和2级序列的信号调理电路．试验表明,系统工作稳定可靠,实现了对目标的智能搜索、连续跟踪,信号抗干扰性强,可用于多目标的识别跟踪．     

四旋翼无人机飞行控制系统设计研究

根据模块化思想分别对四旋翼无人机[1]硬件系统的控制器模块、传感器模块、电源模块、执行机构模块以及遥控器模块[2-3]进行了详细的阐述,并给出了相应的电路设计。根据硬件系统所需的要求设计了飞行控制系统软件方案总体流程图,最后根据图形化语言LabVIEW设计了一套基于四旋翼无人机飞行控制系统的显示界面用来实时采集四旋翼无人机飞行器姿态角的数据[4],通过转台实验分析证明,文中所设计四旋翼无人机飞行控制系统满足最初预期效果,为进一步研究奠定了理论基础。     

一种新的基于单目视觉的广义障碍物检测方法

 障碍物检测是辅助驾驶、机器人导航等领域的核心问题之一.本文提出一种新的基于特征点道路面投影位移矢量的单目视觉广义障碍物检测方法.基于道路平面假设,利用特征点估计相机自运动参数,并利用此参数对相机的旋转运动进行补偿.利用逆透视投影变换,分别推导并证明了道路平面上的点和障碍物上的点的道路面投影位移矢量与相机位移矢量的关系.提出了一种区间统计方法,实现了相机位移矢量的鲁棒估计.最后,通过分析连续图像特征点的道路面投影位移矢量与相机位移矢量的关系,实现了广义障碍物检测.各种场景下的实验结果表明,该方法能够检测任意类型、形状的障碍物.与传统的运动补偿方法相比,具有更好的鲁棒性和准确性.     

基于单目的轻量化目标识别系统设计

为了满足微型无人飞行器实时控制的要求,文章对Yolo-V4单阶段图像检测算法进行了轻量化设计,并基于单目摄像头设计了实时目标识别系统.该轻量化算法首先通过优化输入网络的分辨率和卷积层参数等方法,将主干网络由73层压缩到16层;然后通过简化残差结构和跨级结构,解决深层网络梯度消失问题,减少梯度信息重复;最后自下而上将网络浅层和深层特征进行了精简融合.采用K均值聚类算法训练轻量化模型以优化预选框参数,提高算法对特定目标的检测精度.测试表明,改进后的轻量化算法对特定目标的预测精度为98％,召回率为92％,均值平均精度达90.70％,单张图片检测时间为7.8 ms,对视频的处理速度可达125.6 f/s,满足微型无人飞行器的实时应用要求.