基于轻量化YOLO模型的植物叶片识别

为了提升植物叶片的检测能力,减少繁琐的人工成本,本文构建了包含10类常见植物叶片的数据集。应用基于pytorch框架的YOLOv5网络模型对叶片数据集进行训练,并通过训练模型对叶片测试图像进行检测,在识别速度和精度上取得了较好的效果。实验结果表明,本文检测方法对叶片识别的平均精度为93%,识别速度较快,有效解决了传统植物识别方法中分类器耗时长、准确率低等问题。     

基于无人机影像的电网绝缘子自爆识别

电网因其在电能传输方面的关键性作用,在我国民生项目建设领域一直扮演着至关重要的角色。电网杆塔上的绝缘子一旦发生自爆(也称“缺陷”),绝缘子会自动剥落,输电线路就会产生安全隐患,严重时会降低输电线路的运行寿命,甚至会引发供电中断,发生大范围的停电事故,造成巨大的财产损失。目前,主流的巡检方法为人工巡检,该方法不仅耗时耗力,而且也存在一定主观出错率,已不适用于目前电路巡检的实际情况。本设计采用YOLO V5网络模型,对无人机航拍影像中绝缘子串及绝缘子自爆进行自动识别。首先通过平移、翻转、裁剪等,对航拍绝缘子影像数据集进行数据增广,并对增广后的数据集在LabelImg中进行标注,然后利用YOLO V5网络模型对绝缘子串及绝缘子自爆进行识别,最后采用PyQt5框架在PyCharm中设计了绝缘子自爆识别的系统界面,对模型进行调用,实现了绝缘子串及绝缘子自爆识别。本设计采用从网络上下载、国家电网提供、数据增广所得到的500张无人机航拍影像作为数据集,对所得数据集进行人工标注,再使用YOLO V5网络模型进行训练和测试,结果表明YOLO V5网络模型对绝缘子串具有较高的识别精度,最高识别精度为90.2%,对绝缘子自爆的最高检测精度为80.8%。这说明了YOLO V5网络模型在绝缘子串识别方面有较好的表现,但是由于训练集中绝缘子自爆的样本影像数量有限,所以该网络模型对绝缘子的自爆识别存在一定局限性,本实验能够部分代替人力实现电网绝缘子智能巡检,提高了检测效率。     

基于无人机影像的特征匹配算法技术研究

低空无人机航空摄影测量技术,目前已经在相关行业的各个领域得到了广泛应用.但是低空无人机获取的影像数据有下面特点:像幅小、覆盖范围小、像片数量多、影像地物类型多.这些特点导致影像易出现纹理结构相似的问题,会为影像特征的匹配带来很大的难度.针对低空无人机摄影测量影像的特点,本文主要研究了无人机影像匹配的算法,探讨了人工智能...     

基于YOLOv5的UAV夜间目标检测技术研究

针对无人机(UAV)夜间目标检测技术准确率较低的问题,对现有夜间目标检测方法和YOLOv5算法进行简要介绍,提出了基于YOLOv5算法的夜间目标检测技术。通过在原YOLOv5网络中加入改进的Retinex算法对原网络进行动态增强,在模型训练过程中,将Focus层替换成CBS层,改善模型训练效果,并利用改进算法对UAV夜间目标检测性能进行仿真。结果表明,改进的YOLOv5算法在查准率和查全率方面分别比原YOLOv5算法提高了11.22%和5.32%,有效提升了UAV夜间目标检测能力。     

基于深度学习算法和无人机遥感影像对植株的识别研究

传统的植株识别方法难以满足遥感影像数据的识别需求,在此情况下,急需一种有效的识别方法.本文分析了基于深度学习算法和无人机遥感影像对植株的识别,经分析显示,二者均具有一定的有效性,保证了植株识别的精度.     

基于改进YOLOv4的无人机影像路面病害检测方法

针对无人机影像下由于目标特征融合不充分导致的路面病害检测精度较低、检测模型较大,导致无法将其迁移到移动端运行,以及现有无人机路面病害检测数据集数量小且样本不均衡等问题,在YOLOv4模型的基础上做了以下改进：采用深度可分离卷积(DC)作为YOLOv4中卷积方式以减少模型计算的参数量;为了更好地利用各通道之间的有效信息引入了Squeeze-and-Excitation(SE)模块,按照每个通道的重要性分配不同的权重,有效利用通道间的信息;通过引入自适应空间特征融合(Adaptively Spatial Feature Fusian, ASFF)模块,充分学习高低层之间的特征信息,自适应地学习各尺度特征映射融合的空间权重,解决由于YOLOv4中特征金字塔网络(Feature Pyramid Network, FPN)和路径聚合网络(Path Aggregation Network, PANet)特征融合不充分问题;使用Focal Loss损失函数进行训练,解决了现有无人机路面病害检测数据集各种样本之间类别不均衡造成的部分检测结果精度较低的问题;通过自制数据集以及现场实验对所提方法进行验证。...     

基于无人机机器视觉的轨道异物入侵检测方法

针对传统轨道入侵异物检测方法效率和时效性的不足,文章提出一种基于无人机航拍视频的轨道异物入侵检测算法。首先,通过LSD算法定位铁轨位置并划定铁路安全边界;然后,以YOLOv5s网络为基础,针对其小目标识别率低的问题,改进网络原有的检测层尺度;最后,再引入双向特征金字塔网络,并结合CBAM注意力机制重构模型的Neck部分,进而提出改进后的模型。实验结果表明,改进后模型在VisDrone数据集和自制轨道异物数据集的平均精度值分别提高了9.7%和5.9%,模型体积缩小32%,检测速率达到50.5 frames·s^-1,可以为铁路异物入侵智能化检测的研究提供参考。     

基于无人机影像+BIM技术的小高层外立面检测应用

随着现代建筑行业的不断发展,小高层建筑日益增多,小高层外立面的检测和维护显得尤为重要。近年来,小高层外立面高坠事故不断出现,已经严重威胁人们的生命财产安全。对此,介绍基于无人机影像+建筑信息模型（Building Information Modeling,BIM）技术的小高层外立面检测应用,重点分析无人机影像技术和BIM技术的优势,解决小高层外立面脱落、裂缝等问题,保障人们的生命财产安全。     

基于无人机平台的多目标跟踪算法

针对目前无人机平台多目标跟踪技术的跟踪精确度低、占用内存大的问题,提出了一种基于不同检测器算法和DeepSort算法结合而成的多目标跟踪算法,提高在无人机上对地面行人在跟踪数据集中的效果。使用深度学习的多目标跟踪技术通过构建卷积神经网络(Convolutional Neural Network, CNN),用卡尔曼滤波算法实现了对目标轨迹的预测,匈牙利算法则使卡尔曼滤波的预测结果得以分配,使DeepSort算法在保证跟踪效果的同时,也保证了跟踪时的速度。实验结果显示,DeepSort在与YOLOv5x检测器配合后,多目标跟踪精度可提高20%。     

改进Canny的无人机影像边缘检测算法研究

针对经典Canny算法在边缘检测中存在的无法去除椒盐噪声、边缘误判以及无法形成闭合区域的问题,本文构建一种基于各向异性扩散的自适应Canny无人机影像边缘检测算法。首先,将自适应中值滤波和各向异性扩散相结合,在去噪的同时有效地保留了边界信息;其次,运用4方向的Sobel模板,计算梯度幅值和梯度方向;最后,为了避免阈值选取不当,采用逻辑与运算自适应获取阈值并得到边缘图像。选取两幅无人机影像进行试验,并将本文算法和几种常用算法进行对比分析,试验结果表明本文算法在有效去除椒盐噪声的同时,提高了边缘检测的完整性和连续性,进一步实现了影像的自动化处理,对无人机影像边缘检测结果的定性和定量评价也验证了本文算法的可行性。     

基于YOLOv5的轻量化目标检测算法

使用搭载YOLOv5算法的无人机对物体进行目标检测时,由于其权重文件占有较大内存而要求无人机有较高的硬件配置,这在很大程度上约束了无人机进行目标检测的发展。为了解决这一问题,提出了一种改进的YOLOv5算法。使用深度可分离卷积代替普通卷积层,以使YOLOv5s轻量化。由于无人机从空中俯瞰物体,拍摄的图片具有较大的视野,因此将Dropblock与注意力机制添加至YOLOv5s主卷积层的底层来增加YOLOv5s的泛化能力与识别能力,进而提高YOLOv5s的小目标检测能力。使用所提方法对车辆数据集进行训练,获得了83%的训练准确率,并通过对比试验证明了所提方法比原始YOLOv5s具有更强的小目标检测能力。     

基于改进YOLOv4-tiny的无人机航拍目标检测

针对无人机航拍图像中存在目标尺寸小、数量多和背景复杂等问题,提出了一种基于改进YOLOv4-tiny的无人机航拍目标检测算法。该算法在原有网络的基础上扩大了检测尺度范围,提高对不同尺寸目标的匹配程度,并利用深层语义信息自下而上地与浅层语义信息进行融合以丰富小目标的特征信息。同时引入注意力机制模块,在主干网络后的每个尺度上进行感兴趣区域特征信息的二次筛选,过滤冗余特征信息,保留重要特征信息。在无人机航拍数据集上进行对比实验,实验结果表明,所提算法在满足实时性的基础上,平均精确率比原网络提高了5.09%,具有较好的综合性能。     

基于KAZE特征的露天矿无人机影像匹配

无人机摄影测量是露天矿影像数据采集的重要方式.针对露天矿独特的阶梯状地形、 常规的无人机影像匹配算法匹配点数量少、 误匹配率高的问题,提出了基于KAZE特征进行露天矿无人机影像匹配.KAZE算法采用非线性尺度空间,能够更好地保留露天矿地物边缘信息.选取露天矿不同区域的5组无人机影像,分别与SIFT和SURF算法进行对比...     

基于YOLOv5s的航拍小目标检测改进算法研究

针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于YOLOv5s的无人机目标检测改进算法VA-YOLO。在已有的主干网络中添加CA注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与BiFPN结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数Varifocal loss与EIoU,改善模型对小目标检测的准确性。实验结果表明,在VisDrone2019-DET数据集上,该算法的平均检测精度(mean Average Precision, mAP)达到了39.01%,相比YOLOv5s提高了6.26%。     

基于改进YOLOv7的无人机图像目标检测算法

针对无人机图像中由于目标微小且相互遮挡、特征信息少导致检测精度低的问题,提出一种基于改进YOLOv7的无人机图像目标检测算法。在颈部和检测头中加入了坐标卷积,能更好地感受特征图中目标的位置信息;增加P2检测层,减少小目标特征丢失、提高小目标检测能力;提出多信息流融合注意力机制——Spatial and Channel Attention Mechanism(SCA),动态调整注意力对空间信息流和语义信息流的关注,获得更丰富的特征信息以提高捕获目标的能力;更换损失函数为SIoU,加快模型收敛速度。在公开数据集VisDrone2019上进行对比实验,改进后算法的mAP50值相比YOLOv7提高了4%,达到了52.4%,FPS为37,消融实验验证了每个模块均提升了检测精度。实验表明,改进后的算法能较好地检测无人机图像中的目标。     

一种基于视觉识别的无人机导航算法

近年来,随着无人机与数码相机技术的发展,无人机航测以其高效、精确、作业成本低和适用范围广等特点,在地表复杂地区高分辨率影像的获取方面优势明显.但无人机像片的后续处理需要布设大量像控点,工作量大且耗时耗力,特别是在地表复杂地区工作难度更大.如果采用精准定位的手段计算出拍照瞬间照片中心的精确位置和姿态,则可以节省大量施工投...