视觉导航技术在小型无人机撞线回收中的应用

为了提高小型无人机回收的经济性和有效性,提出一种利用计算机视觉技术实现小型无人机撞线回收的导航系统。分析了撞线回收技术,对现有的目标实时跟踪法进行改进,通过采用基于模块匹配的改进算法实现对无人机目标的在线跟踪,使其能够对尺寸和外形都有较大变化的目标进行有效的在线跟踪,并通过仿真实现。实验结果表明:该跟踪算法跟踪速率可以达到15～25 Hz,能够实时解算其空间位置,准确地跟踪无人机目标,基本满足导航系统的实时性要求。     

基于改进YOLOv5的空中目标部位快速分割算法

为满足导弹武器对空中目标高效毁伤的需求,针对基于深度学习的算法对空中目标部位分割速度慢、准确率低的问题,提出一种基于改进YOLOv5的空中目标部位分割算法。将YOLOv5的检测头替换为类似YOLACT算法的分割头,使其能够完成实例分割任务;对网络进行剪枝,在不影响精度的前提下获得更快的推理速度;在Backbone网络中应用可变形卷积、增加坐标注意力机制(coordinate attention, CA)模块,丰富目标的多尺度空间及语义信息,进一步提升算法的局部特征提取能力;基于Ghost卷积设计C3＿Ghost模块,替换YOLOv5原算法Neck部分的C3模块,显著降低算法计算量,并保证算法精度不受太大影响。对比与消融实验表明,所提方法与改进策略能有效降低计算量,在保证实时性的同时,算法精度也有所提升。     

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明：改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。     

无人机自主着陆过程中的视觉导航技术分析

为解决目前国内外无人机难以实现自动着陆的问题,对无人机着陆过程中的视觉导航技术进行研究.介绍了飞行器的降落等级和着陆阶段,分别对无人机着陆过程中的图像处理技术和位姿估计问题进行分析,重点研究着陆过程中的图像特征提取技术和位姿估计的迭代算法.研究结果表明:将视觉导航与其他导航方式相结合,发展鲁棒性好、精度高、实时性好的组合导航位姿估计融合算法将是未来视觉导航的发展重点.     

基于视觉的特种机械臂目标识别与定位

针对特种机械臂在复杂环境下对危险品抓取的准确性与实时性需求,提出一种利用视觉信息识别定位的 方法。给出基于单双目视觉系统结合的识别定位策略,采用颜色分割、开闭运算、边缘轮廓检测和特征匹配完成单 目视觉算法,通过立体标定、立体校正和深度计算完成双目视觉算法;根据齐次变换得出的目标物体位置信息对机 械臂进行关节转动角度求解,利用角度阈值范围得出最优解;并通过目标物体位姿测量实验和抓取操作进行验证。 验证结果表明：该方法是可行和合理的,能实现目标物体的实际抓取。     

基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。     

系留无人机视觉定位技术

针对系留无人机在导航卫星拒止条件下无法定位的问题,设计一种基于合作目标的视觉定位系统。通过 构建视觉定位系统,设计靶标检测算法、靶标偏移量计算算法及数据平滑算法,实现系留无人机的无源定位。试验 结果表明：无人机在飞行及起降过程中,精确检测地面靶标并解算相对位置,可有效解决无卫星信号的定位问题。     

无人机CNSS/GLONASS 组合导航技术

为实现无人机导航系统覆盖范围大、精度高、动态强等要求,从分析我国无人机导航现状入手,研究CNSS/GLONASS 组合导航定位数据解算方法。基于“当前”统计模型建立状态方程和观测方程,并通过飞行实验和数据分析对相关性能进行验证。结果表明：提出的 CNSS/GLONASS组合导航定位数据解算方法可实现2种系统的优势互补,提高北斗系统在无人机高动态导航中的可用性,增强无人导航精度。     

基于改进YOLOv4-tiny 的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny 的舰面多目标检测算法。在卷积神经网络中引 入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和 抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling, SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish 激活函数替代Leaky ReLU 激活函数以获 得更好的泛化能力。实验结果表明：5 类舰面目标的平均检测精度为92.22%,接近YOLOv4 算法的96.48%,而检测 速度(frames per second,FPS)达到了42.5 帧/s,远高于YOLOv4 的18 帧/s;该算法能较好地平衡准确率和速度的关 系,可以对舰面目标进行实时检测。     

基于可变视场角的空中加油锥套位姿精确测量方法

针对无人机自主空中加油近距视觉高精度导航问题,提出了一种基于可变视场角的空中加油锥套相对位置和姿态精确测量方法。首先构建了由多组不同固定视场角相机组成的双目视觉测量系统,提出了基于非线性滞环特性的相机组切换策略,有效克服了随着距离增加锥套目标在相机图像中比例逐渐减小而导致测量精度降低的问题。在此基础上,使用深度学习YOLO v2算法对首帧图像进行检测与识别,截取感兴趣区域(ROI)并进行图像处理,提取标志灯质心坐标。然后根据双目视觉原理进行三维重建,以计算出标志灯的空间位置。最后根据解析几何关系解算得到锥套相对相机的位置和姿态信息。空中加油对接过程视景仿真和地面实物试验表明,本方法在设定的测量范围内均能达到较高的相对位置和姿态测量精度,且满足实时性要求。     

改进的YOLOv3算法及其在军事目标检测中的应用

复杂环境下军事目标检测技术是提高战场态势生成、分析能力的基础和关键.针对军事目标检测任务在复杂环境下传统检测算法的检测性能较低问题,提出一种基于改进YOLOv3的军事目标检测算法,通过深度学习实现复杂环境下军事目标的自动检测.构建军事目标图像数据集,为各类目标检测算法提供测试环境;在网络结构上通过引入可形变卷积改进的R...     

基于嵌入式平台与优化YOLOv3 的航拍目标检测方法

针对部署在嵌入式平台的目标检测模型在检测航拍目标时存在的检测速率低、耗时高、存储容量低的问 题,提出一种基于优化YOLOv3 算法的航拍目标检测方法。通过模型剪枝极大地减少了模型参数量,使用二分 K-means 对传统的锚框聚类算法进行优化改进,引入CIOU 损失函数加强边界框回归效果,再经TensorRT 对模型优 化加速后将该检测模型部署到JetsonTX2 平台上。选取大量不同类别不同环境的航拍图像制作数据集进行实验对比。 结果表明：优化后的算法在检验不同航拍图像目标时平均精度可达到83.9%,对每张图片的检测速度从2.8 FPS 提升 至14.7 FPS,满足精确性和实时性要求。     

基于级联式Snappy-CenterNet 的锥套目标检测算法

针对空中加油因场景光照变化、环境遮挡等情况造成的锥套目标识别精度低、实时性差的问题,提出一种基于级联式Snappy-CenterNet深度网络的锥套目标检测算法。在CenterNet网络的基础上,以HourglassNet为主干网络,改进其bottleneck结构并引入中心池化的方法,对整体的网络结构进行优化,通过级联式的网络提升整体检测精度。实验结果表明：该算法可实现在多种复杂场景下对锥套目标的可靠检测,检测结果的精确率与召回率均可达99%,位置精度与区域精度分别可达99%与96%,更新率可达33.68 Hz,满足空中加油近距视觉导航阶段对于锥套识别的指标要求。     

基于YOLOv5 改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5 改进的小目 标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、 占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数 据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始 的YOLOv5 模型进行对比,结果表明,其平均精确率AP 值较原始YOLOv5 模型提升约3%。     

基于多旋翼无人机视觉惯性里程计的设计与实现

针对GNSS 信号受到干扰或在拒止环境下,多旋翼无人机的导航定位问题,设计一种多旋翼无人机视觉 惯性里程计系统。介绍系统的总体设计方案、硬件选型与设计、软件系统搭建、通信协议规定以及算法设计思路。 实验验证结果表明：该系统可以实际运行在多旋翼无人机上,当GNSS 信号不可用时,仍可向飞控实时提供多旋翼 无人机当前可用位姿,为多旋翼无人机视觉辅助导航设计提供参考。