基于深度学习的多旋翼无人机单目视觉目标定位追踪方法

针对无人机对目标的识别定位与跟踪,本文提出了一种基于深度学习的多旋翼无人机单目视觉目标识别跟踪方法,解决了传统的基于双目摄像机成本过高以及在复杂环境下识别准确率较低的问题。该方法基于深度学习卷积神经网络的目标检测算法,使用该算法对目标进行模型训练,将训练好的模型加载到搭载ROS的机载电脑。机载电脑外接单目摄像机,单目摄像头检测目标后,自动检测出目标在图像中的位置,通过采用一种基于坐标求差的优化算法进行目标位置准确获取,然后将目标位置信息转化为控制无人机飞行的期望速度和高度发送给飞控板,飞控板接收到机载电脑发送的跟踪指令,实现对目标物体的跟踪。试验结果验证了该方法可以很好的进行目标识别并实现目标追踪     

基于深度学习的单目深度估计方法综述

深度估计是一种从单张或者多张图像预测场景深度信息的技术,是计算机视觉领域非常热门的研究方向,在三维重建、场景理解、环境感知等任务中起到了关键作用.当前深度估计技术可以分为多目深度估计和单目深度估计.因为单目摄像头具有成本低、设备较普及、图像获取方便等优点,与多目深度估计技术相比,从单目图像估计深度信息是当前更为热门和更具挑战的技术.近年来,随着深度学习的迅速发展,基于深度学习的单目深度估计方法被广泛研究.本文对基于深度估计的单目深度估计方法进行综述,首先给出单目深度估计问题的定义、介绍常用于训练的数据集与模型评价指标,然后根据不同的训练方式对国内外相关技术进行分析总结,将现有方法分为基于监督学习、无监督学习和半监督学习三大类,对每种类型方法的产生思路、优缺点进行详细分析,最后梳理、总结该技术的发展趋势与关键技术.     

基于互联网技术的无人机电力巡检视觉避障方法的研究与发展

随着电力系统的不断升级和扩大,传统的人工巡检方式已经无法满足日益增长的巡检需求。随着互联网的不断发展,以无人机作为巡检工具的巡检方法,以其灵活、高效的特点,逐渐成为电力巡检的首选。然而,在无人机巡检过程中,视觉避障技术一直是制约无人机应用的一个重要问题。本文将对基于互联网技术的无人机电力巡检视觉避障方法的研究与发展进行综述,详细介绍视觉避障技术的关键点,包括通信技术和算法等方面,分析视觉避障技术在无人机电力巡检中的应用现状和存在的问题,展望视觉避障技术在无人机电力巡检中的发展趋势。     

基于深度强化学习的红外单目摄像头移动机器人避障方法

由于现有机器人避障方法绕过障碍物不能及时达到原点,研究了基于深度强化学习的红外单目摄像头移动机器人避障方法。在神经网络中,设计方法通过卷积遍历整个图像区域进行特征学习,在池化层去除冗余特征信息,将图像输入障碍物检测网络检测,生成避障场景下的深度图,运用红外单目摄像头及视觉传感器采集图像中的信息进行训练,实现避障任务。实验结果表明,在不同行驶环境下,3组移动机器人绕过障碍物后均能准确到达原点（0,0）位置。     

基于深度学习技术的智能化无人机视觉系统设计

传统无人机无法实现数据信息的智能化处理,处理结果不精准,给工作的顺利开展造成了影响。为了解决此问题,文章基于深度学习技术研究智能化无人机视觉系统的设计思路。将深度学习技术应用在无人机智能化中的协同神经网络思想,能够优化无人机的飞行控制、目标识别、障碍规避、智能监测等,降低实现难度。     

基于深度强化学习的单目视觉自动驾驶决策系统

人工智能和自动驾驶的发展如火如荼,人工智能技术在自动驾驶技术中的应用也越来越多、越来越深入,因此本文提出一种基于深度强化学习的单目视觉自动驾驶决策系统,可以让自动驾驶车辆通过相机作为传感器输入,实现端到端的自动驾驶决策,并且通过设置奖励函数和训练使得车辆的学习效率越来越高,可以在车道内保持直线行驶。     

基于深度学习的无人机入侵检测方法

无人机滥用给低空范围带来巨大安全隐患,非法入侵无人机目标的检测问题成为低空防御系统中重要的研究方向.本文提出一种基于雷达、RGB相机等多传感器信息融合方法,用于探测低空范围内小目标物体.然后,引入SSD(Single Shot multibox Detector)深度学习算法,训练无人机目标检测模型,对RGB相机捕获到...     

基于深度学习的视觉目标检测技术综述

视觉目标检测旨在定位和识别图像中存在的物体,属于计算机视觉领域的经典任务之一,也是许多计算机视觉任务的前提与基础,在自动驾驶、视频监控等领域具有重要的应用价值,受到研究人员的广泛关注。随着深度学习技术的飞速发展,目标检测取得了巨大的进展。首先,本文总结了深度目标检测在训练和测试过程中的基本流程。训练阶段包括数据预处理、检测网络、标签分配与损失函数计算等过程,测试阶段使用经过训练的检测器生成检测结果并对检测结果进行后处理。然后,回顾基于单目相机的视觉目标检测方法,主要包括基于锚点框的方法、无锚点框的方法和端到端预测的方法等。同时,总结了目标检测中一些常见的子模块设计方法。在基于单目相机的视觉目标检测方法之后,介绍了基于双目相机的视觉目标检测方法。在此基础上,分别对比了单目目标检测和双目目标检测的国内外研究进展情况,并展望了视觉目标检测技术发展趋势。通过总结和分析,希望能够为相关研究人员进行视觉目标检测相关研究提供参考。     

基于深度学习的四旋翼无人机控制系统设计

针对四旋翼无人机受干扰时姿态控制效果差的问题,提出了基于深度学习的无人机控制系统设计.系统选用STM32芯片进行控制,采用MEMS传感器采集姿态调节数据,选用NRFNRF51822芯片实现远距离监控和参数调节,电源模块采用TP4059芯片供电,并对电池电量进行监控.构建深度学习目标控制模型,运用深度学习算法设计无人机控...     

深度学习单目深度估计研究进展

单目深度估计是从单幅图像中获取场景深度信息的重要技术,在智能汽车和机器人定位等领域应用广泛,具有重要的研究价值。随着深度学习技术的发展,涌现出许多基于深度学习的单目深度估计研究,单目深度估计性能也取得了很大进展。本文按照单目深度估计模型采用的训练数据的类型,从3个方面综述了近年来基于深度学习的单目深度估计方法:基于单图像训练的模型、基于多图像训练的模型和基于辅助信息优化训练的单目深度估计模型。同时,本文在综述了单目深度估计研究常用数据集和性能指标基础上,对经典的单目深度估计模型进行了性能比较分析。以单幅图像作为训练数据的模型具有网络结构简单的特点,但泛化性能较差。采用多图像训练的深度估计网络有更强的泛化性,但网络的参数量大、网络收敛速度慢、训练耗时长。引入辅助信息的深度估计网络的深度估计精度得到了进一步提升,但辅助信息的引入会造成网络结构复杂、收敛速度慢等问题。单目深度估计研究还存在许多的难题和挑战。利用多图像输入中包含的潜在信息和特定领域的约束信息,来提高单目深度估计的性能,逐渐成为了单目深度估计研究的趋势。     

基于单目视觉的矿井机车障碍物检测和测距方法

针对现有矿井机车障碍物检测和测距方法存在测距精度低、测量范围小及成本高等问题,提出了一种基于单目视觉的矿井机车障碍物检测与测距方法。该方法首先对CCD摄像机采集的图像进行预处理,然后根据障碍物的特点进行特征提取得到准确的障碍物区域,最后利用基于摄像机内部参数和几何关系的单目视觉测距方法得到机车与前方障碍物之间的距离。测试结果表明,该方法能有效检测机车前方障碍物,且测距精度在有效误差范围内。     

基于声纳环传感器的机器人避障研究

任何一种移动机器人要实现未知环境自主导航都必须有效而可靠地感知环境信息,而超声波传感器在检测障碍物距离信息方面应用十分广泛。介绍了旅行家II号声纳环传感系统的设计与实现原理,并对声纳的精度进行了测试。在此基础上,提出了移动机器人一种简单避障策略,并运用2种基本避障实验:静态避障和动态避障,验证了该避障策略的正确性和有效性。     

基于数据回归建模的单目视觉测距算法

提出了一种基于数据回归建模的单目视觉测距算法,其基本思路与现有的“先建模再测距”的顺序思路不同,创新性地提出了“先测距再建模”的逆向思路,首先准确标定出一些距离样本点,然后采用数据回归建模的方法建立测距模型。该方法不用再单独考虑成像模型、成像系统误差、透镜畸变等带来的影响,而是在进行回归拟合时隐含地加以解决;同时,该方法不依赖于道路几何约束条件,既可用于高速公路等结构化公路情况,又可用于城区公路等非结构化公路情况。实验表明,该算法思路是有效的,能满足测距的实时性与精确性要求。     

基于深度学习的小目标检测综述

目标检测是计算机视觉研究领域的核心问题和最具挑战性的问题之一,随着深度学习技术的广泛应用,目标检测的效率和精度逐渐提升,在某些方面已达到甚至超过人眼的分辨水平.但是,由于小目标在图像中覆盖面积小、分辨率低和特征不明显等原因,现有的目标检测方法对小目标的检测效果都不理想,因此也诞生了很多专门针对提升小目标检测效果的方法....     

基于传感器信息的水下机器人动态避障研究

提出一种新的基于传感器信息的自治式水下机器人(AUV)动态避障方法。介绍了传感器的工作原理。通过栅格法把传感器采集的AUV运行环境障碍信息进行合理描述,并预测动态障碍物的速度,保证AUV能够根据传感器信息躲避障碍物,达到航行要求。最后,通过仿真实验对机器人自主避障能力进行了验证。     

局部相对位姿空间内轮式月球车的避障策略学习

提出了一种轮式月球车的避障学习方法。首先列出了BH2月球车的动力学方程,并将避障行为解释为沿子目标点行走的过程。然后在月球车视觉局部范围内进行避障策略学习,选择车体、子目标点和障碍之间的相对位置矢量为学习过程的状态量,使策略学习对环境变化有鲁棒性;选择车轮的转向力矩为控制输入,降低了学习复杂度。实验证明此方法对环境变化有很好的适应能力。