航拍用遥控直升机安装调试飞行手记

“人靠衣装,马靠鞍”,拥有一个吸引人眼球的外表,将会为产品赚足了印象分。初在专业杂志上看到大量有关CaliberZG的宣传介绍文章时,我便心动不已,于是有了购买的冲动。拿到实机,从外包装到各部件的精细加工(外形、颜色的精美设计),再到它不菲的价格,更是让我领略到了它的“旗舰”风范。CaliberZG以冷静的蓝色调替代了Caliber系列以往“热情”的桔红色。在后面的试飞中它充分体现出了安静、低噪和动力充沛的特性。CaliberZG的机壳设计宽大、粗犷,它采用了玻璃纤维、碳纤维复式一次成形的设计,这样的机壳线条流畅、风阻小。     

基于局部上下文信息的电力线提取算法

从无人机采集的具有复杂背景的可见光航拍图像中准确提取电力线是极具挑战的任务,因而提出了一种新的基于局部上下文信息的检测算子(detector based on local context information, DLCI)。首先,基于电力线在航拍图像中局部特殊的语义特征设计具有空间对称结构的DLCI算子,并分别定义特征同质性能量函数H_1和特征异质性能量函数H_2,利用H_1和H_2实现对电力线像素点的初步筛选。然后,定义电力线空间局部一致性响应函数H_3实现对电力线像素的提取。最后,采用基于包络线分段拟合(envelope-based piecewise fitting, EPF)算法实现对电力线的拟合。实验结果表明,所提算法在多种航拍场景下均能实现对电力线的准确提取,不仅兼顾建模简单和相对高精度的优点,而且具备一定程度的算法稳定性,具有较高的工程应用价值。     

无人机航拍图像中裸露地表的识别

电力输电线路下方或附近的无覆盖物的裸露地表,是引起输电线路事故的主要隐患之一;从无人机电力巡检航拍图像中识别裸露地表可以预防类似事故的发生;由于Mask RCNN识别无人机电力巡检航拍图像中裸露地表的精度较低,提出一种图像特征融合的方法,即人工提取HOG和LBP两种不同的图像特征,经过不同权重的融合共同表征图像中裸露地表区域的特征,再对SVM进行训练并用于识别;实验结果表明,采用该方法识别率可以达到80％以上,识别时间少于60 ms;HOG和LBP两种特征在进行融合时,当两种特征的数量级相当时,得到的识别率最高;可见,该方法在具有较高识别率的同时,具有比较好的实时性,适合于无人机机载平台对航拍图像的初筛,且训练时间较少,权重参数规模小,为无人机航拍图像中目标物的识别提供一种新思路.     

基于分块聚类特征匹配的无人机航拍三维场景重建

针对无人机航拍采集的海量无标定图像,在SFM(structure from motion)重建框架下,提出了基于分块聚类特征匹配的三维重建方法。文章将航拍图像的匹配问题转化为待匹配图像集合的筛选以及图像局部特征配准。通过增加筛选步骤,提出了在缩略图尺度下利用词汇树的评分机制构建待匹配图像集合的方法;利用特征成簇状分布的数据特性,提出了先聚类再匹配的局部特征配准方法。优化了SFM重建框架的特征匹配部分,在航拍数据库PAMView中进行了三维重建实验。实验结果表明,该方法在不影响重建性能下有效提高运算速率。     

六旋翼飞行器的设计与制作

六旋翼飞行器是有着多个对称分布在机体四周,正反转对称的旋翼,该类飞行器普遍采用电能驱动,具有结构简单、飞行稳定、易于操作等的特点,非常适合于执行中短距离的飞行任务。     

基于三维场景出图的拼接制作2.5维地图算法

针对目前2.5维电子地图的制作与其三维虚拟场景相对独立,且不易更新维护的问题,提出了对三维场景进行图片输出并拼接实现2.5维地图制作的算法。首先设定摄像机长宽值作为最小出图单位,在指定范围内,使用最小出图单位以任意水平角度和俯仰角度输出三维虚拟场景效果图,并记录相关空间信息。然后根据图片左上角点坐标值对所输出图片进行无缝拼接。实验结果表明,该方法在保证地图空间实体表现能力的同时,能够快速替换图中更新区域,提高2.5维地图制作效率。     

基于小蚁运动相机的全景航拍外设技术

近期,"航拍热"风潮迅速兴起,高端的航拍技术以及四轴飞行器等受到了人们的关注与重视.研究基于小蚁运动相机的全景航拍外设下的功能实现.基于小蚁运动相机的155°超广角,可以最大限度地降低成本实现360°全景覆盖.区别于普通全景照相技术,使用航拍技术可以制作出球形3D立体画面,更加逼真清晰,带给人们全新的视觉体验.     

基于注意力机制的航拍图像实时语义分割方法

目前语义分割网络存在推理速度慢、轮廓信息缺失和语义信息不充足的问题,使其不适用于航拍图像的语义分割。提出一种交叉注意力混合机制和金字塔注意力机制的解码网络用于航拍图像语义分割。首先,采用MobileNetV2为骨干网络提高实时性推理速度;其次,提出交叉注意力混合机制解决轮廓信息缺失的问题;再次,提出金字塔注意力机制消除卷积神经网络无法捕获长范围语义信息的局限性。最后,实验结果表明,该文网络在单张GTX 3090卡,分辨率为256×256×3的DLRSD(Dense Labeling Remote Sensing Dataset)数据集中,获取73.4%的平均交并比和85.4%的像素精度,实现了196.9帧每秒的推理速度。     

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Yolov5s的无人机火灾图像检测算法

为了解决现有火灾检测算法模型复杂,实时性差,难以部署在无人机平台的问题,通过改进Yolov5s算法对无人机火灾图像目标检测进行分析研究。利用搭载高清摄像头的无人机设备获取的火灾图像、公开数据集、互联网航拍视频自主建立无人机火灾图像数据集;采用轻量化模型Yolov5s为基础模型,MobileNetV3作为特征提取主干网络,降低模型参数和计算量,解决实时性差和模型部署的问题;模型颈部引入注意力模块CBAM,综合了通道和空间信息,加强网络对高层次语义信息的传递;修改模型检测头部结构,增强小目标检测能力。通过消融试验对比分析各个模块对模型的影响,与常见火灾模型进行对比分析,分析本文算法的优劣。算法在自建数据上的平均精度达到78.2%,模型大小为6.7M,单帧（640×640）图像处理时间为15.2ms。实验结果表明,本文算法模型简单、实时性好,为火灾检测算法部署在无人机平台奠定技术基础。