基于NGG-YOLOv5的空对地UXO目标检测方法

为提高无人机在复杂环境下对地面未爆弹(UXO)目标的辨识精度,提出了一种改进YOLOv5的UXO目标检测方法。该方法在YOLOv5的基础上,改进原YOLOv5网络的损失函数以提高对UXO目标的识别精度,同时,通过添加注意力机制、改进马赛克数据增强、改进预测框筛选机制提高对UXO目标的识别效率,实现了空对地场景下对UXO目标的检测,并具有较好的精度和速度。实验选取多组不同复杂背景的UXO数据集进行标注并训练,得到UXO目标模型,然后从模型训练结果和目标检测结果的角度评估方法和模型的正确性。实验结果表明:NGG-YOLOv5所得模型检测准确性和检测速度对比原YOLOv5有明显的提升,准确率从78%提高至91%,平均精度均值(mAP)从50%提高至56%,在所用4种复杂背景下均可有效检测出UXO目标,且漏警率低。

基于改进YOLOv5的复杂背景红外弱小目标检测算法

针对传统算法依赖于对红外目标与环境背景的精确分离和信息提取,难以满足复杂背景和噪声等干扰因素下的检测需求。论文提出一种基于改进YOLOv5(You Only Look Once)的复杂背景红外弱小目标检测算法。该算法在YOLOv5基础上,添加注意力机制提高算法的特征提取能力和检测效率,同时改进原YOLOv5目标检测网络的损失函数和预测框的筛选方式提高算法对红外弱小目标检测的准确率。实验选取了来自不同复杂背景的7组红外弱小目标数据集,将这些图像数据集进行标注并训练,得到红外弱小目标检测模型,然后从模型训练结果和目标检测结果的角度评估算法和模型的正确性。实验结果表明:改进的YOLOv5算法训练出来的模型,检测准确性和检测速度对比实验列出的几种目标检测算法均有明显的提升,平均精度均值(mean Average Precision,m AP)可达99.6%以上,在不同复杂背景下均可有效检测出红外弱小目标,且漏警率、虚警率低。

基于TL-LFL的UWB室内定位算法

针对三边定位算法定位精度不高以及传统指纹定位算法工作量大的问题,提出了一种基于TL-LFL的室内定位算法,主要分为2个阶段:离线阶段利用限幅-滑动滤波方法对原始测距信息进行预处理,然后利用克里金插值法建立指纹数据库;在线阶段首先利用三边定位算法确定粗定位坐标和动态区域S,然后采用K-Means算法对S区域内指纹点进行聚类,找出与在线实测距离信息最近的聚类中心,最后结合粗定位坐标根据离散程度加权进行实时定位。结果表明:该算法在减少数据采集工作量的同时有效提高了定位精度,平均定位误差为0.2 m。

基于体素特征融合的FOD目标智能认知

机场跑道异物(FOD)的快速检测对于飞机的安全行驶至关重要,针对传统FOD检测技术中存在小尺寸FOD目标识别困难和实时性差等问题,提出一种基于体素特征融合的FOD检测方法。该方法首先提取感兴趣区域内的点云,依据随机抽样一致性算法(RANSAC)对地面点云进行校准;采用体素特征融合算法,对校准后的点云进行体素划分,并将每个体素内所有点云的平均Z值与平均反射率按一定比例进行特征融合,形成新的点云,以此将稠密点云在突出FOD的情况下进行减量;接着对地面点云与地面上FOD点云进行分割;最后采用基于KD-tree的欧式聚类算法对分割后地面上FOD点云进行聚类。试验结果表明,此方法可实现30 m远长宽高大于1.3 cm的FOD检测,比传统方法在探测FOD大小的性能上提高了35%,为激光雷达在FOD检测领域的应用提供了参考。