改进Yolov5的无人机目标检测算法

无人机场景下航拍图像存在密度高、目标小、覆盖范围广等特性,使得现有的目标检测器容易出现错检漏检的现象,为了提高识别的精度,提出了一种改进Yolov5的目标检测模型。通过采用梯度流丰富的C2F模块增加模型的特征提取能力。引入上采样算子CARAFE(content-aware reassembly of features)增加感受野进行数据特征融合,提升特征金字塔网络性能。通过采用全局性动态标签分配策略,提高模型识别准确率。通过VisDrone2019数据集验证表明,改进后的模型平均精度mAP值达到65.3%,较传统模型提升了24.7个百分点,可以更加准确地完成航拍过程中针对目标的检测任务。

基于YOLOv5的改进密集行人检测算法

针对密集行人检测中行人之间高度遮挡重叠所带来的精度低和漏检高的问题,提出一种密集行人检测方法:Serried-YOLOv5。实验基于YOLOv5s,首先在网络特征融合阶段引入注意力机制,添加1个SE模块提高对有用信息定位的精度;然后使用Soft-NMS代替原有的NMS,保留IOU中等,但置信度较高的框,防止漏检。实验结果表明:Dense-YOLOv5相比原YOLOv5在CrowdHuman数据集上,在保证实时性的前提下,FPS提高了9.091;AP提高了1.5%;召回率Recall提高了5%,检测平均精度均值mAP0.5提升了1.5%,证明了Serried-YOLOv5方法在密集行人检测中的有效性。

基于深度学习的无人机目标检测研究综述

无人机具有体积小、灵活性强、航拍视野广等特点,广泛应用于警用巡查、城市交通监管、天气监测、电力巡检、应急救援救灾等行业。近年来,随着计算机视觉领域的蓬勃发展,基于深度学习的目标检测技术逐渐应用于无人机领域,并不断得到改进和加强。本文系统性地阐述了基于深度学习的目标检测技术发展历程和研究现状。针对现阶段无人机航拍影像小目标多、背景复杂、目标尺度变化大的特性,归纳和分析了近期对无人机目标检测的相关研究。最后,展望了基于深度学习的无人机目标检测技术的未来发展趋势。

基于深度学习的输电线路缺陷检测研究综述

输电线路是电力系统的重要组成部分,对电力系统的正常运行起到了至关重要的作用。传统的人工巡检已经无法满足电力系统对于输电线路安全可靠运行的要求。随着科技的不断发展,基于深度学习的目标检测算法凭借良好的检测性能被越来越多领域所应用,依靠深度学习的目标检测算法在极大程度上提高了输电线路缺陷检测的检测速度和准确性。首先对输电线路缺陷深度学习目标检测算法的发展历程进行介绍;其次针对输电线路缺陷检测的研究难点进行分析;最后对输电线路缺陷检测的改进思路进行了整理,主要从小目标检测的算法优化、复杂背景下的算法优化、边缘网络轻量化的算法优化三部分进行介绍;并对输电线路缺陷检测进行总结与展望。

自动驾驶中点云与图像多模态融合研究综述

针对复杂多变的道路环境,综合国内外研究现状,本文从激光雷达和摄像头方面论述了汽车自动驾驶中的网络输入的格式,并以两种传感器融合为例,归纳了自动驾驶汽车环境感知任务中多模态传感器融合的分类方法,在此基础上,又从融合阶段的角度总结出另一种分类,简化了融合方法的分类和理解,强调了融合程度的区别以及融合方法的整体性,这种分类对于推动融合方法的研究和发展具有创新价值。最后分析传感器融合所遗留的问题,对未来的发展趋势进行预测。

基于GIS路径规划算法研究综述

随着科技的进步,GIS技术被广泛应用于自然生态、城市道路、农业、商业、工业等众多领域。其中,与GIS技术结合的路径规划算法可以更高效地完成寻优任务、提高运行效率。为了更清晰地区分不同的路径规划算法,根据GIS路径规划算法的设计原理,将其分为基于几何模型、基于启发式和基于混合等三类路径规划算法。详细阐述了三类算法的概念、原理及改进方式,对比总结了不同类型路径规划算法的优缺点,从算法局限性、环境建模和动态路径规划等方面展望了GIS路径规划算法的未来发展趋势。

无人机路径规划算法研究综述

近年来随着技术和市场的不断发展,无人机的应用越来越广泛。而无人机路径规划算法作为其中重要的一环,在保证准确性和安全性的同时为其提供了关键的技术支撑。本文对无人机路径规划算法的研究进行了综述,依次介绍了传统路径规划算法中的搜索算法与采样算法以及智能仿生算法等的基本原理、在路径规划中的应用研究及其优缺点。最后,本文对未来无人机路径规划算法的发展趋势进行了展望。我们认为未来的无人机路径规划算法将更加注重实时性、高效性和智能化,针对不同的任务和应用场景研究相应的多无人机协同路径规划方法,并在多学科领域中进行深入交叉与融合。

基于改进蚁群算法在机器人路径规划上的研究

传统蚁群算法由于参数固定化,在机器人路径规划中,无法发挥算法的优越性。本文提出了一种改进的蚁群算法,用于提高算法在路径研究上的效率。通过分析蚁群各阶段的特点,有针对性地调整信息素因子大小,提高算法的性能。引入自适应平衡因子对启发式信息函数进行改进,维持算法平衡。利用随机概率触发随机状况,提高系统的抗干扰能力。通过提出前瞻概率调整蚂蚁节点状态转移方式,扩大搜索空间,提高路径规划的整体效率。实验仿真采用复杂度不同的地图来对比改进前后的蚁群算法。结果表明,改进后的算法不仅提高了算法性能,还可以稳定应对更为复杂的环境,为研究路径规划提供了参考。