基于改进YOLOv5s的四旋翼自主降落标识检测算法

无人机自主降落是无人机领域研究的热点之一,导航信息在自主降落过程中又起到至关重要的作用,而视觉导航相较于传统导航方式可以提供更多环境信息,有利于提高无人机着陆安全性;当无人机飞行高度越高,机载相机捕获到的降落标识物就越小,为了提升无人机识别标识物的能力,基于YOLOv5s算法提出了一种改进的无人机实时小目标检测算法;首先,为了检测到更小尺度的目标在原算法基础上新增一个检测头;然后采用BiFPN代替原先PANet结构,提升不同尺度的检测效果;最后将EIoU Loss替换CIoU Loss作为算法的损失函数,在提高边界框回归速率的同时提高模型整体性能;将改进算法应用于无人机自主降落场景下的二维码降落标识检测,实验结果表明改进后的算法在小目标检测中相比于原始YOLOv5s算法的特征提取能力更强、检测精度更高,证明了改进算法的优越性。

基于YOLOv8的无人机编队领航者检测算法

基于视觉的无人机编队方法具有不受通信拒止影响的优点,与传统编队算法相比有更强的鲁棒性,逐渐成为了领域内的研究热点。在Leader-Follower无人机视觉编队模式中,跟随者通过对领航者执行实时目标检测,并解算出领航跟随者之间的相对位置关系来完成编队控制任务。基于YOLOv8n目标检测模型提出了一种改进的实时目标检测算法:在Neck模块中加入可变形卷积模块;加入多头注意力机制增强特征提取;在训练过程中进行数据增强。为验证所提算法的性能优势,进行了2次对比测试,实验结果表明,改进算法比原始算法的特征提取效果更强,检测精度更高。最后,将改进的领航者检测算法应用于无人机编队任务中,证明了所提算法的实际应用价值。