基于计算机视觉技术的无人机检测跟踪方法

针对无人机因目标较小而难以检测、检测速度慢、难于跟踪等问题,提出一种基于目标检测YOLOv5s算法和目标跟踪DeepSORT算法的无人机检测跟踪方法;采用自采数据集和公开数据集构建无人机检测数据集,使用针对小目标的数据增强方法以扩充数据集多样性;选择合适的YOLOv5算法模型实现无人机目标的精准、快速检测,引入基于批标准化层的模型剪枝方法进一步提高模型检测速度;利用DeepSORT算法实现无人机目标的实时追踪;通过对比YOLOv3、 YOLOv4、 Fast R-CNN以及改进前的YOLOv5算法,验证了本文方法在无人机检测方面的性能。结果表明:提出的无人机检测跟踪方法的全类平均精度达到0.947,每秒浮点运算次数达到2.93×10~9,在无人机检测的精度和速度方面均具有优势。

新型无人机检测技术在桥梁检测工程中的应用策略

文章研究了新型无人机检测技术在桥梁检测工程中的应用策略,在明确无人机检测技术适用性的基础上,从总体检测流程、无人机路径规划、摄影图像预处理、裂缝边缘分割、裂缝信息获取等方面出发,分析了桥梁检测工程中新型无人机检测技术应用要点,有利于提高桥梁检测的全面性和精确度,为桥梁维护管理提供科学决策。

基于改进YOLOv5的轻量化无人机检测算法

针对现有的无人机检测算法无法同时兼顾检测速度及检测精度的问题,本文提出了一种基于YOLOv5s(You Only Look Once)的轻量化无人机检测算法TDRD-YOLO(Tiny Drone Real-time Detection-YOLO).该算法首先以YOLOv5s的多尺度融合层和输出检测层分别作为颈部网络和头部网络,引入MobileNetv3轻量化网络对原骨干网络进行重构,并将骨干网络后的通道在原YOLOv5s的基础上进行压缩,减小网络模型大小;其次,将骨干网络中Bneck模块的注意力机制由SE修改为(Convolutional Block Attention Module,CBAM)并在颈部网络引入CBAM,使网络模型更加关注目标特征;最后修改颈部网络的激活函数为h-swish,进一步提高模型精度.实验结果表明:本文提出的TDRD-YOLO算法平均检测精度达到96.8%,与YOLOv5s相比,参数量减小到原来的1/11,检测速度提升1.5倍,模型大小压缩到原来的1/8.5.实验验证了本文算法可在大幅降低模型大小、提升检测速度的同时保持良好的检测性能.

Bi-PPYOLO tiny:一种轻量型的机场无人机检测方法

机场“黑飞”无人机的检测关系着整个机场的安全问题,机场现有基于雷达手段的无人机探测方法无法正确识别无人机的类型及个数。基于现有雷达探测无人机方法存在的缺点,对PPYOLO tiny目标检测方法在无人机检测中存在的问题进行改进,结合机场“黑飞”无人机的特性和硬件设备部署中模型参数量小的特性,提出了基于Bi-PPYOLO tiny的轻量型无人机检测方法,提出双锥台特征融合结构,并优化检测头部的锚框大小,有效提升了无人机的检测精度。经试验验证,该方法将平均检测精度PmA从68.07%提升至76.71%,模型参数量为4.06 MB,推理速度为32.21帧/s。所提方法有助于轻量型无人机检测方法在光电设备上的部署与实施,与现有机场无人机探测手段共同保障机场安全。

复杂背景下的低空无人机检测与跟踪算法

提出一种基于YOLOv5与CSRT算法优化的实时长跟踪方法,实现了对无人机在净空、城市、森林等场景的稳定跟踪。针对跟踪的不同阶段建立不同分辨率的两个捕获网络,分别对两个网络进行小目标检测优化和性能优化,并根据无人机数据集特点对其进行正负样本的添加以实现数据增强。然后,对CSRT算法使用GPU进行优化并结合特征点提取构建了低空无人机检测与跟踪模型。最后,将算法使用Tensorrt部署后在自建数据集上进行实验,实验结果表明,所提方法在RTX 2080Ti上实现了400FPS的跟踪性能,在NVIDIA Jetson NX上实现了70FPS的性能。在实际外场实验中也实现了稳定的长时间跟踪。

基于改进YOLOv5与嵌入式平台的多旋翼无人机检测算法

针对在嵌入式平台上检测无人机时面临的资源占用率高、实时性差的问题,提出一种改进YOLOv5网络的目标检测算法。以YOLOv5s网络为基础模型,使用MobileNetV3网络代替CSP-Darknet53作为骨干网络进行特征提取,并优化改进特征加强网络以及算法的回归框损失函数。基于自建无人机数据集分别在PC机和嵌入式平台RK3399上进行测试,实验结果表明:改进后的YOLOv5算法与原算法相比,在保持较高检测精度的同时,检测速度提升了38%,模型大小降低了45%,有效提升了算法的检测性能,满足应用于嵌入式设备的实际需求。

基于Slim-YOLOv4与嵌入式设备的无人机检测

为了在资源受限的嵌入式设备上实现对无人机的实时检测,文中提出了一种基于YOLOv4的轻量化检测网络,即Slim-YOLOv4。该网络选用Ghostnet替换原YOLOv4的主干特征提取部分,将特征融合部分中的3×3卷积替换为深度可分离卷积,并对深度可分离卷积中的激活函数进行优化,以减少网络的参数量、计算量,加快网络的收敛。实验结果表明Slim-YOLOv4的准确率达到91.6%,与原YOLOv4相比损失了1.6%,但是原YOLOv4的权重文件高达250 MB。在不影响鲁棒性的前提下,Slim-YOLOv4的权重文件大小仅为42 MB,且优于Faster-RCNN模型的108 MB和Mobilenetv3模型的53 MB。新方法每秒处理的图片数量在PC上达到31.2 frames·s^(-1),在嵌入式设备上高达37.6 frames·s^(-1),证明可以将其部署到嵌入式设备上对无人机进行实时检测。

无人机检测系统在桥梁检测中的应用研究

在本文的研究中,主要的研究目的就在于探究无人机检测系统在桥梁检测中的具体应用,并分析其所能够发挥的作用与价值。报告采用了文献查阅法、案例分析法等对桥梁检测中无人机检测系统的实际应用,进行了相关研究。结果发现,在当前阶段的桥梁检测中,对于无人机检测系统的应用是较为广泛的,所涉及的技术手段也呈现出较为多样的特点,而在子系统的划分上,主要可以分为数据采集、数据处理2方面。因此,将无人机检测系统的作用进行充分发挥,能够准确检测出现用桥梁所存在的问题,并能够有针对性的提出对策,来保证问题的解决效果,从而对桥梁的安全运行、使用质量等做出保障。

新型无人机检测技术在桥梁检测工程中的应用

随着科技的不断进步,无人机技术的快速发展已经在许多领域得到了广泛应用。其中,桥梁检测工程是一个日益重要的领域,因为维护和保护桥梁的安全和结构完整性对于人们的出行和经济发展至关重要。传统的桥梁检测方式存在一些局限,例如耗时、高成本、危险等。因此,引入新型无人机检测技术在桥梁检测工程中的应用,成为一个备受关注且具有巨大潜力的研究方向,本文将重点探讨无人机技术在桥梁检测工程中的应用领域和技术创新,以期为桥梁工程领域的研究和实践提供有益的指导和参考。

基于轨迹和形态识别的无人机检测方法

无人机因具有体型小以及受环境干扰大等因素导致其在可见光图像序列下的检测准确率较低。为此,提出一种新的无人机检测方法。通过转台相机捕获飞行物形态变化,使用轨迹聚类算法获得运动小目标轨迹,提取并融合目标的轨迹特征和形态特征,进而通过人工神经网络识别目标,并采用小范围搜索算法进行追踪,同时运用干扰无线电定向压制无人机。实验结果表明,该方法对无人机和飞鸟的识别准确率达到99.53%,且能够实时检测、识别和追踪。

基于SSD的实时轻量级无人机检测算法

针对当前无人机检测算法普遍不能做到快速准确检测的问题,提出了一种基于SSD的改进实时轻量级无人机检测算法--TSSD。首先,针对SSD算法的骨干网络权重参数量大的问题,改进得到一种轻量级的骨干网络。其次,针对SSD只利用多层特征图进行多尺度预测,而特征之间的联系没有被很好地融合利用,加入了一种特征增强模块来提高检测能力。在自建无人机数据集中进行的实验结果表明,提出的算法检测速度达到125f/s,远高于原始SSD的检测速度,且准确率比原始SSD也有所提升。

基于特征增强YOLOv4的无人机检测算法研究

现有基于深度学习的目标检测方法在面对空中消费级无人机时,存在鲁棒性差、准确率不足等问题。对此,提出一种基于特征增强的YOLOv4目标检测方法—FEM-YOLOv4。首先,针对无人机低、小、慢等特点,改进骨干网络,降低下采样倍数,充分利用包含细粒度信息的浅层特征;其次,加入特征增强模块(feature enhancement module),通过使用不同空洞率的多分支卷积层结构,综合不同深度的语义信息和空间信息,增强小尺度无人机的细节语义特征;另外,利用多尺度融合的特征金字塔结构,突出特征图包含的细节信息和语义信息,提升模型对无人机目标的预测能力;最后,采用K-means++算法对无人机目标候选框的尺寸进行聚类分析。与6种目标检算法进行对比,实验结果表明,FEM-YOLOv4算法的mAP和Recall分别达到89.48%、97.4%,优于其他算法,且平均检测速度为0.042 s。

基于深度特征提取的无人机检测算法

随着无人机技术在生产生活中的广泛应用,由其引起的公共安全、隐私保护等问题也日渐突出,因此基于计算机视觉的无人机检测技术逐渐成为当下的研究热点。目前,常用的深度学习目标检测方法如Faster-RCNN、Yolo等在通用的目标检测领域已经可以获得良好的检测性能。但是在无人机检测任务上,由于目标小、边缘设备算力低等限制因素,常用的目标检测算法无法有效地应对这些难题。对此,文中基于轻量级无人机检测网络TIB-Net,引入改进的特征融合模块,将层间特征金字塔模型与像素洗牌方法结合并集成到主干网络,提出了基于深度特征提取的无人机检测算法。该算法不仅通过像素洗牌增强了小目标的细节特征,同时由于层间金字塔的引入,扩大了深度网络的感受野,增强了网络特征提取能力。最终在无人机数据集上进行了测试,对比结果显示该算法对无人机检测的效果有明显提升,最终mAP达到90.4%。

基于国产嵌入式智能计算平台的无人机检测方法

面向陆地战场上对反无人机侦察的现实需求,提出一种基于国产嵌入式智能计算平台的无人机检测方法。针对无人机体型小、易受战场环境影响而不易察觉的难题,采用红外、可见光图像和视频流等多源输入进行目标检测;针对嵌入式平台算力和存储能力有限的特性,构建轻量化深度神经网络,通过将单次多盒检测器(SSD)中的特征提取网络替换为MobileNet进行模型优化;选用国产嵌入式平台比特大陆SE5智能计算盒进行验证,完成模型转换和移植。实验结果表明:所提基于轻量化深度神经网络MobileNet-SSD的无人机检测方法在国产嵌入式智能计算平台上能够准确判断出目标的类别,且平均识别精度和帧率与在开发环境中运行差距不大。充分表明所提方法在国产嵌入式智能计算平台上进行移植后,能够在速度和精度方面满足应用环境对无人机检测算法实时性与准确性的要求。

基于深度卷积神经网络的小型民用无人机检测研究进展

小型民用无人机预警探测是公共安全领域的热点问题,也是视觉目标检测领域的研究难点。采用手工特征的经典目标检测方法在语义信息的提取和表征方面存在局限性,因此基于深度卷积神经网络的目标检测方法在近年已成为业内主流技术手段。围绕基于深度卷积神经网络的小型民用无人机检测技术发展现状,本文介绍了计算机视觉目标检测领域中基于深度卷积神经网络的双阶段算法和单阶段检测算法,针对小型无人机检测任务分别总结了面向静态图像和视频数据的无人机目标检测方法,进而探讨了无人机视觉检测中亟待解决的瓶颈性问题,最后对该领域研究的未来发展趋势进行了讨论和展望。

改进RetinaNet特征融合方式的无人机检测方法

常见的目标检测方法如R-CNN系列方法、YOLO系列方法和RetinaNet等,虽然在通用数据集上有着不俗表现,但是在无人机小目标检测任务中的表现却不尽如人意。分析原因是这些方法采用的传统特征金字塔融合网络FPN存在着上采样失真、语义信息衰减以及深层语义差异的问题,导致目标检测网络未能获取足够有辨识度的特征,致使其在无人机小目标检测任务中表现不佳。对此,该文提出了一种基于RetinaNet网络的多尺度特征融合方法。该方法采用像素洗牌上采样模块构建了像素洗牌融合网络,并且引入了深层语义增强模块,可在多尺度特征融合阶段提升无人机小目标在网络浅层的特征表示效果,进而提升深度神经网络对无人机小目标的检测性能。最后在自建蜂群无人机数据集上的实验结果显示,引入新的特征融合方法之后,网络对无人机的检测精度达到91.2%,提升了1.7%。

一种Anchor Free的无人机检测方法

目前几乎所有最先进的目标检测方法都依赖于预先定义的anchor,但是由于anchor的存在,网络会增加与anchor相关的计算开销,而且在现实世界中,目标尺度多种多样,比如地对空拍摄的无人机目标,预先定义的anchor不可能穷举所有的无人机尺度。因此,该文抛弃预先定义的anchor,采用anchor free的方法来检测无人机。该anchor free方法以目标中心区域的像素为训练样本来逐像素预测边界框的偏移量。针对地对空拍摄的无人机目标大部分都是小尺度的情况,采用高分辨率网络HRNet作为主干网络来提取小目标细粒度的特征,从而提高小目标检测的精度。相对于基于anchor的目标检测方法,该网络框架简单、灵活,并且可以自适应地预测无人机目标的边界框。在自己设计的无人机数据集上,该方法获得了更高的召回率和精确率。

新型无人机检测技术在桥梁检测工程中的应用

智能化监测技术的快速发展也在促进无人机技术的快速发展,目前在各个行业无人机检测技术都得到广泛应用,但是随着各个行业融合发展的趋势,也有着限制无人机发展的问题。目前我国桥梁建设中,结合各项桥梁项目的增多,检测效果和检测方式也需不断变化和提升。因此本论述基于此背景,对传统桥梁检测方式进行分析和研究,随后分析传统与现代新型无人机检测技术,最后提出无人机检测技术在桥梁检测工程中的实际应用,以案例分析为背景,希望本论述所提出的相关应用能够为后续同种类型工程建设奠定重要技术基础。

无人机检测在车牌字符自动识别系统中的应用

传统车牌字符自动识别系统忽略了字符本体信息特征的提取,导致车牌字符识别误差较大。为此,提出基于无人机检测技术的车牌字符自动识别系统。构建车牌字符自动识别的无人机检测图像采集模型以及图像融合模型。通过边缘参数分割和融合特征识别法,实现无人机图像像素融合和特征分解。提取无人机采集图像资源的二元语义本体信息特征,结合图像的语义特征融合方法,实现对车牌字符的自动识别。并采用深度学习方法寻优车牌字符识别结果。仿真实验结果表明,所提的车牌字符识别方法可靠性较好,识别精度较高。

新型无人机检测技术在桥梁检测工程中的应用

随着科学技术的发展,我国的无人机检测技术有了很大进展,并在桥梁检测工程中得到了广泛的应用。多元化的任务需求推动着无人机相关技术的突破,如更长的续航时间、更大的任务载荷、更强的通信能力、多机协同作业,等等。结合各项桥梁项目的增多,检测效果和检测方式也需不断变化和提升。基于此背景,本文首先分析了桥梁检测技术的应用价值,其次探讨了无人机检测方法,希望本论述所提出的相关应用能够为后续同种类型工程建设提供参考。