基于YOLOv4与KCF的无人机飞行障碍精准识别与实时跟踪研究

低空飞行的无人机,时常面临飞机、鸟类、行人、汽车、交通灯等障碍物的碰撞威胁。如何准确地检测出这些飞行障碍,并在规划飞行路径(RoutePlan)时躲避它们,已经成为无人机研究领域中的一个重要课题。近年来,基于深度学习(DeepLearning)的图像识别技术(ImageRecognition)在生物特征识别、物体分类等领域展现了强大的分类检测效能,这也为无人机飞行障碍检测提供了可能的解决思路及其实现途径。本文专注于无人机飞行障碍的检测与跟踪(DetectandTrack)环节,基于YOLOv4目标检测与KCF目标跟踪,对低空常见的典型障碍物进行精准识别与实时跟踪(PreciseRecognitionandReal-timeTracking);探索了高准确率的YOLOv4目标检测(ObjectDetection)与高运行效率的KCF目标跟踪(ObjectTracking)之间的最佳平衡点,从而兼顾了无人机障碍物检测的准确率与实时性,具有较强的理论探索意义和工程应用价值。

飞行物体对微波链路遮挡效应的角谱法分析(邀请)

利用包括低轨卫星星座及同步轨道卫星等无线通信空中平台所发出的微波信号,提出一种基于飞行物体对微波的遮挡效应进行飞行物体监测的方法。如何定量分析遮挡效应是这种新方法需要解决的一个关键问题。由于微波衍射和光衍射本质上是相同的,提出利用光学分析的方法来解决这一问题。通过将整个微波链路系统用一个简化的光学系统来描述,用角谱法计算并分析了飞行物体相对于微波传播路线的移动速度、飞行物体高度等参数对接收机接收的微波强度的影响,为进一步研究这种新的监测方法奠定了基础。

基于视觉SLAM的物体实例识别与语义地图构建

针对目前面向语义同步定位与地图构建(SLAM)研究大多需要已知三维对象模型作为先验知识,或者只对有限的几种物体的类别进行语义分割,而没有区分对象的个体的问题,结合目前先进的基于深度学习的实例分割算法和视觉SLAM算法提出了一种面向实例个体的物体识别和语义地图构建方法,使得机器人不仅获得了面向导航的环境几何信息,而且掌握了面向物体个体的属性和位置信息.该方法利用由视觉SLAM算法获得的图像帧间几何一致性约束来促进连续图像帧中物体匹配与识别结果,提高物体实例识别的精度,同时结合实例识别结果完成语义建图的任务.最后实现了基于视觉SLAM算法的物体实例识别与语义地图构建系统,并在ICL-NUIM数据集上进行实验,实验结果表明该系统能够基本完整地识别场景中的各种物体并生成环境的语义地图,验证了本方法的有效性.

空间对接技术被用于汽车组装

大众汽车公司设在葡萄牙的一座汽车厂已安装了一个新系统。该系统由葡萄牙一家公司的人员在欧空局设在荷兰的企业孵化中心研制．目前正在进行评测。它采用欧空局“自动转移飞行器”（ATV）飞船与国际空间站自动对接所用的物体识别与跟踪技术来控制轿车在传送带上的速度和位置．从而实现精确装配。

基于φ-OTDR和YOLO实现PIG跟踪策略的研究

提出了一种利用相敏光时域反射仪(phase-sensitive optical time domain reflectometer,φ-OTDR)和YOLOv5(you only look once v5)目标检测算法定位跟踪管道中清管器(pipeline inspection gauge,PIG)的策略。PIG两端皮碗和管道焊缝碰撞时会产生振动,利用φ-OTDR技术可以收集该振动信号在时空图上呈现出区分于其他背景噪声的“倒V”特征。通过获取大量含有“倒V”特征的时空图来构建训练集和测试集,训练集用来训练YOLOv5网络模型,测试集用来测试训练好的YOLOv5网络。经过训练的模型被证明能够准确地捕捉时空图中的“倒V”特征,从而反演PIG的实时位置与路径。将分布式光纤传感器与神经网络算法相结合,进一步提高了PIG定位跟踪的便捷性与准确性,有利于实现PIG的在线、自动化跟踪。

雷达跟踪、探测

Y2002-63408-360 0317673通过使用彩色和运动信息对视频流中目标、阴影和幻象的检测=Detecting objects, shadows and ghosts invideo streams by exploiting color and motion information〔会,英〕/Cucchiara, R. & Grana, C. //11th Interna-tional Conference on Image Analysis and Processing.-360～365(HE) 0317674一种基于低分辨雷达的目标识别方法〔刊〕/王伟//系统工程与电子技术.-2003,25(3).-379～382(D)