改进YOLOv7的城市小型无人机目标检测方法

针对“低小动”无人机的反制技术已成为低空空域安全防御的重要手段,然而实时检测与准确识别是实施有效反制的前提条件与关键基础。针对城市低空环境下,目标检测算法对不同背景下小尺度无人机目标检测精度低,容易出现漏检误检且易受外界因素干扰等问题,提出了一种基于改进YOLOv7的“低小动”无人机目标检测方法。首先采集大量不同环境、不同背景下的无人机样本构建数据集,并采用ViBe(visual background extractor)算法进行预处理;其次引入坐标注意力机制与SPDConv(space-to-depth convolution)模块改进和优化YOLOv7的网络结构;最后提出融合ViBe和改进YOLOv7的二级检测架构,将改进后的YOLOv7作为网络模型检测经ViBe处理后的图像。依据原图与处理图像的位置大小关系,将检测出的目标坐标映射回归至原图片,从而完成目标检测提取。实验结果表明,所提目标检测方法检测精度达96.5%,较原YOLOv7方法提高了15.8个百分点,显著提升了“低小动”目标的检测精度,能够满足低空无人机的实时精准检测的需求。

基于超分辨率重建的反无人机检测方法研究

现如今无人机技术在民用和军用领域得到了广泛应用,但是由于无人机技术的易于获取和操作,导致无人机的“黑飞”与“滥飞”问题严重。传统的反无人机检测方法在复杂的飞行环境下常面临误检、漏检等问题,导致对无人机的检测不够准确。因此,文章提出了一种基于超分辨率重建与YOLOv5s融合的检测方法。该方法使用改进的增强型超分辨率重建生成对抗网络(Real-ESRGAN)提升图像分辨率,使得检测网络能够提取到小目标的更多特征信息;使用优化的YOLOv5s对重建后的图像进行检测。实验结果表明,该方法在反无人机检测方面表现出色,精度高达90.3%,相较SSD、YOLOv7等经典目标检测模型效果更好。

基于多路蓝牙接收器的无人机跟踪系统

随着无人机日益受到人们关注,对无人机交通的管理与控制变得尤为重要,尤其需要开发用于监控无人驾驶飞行器的系统,以实现对无人机的监控和追踪。文章提出了一种基于多路蓝牙低功耗接收器的无人机位置跟踪系统。该系统首先通过距离和角度的估算确定目标位置,同时在4个蓝牙接收器上使用接收到的信号质量指示(RSSI)信号。基于估算的距离和角度,系统逐渐监控目标位置。为提高估算算法的准确性,文章引入了一种新的记忆方法,对运动数据进行重新提取。