基于改进YOLOv5s的无人机路面裂缝检测算法

针对原始YOLOv5s网络庞大、计算参数量多,难以实现无人机搭载嵌入式设备对路面裂缝的实时检测,且易出现漏检细小裂缝的问题,在YOLOv5s的基础上提出一种MYOLOv5的无人机路面裂缝检测算法。将改进后轻量化PMobileNetV2模块作为YOLOv5s的主干网络,采用DO-DConv模块替换特征融合部分的Conv模块;为改善训练模型的收敛效果,修正对损失函数;为提高检测模型对裂缝的关注度,将GAM注意力模块嵌入Neck网络。改进后的MYOLOv5网络参数量减少4.1 M,在Jetson Xavier NX嵌入式设备上FPS提高了17.7帧/s,mAP提高了1.8%。

面向空中目标拦截的轻量化弱小目标检测方法与应用

空中目标拦截技术依赖于目标检测与跟踪技术,而弱小目标检测作为其中的难点,其效果将直接影响整个系统的性能。针对此问题,提出了一种面向空中目标拦截的轻量化弱小目标检测方法。首先,针对弱小目标全局信息较少的问题,以YOLOv5作为基础网络,使用Swin Transformer替代其结构中的C3模块,从而增强网络的局部信息捕获能力。随后,为了补偿被稀释的语义信息,在此基础上提出具备跨连接策略的特征融合网络,通过额外融合不同尺度的特征图,解决这个问题。最后,在特征融合网络上使用一次额外的上采样并融合高分辨率特征图,进一步提升网络对弱小目标检测的能力。此外,引入目标跟踪神经网络DaSiamRPN实现对动态弱小目标长时间跟踪。为保证无人飞行器上的边缘计算设备可以实时进行模型推理,在上述基础上进行模型轻量化,剔除了模型的大尺度目标检测头,以减少模型的参数量。通过计算,改进后的算法较原YOLOv5模型参数量减少了21.5%。在VisDrone2019数据集上的实验结果表明,提出的基于YOLOv5s的轻量化目标检测算法能更好地完成弱小目标检测任务,在准确率、召回率及平均精度均值上分别达到了96.3%、59%和40.2%,各指标均明显高于原始YOLOv5s算法,且优于目前主流目标检测算法。同时在TinyPerson数据集上进行泛化实验,实验结果表明,改进后算法的弱小目标检测性能得到明显提高。为了进一步验证所提方法的有效性,在无人机平台上进行了空中目标拦截的飞行测试,结果表明该方法能很好地完成目标检测跟踪任务并成功拦截目标,为空中目标拦截提供有力的支持。

改进孪生网络无人机跟踪算法在牛场中的应用

为了提高牛场无人机目标跟踪算法的实时性和鲁棒性,试验以无人机跟踪牛只图像为研究对象,提出了一种基于残差累积模板的轻型孪生网络(siamese tracker with residual accumulation template, SiamRAT)目标跟踪算法,即采用轻量级卷积网络MobileNetV2为特征提取网络及以锚框比率变化为契机的模板更新机制,提高了算法的实时性;采用高置信度残差累积模板和多峰欧式距离检测模块来解决因相似牛只干扰而产生的跟踪漂移问题;最后将SiamRAT算法与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法在由无人机采集牧场牛只视频制作的测试数据集和VOT2018数据集中相同属性视频构成的测试数据集上,以平均精确度、鲁棒性及帧率(frames per second, FPS)为指标进行性能比较,并分析改进模块(包括残差累积模板、高置信度更新和峰值距离检测3个模块的改进)对SiamRAT算法的贡献。结果表明:与SiamRPN++、SiamDW、DaSiamRPN、SiamRPN、ECO-HC算法相比,SiamRAT算法鲁棒性最优,平均精确度稍有下降,但仍处于所有算法的第二位;FPS较SiamRPN++算法有了较大提升,性能较优。改进模块的SiamRAT算法的鲁棒性和FPS有了较大提升,平均精确度达到了0.909。说明SiamRAT算法能够很好地适应于牛场无人机跟踪环境。

面向无人机平台的轻量化目标检测网络

针对无人机端目标检测中存在图像尺度变化大、目标尺寸小和无人机机载嵌入式计算资源有限的问题,提出一种应用于无人机平台轻量化的目标检测网络。该网络以YOLOv5作为基准模型,首先增加检测分支以处理尺度变化的问题;然后提出基于归一化Wasserstein距离与传统IOU混合的小目标检测度量方法,用于解决小目标检测精度低的问题;随后提出FasterNet与C3融合的C3_FN轻量化网络结构,降低网络计算量,使其更适合无人机平台使用。最后将算法分别在仿真平台与嵌入式平台上利用无人机目标检测数据集VisDrone进行性能测试。仿真平台上的测试结果表明,本文提出的网络相较于基准网络在mAP0.5指标上提升了6.6%,mAP0.5-0.95指标上提升了4.8%,推理时间仅需45.9 ms,对比其他主流的无人机目标检测网络具有更好的检测效果。在嵌入式设备NVIDIA Jetson Nano上的测试结果表明,本文算法能够在有限的硬件资源下获得高精度接近实时的检测性能。

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。

地质灾害应急抢险中轻便型无人机快速测绘技术的应用研究

本文将轻便型无人机快速测绘技术作为研究对象,分析其在地质灾害应急抢险中的运用,当前,我国科学技术水平得到了快速发展,无人机行业技术水平不断提升,并且取得了较好的应用效果。基于此,确定轻便型无人机系统内部系统,并研究该技术在地质灾害应急抢险中的应用,提高技术应用的稳定性和准确性。

基于轻量级MobileNet-SSD和MobileNetV2-DeeplabV3+的绝缘子故障识别方法

当前的深度学习算法多存在模型参数量大、对硬件要求较高等方面的问题,难以嵌入到无人机等移动设备。为了使无人机搭载轻量级模型对架空输电线路中的绝缘子进行故障识别,提出了一种轻量级MobileNet-SSD目标检测网络与轻量级MobileNetV2-DeeplabV3+图像分割网络相结合的绝缘子自爆故障识别、分割方法。该方法首先利用MobileNet-SSD对绝缘子进行精确分类及定位,再结合MobileNetV2-DeeplabV3+语义分割算法对绝缘子自爆图片进行分割。实例表明:该方法能够快速地识别出绝缘子,并可以对各种复杂背景下的自爆绝缘子进行准确分割,同时具备模型参数量小、效率高、鲁棒性强等特征,可在一定程度上满足无人机的嵌入式应用要求,提高基于无人机对架空输电线路的巡检精度和实时性。

无人机WebGIS平台下高精度地形建立方法研究

基于无人机WebGIS平台下高精度地形建立方法,属于地形测绘领域,提供一种基于WebGIS的精细化且轻量化的地形建立与应用方式,为整个施工管理可视化平台的搭建提供高精度的地形信息[1-6],卫星地图的精度是米级,瓦片的精度是厘米级,精度由米级提高到了厘米级,同时整体地形导入100兆左右需要1d左右,用瓦片加载时只需要l^3s,尽可能的降低地形加载对浏览器负载的影响。

基于轻量化MLCE-RTMDet的人工去雄后玉米雄穗检测算法

玉米制种田遗漏雄穗检测是实现人工去雄质量评估的关键。针对现有玉米雄穗检测模型面临的参数量大、检测效率低和精度差等问题,提出一种基于RTMDet-tiny的轻量级雄穗检测模型MLCE-RTMDet。模型采用轻量级的MobileNetv3作为主干特征提取网络,有效降低模型参数量;在特征提取网络中引入CBAM注意力模块,增强对雄穗目标的多尺度特征提取能力,克服引入轻量化网络可能带来的性能损失。同时,使用EIOU Loss替代GIOU Loss,进一步提高雄穗检测精度。在自建数据集上的试验表明,改进的MLCE-RTMDet模型参数量缩减至3.9×10^(6),浮点运算数降至5.3×10^(9),参数量和浮点运算数分别比原模型减少20.4%和34.6%。测试集上模型平均精度均值增至92.2%,较原模型提高1.2个百分点;同时,推理速度达到41.9 f/s,增幅达12.6%。与YOLO v6、YOLO v8、YOLO X等当前主流模型相比,MLCE-RTMDet表现出更好的综合检测性能。改进后的高精度轻量化模型可为实现玉米制种田人工去雄后的遗漏雄穗检测提供技术支撑。

轻小型无人机航摄技术辅助的热带森林样地测量精度问题探讨

准确的样地坐标位置是无人机航摄数据与地面调查数据融合使用的必要前提,但是在森林样地的具体实践中,会有许多因素制约着样地位置的测量精度,这有可能影响后期的数据融合过程甚至得出错误的结论,研究者们需要对此予以足够的重视。本文通过对比西双版纳地区10个热带森林样地及周围区域无人机航摄过程中的地面控制点测量精度、Photoscan摄影测量软件所得点云解算精度和照片曝光点重投影精度,发现:(1)即使使用性能相对较好的实时差分(real time kinematic,RTK)式GNSS系统进行定位,在林内也很难获得很好的定位精度,林窗处的地面控制点均方根误差(root mean square error,RMSE)在水平和垂直方向分别为0.167±0.158 m和0.297±0.170 m,林下样地顶点桩处分别为0.392±0.368 m和0.657±0.412 m;(2)软件的全局解算精度主要受控制点地面测量精度和控制点数量的影响;(3)若仅依托普通的单站式GPS对无人机位置进行定位,则照片曝光点的重投影坐标位置可能存在较大误差(RMSE在水平和垂直方向上分别为18.434±5.252 m和34.042±6.920 m);(4)估测地形与实测地形间的高差标准差与林冠平均高度正相关(r=0.713,P<0.05),估测地形模型在20 ha样地尺度下的验证结果优于1ha样地。基于以上结果,我们建议:(1)在对热带森林进行无人机航摄的过程中,必须有足够数量和质量的分布相对均匀的地面控制点对测量误差进行控制;(2)摄影测量法的优势在于能够以相对简单的前端设备建立数字表面模型,但该方法可能很难在森林样地中建立准确的数字地形模型。在使用无人机获取数据之前,研究者应预先考虑到适合自己的恰当方法以应对以上的精度控制问题。

针对弱小无人机目标的轻量级目标检测算法

为解决无人机“滥用”带来的安全隐患,针对现有基于深度学习的无人机目标检测算法复杂度较高,导致模型训练耗时长、占用计算资源大、输入图像尺寸受限、检测速度慢等问题,提出了一种轻量级无人机目标检测(DTD-YOLOv4-tiny)算法。所提算法以YOLOv4-tiny为基础,通过K-means++聚类算法对Anchor box进行优化,并增加52×52尺寸特征图的检测头,拓展了算法对小目标的适用范围,再结合ShuffleNetv2轻量化骨干网络,使用reorg_layer下采样和sub-pixel上采样的方式,分别对YOLOv4-tiny算法的Backbone、Neck和Head进行优化,最终得到的模型大小仅为1.4 MB,浮点运算量(GFLOPs)仅为1.1的DTD-YOLOv4-tiny轻量级检测算法。实验结果表明,DTD-YOLOv4-tiny检测模型在不限制图像输入尺寸的同时,保证了较低的运算资源占用和高的检测实时性,同时降低参数量后的算法在面对原始大尺寸图像时也可以保持准确性。在Drone-vs-Bird 2017数据集上使用960×540尺寸的图像作为输入时,所提算法的平均精度(AP)@50值达到95%,在RTX2060显卡上的检测速度达到113 frame/s;在TIB-Net数据集上使用1920×1080尺寸的图像作为输入时,所提算法的AP@50值达到85.1%,在RTX2080Ti显卡上的检测速度达到119 frame/s。