改进YOLOv5的小型旋翼无人机目标检测算法

低空慢速小型目标检测一直是预警探测领域关注的重点和难点。目前,基于神经网络的主流目标检测算法在设计时主要考虑应用于VOC数据集或COCO数据集,在特定场景下检测精度不够理想。针对复杂背景下小型旋翼无人机目标检测的特定检测场景,提出一种基于改进YOLOv5的小型旋翼无人机目标检测算法。首先,增加小目标检测层以获得大尺寸的浅层特征图,从而提升算法对小目标的检测能力;其次,针对小型旋翼无人机尺寸不一的问题,利用K-Means++聚类算法对先验框的尺寸进行优化并将其与各特征层进行匹配;最后,使用Mosaic-SOD方法进行数据增强以及改进损失函数,增强算法对小目标的感知能力以及提高网络训练效率。将改进后的算法应用在复杂背景下的小型旋翼无人机目标检测中,实验结果表明,相较于原始YOLOv5算法,该算法在小型旋翼无人机目标检测上具有更高的检测精度和特征提取能力,虽然检测速度有一定下降,但通过对可见光视频流进行检测可知其仍能够满足实时性的要求。

面向低慢小无人机的SKDC-LDS技术

反无人机技术的发展很大程度上与无人机技术扩散带来的威胁有关,特别是在平时和战时环境中的低慢小廉价无人机。面对日益迫切的低慢小无人机威胁需求,全面分析威胁问题产生的根源和反制难点,系统总结国内外低慢小无人机探测和反制系统的产品和技术发展现状,提出架构统一、功能扩展、分层防御的SKDC-LDS(Soft-Kill Distributed Coordination Layer Defence System)系统解决方案,并分析定区侦察、定区干扰等急需突破的关键技术。

基于拦截无人机反制“低慢小”目标的新型防御系统

随着消费级无人机市场的快速增长,以四旋翼无人机为代表的“低慢小”目标“黑飞”带来的低空安全威胁越来越大,不同于国内外现有的防御系统,提出了一种以物理拦截为主要反制手段的“低慢小”目标防御系统,对系统组成、关键过程进行了分析,并给出了仿真计算结果,该系统的构建对于指导新型无人机防控系统的设计具有一定的参考意义。