- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 557345 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172576
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 18
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
基于视觉的无人机板载自主实时精确着陆系统
/ {+ c8 f& w/ |9 `/ b* |9 I+ a
" a% O% D1 X5 [- s9 m7 m* R- c; w4 Q! B2 q/ c9 f( n, [
" q' U7 V% o7 R7 t9 w5 K" E7 N基于视觉的无人机自主精确降落研究可以被广泛应用于电力巡检、森林巡检等行业。传统视觉方案无法
( `4 t- O+ s: m9 O& u; O应对降落过程中复杂的环境变化,无法实现在机载处理器上的实时图像处理。因此提出一种适用于无人机板载端
! N. e; J: j* N4 N( \轻量高效的 Onboard-YOLO 算法,使用可分离卷积代替常规卷积核,有效提升速度。通过注意力机制自动学习通" k& |: X9 i4 `5 K2 K
道特征权重提高模型准确度。在五种干扰环境下进行降落测试,并与行业领先的实时检测算法进行对比实验。实4 K, F9 J: H2 A. W7 e
验结果表明:Onboard-YOLO 可以解决降落过程中的复杂环境问题,在板载端达到 18.3 帧计算速度,相比原始% Q+ y7 y. X0 Y+ \& k2 [5 |) |
YOLO 算法提升了 4.3 倍,相比 Faster-RCNN 提升了 25.7 倍,算法平均准确度达到 0.91,相比 SSD-Mobilenet 提
# ]0 U" @# H5 C7 D高 8.9%,经过实际测试验证,Onboard-YOLO 可以实现无人机板载端的实时自主精准降落,达到 95%以上的降落
9 Y8 P/ {8 V! @/ \! b6 T成功率。
/ S) O! J; e- W. _( }" i/ B" r
7 T- t" q% N* ?2 c- y3 {" @% R2 @# ~6 k: j% h. I1 ~0 w
|
zan
|