CN108921003A - 基于卷积神经网络和图像形态学的无人机障碍物检测方法 - Google Patents
基于卷积神经网络和图像形态学的无人机障碍物检测方法 Download PDFInfo
- Publication number
- CN108921003A CN108921003A CN201810387696.6A CN201810387696A CN108921003A CN 108921003 A CN108921003 A CN 108921003A CN 201810387696 A CN201810387696 A CN 201810387696A CN 108921003 A CN108921003 A CN 108921003A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- unmanned aerial
- aerial vehicle
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000011282 treatment Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，包括：对拍摄到的前方图像进行预处理，然后通过简单的特征从图像中定位出无人机可能出现的位置，以提高系统的实时性。接着对图像进行形态学处理，去除图像图像中可能存在的噪声等影响。最后利用已经训练好的卷积神经网络来对前者所获取的无人机假设生成区域进行检验，将卷积神经网络判断为非目标的区域从假设产生区域的集合中去除，最后将判定为目标区域的图像进行标记，输出对应图像。本发明能够有效的提高检测的准确率和实时性，而且卷积神经网络具有从原始图片中自适应提取特征的优点，可以有效规避人工特征提取的局限性。
Description
技术领域
本发明涉及无人机自主飞行技术领域，特别是涉及一种基于卷积神经网络和图像形态学的无人机障碍物检测方法。
背景技术
障碍物规避是无人机自主飞行的关键问题，特别是在无人机群的应用范围增加的情况下，无人机群中的无人机等移动障碍物以及作业地点的复杂环境里的其它障碍物，会对无人机造成极大的威胁。为了确保安全，快速判定障碍物位置并做出相应的控制策略变得尤为重要。
目前国内外针对无人机避障，主要依靠无人机附带的环境探测传感器：超声波测距传感器、激光雷达传感器及双摄像头立体视觉传感器。但是，利用传感器来感知无人机周围的环境和障碍物有比较明显的干扰问题。虽然超声波避障系统不会受到光线、粉尘、烟雾的影响，但在部分场景下也会受到声波的干扰。其次，如果物体表面反射超声波的能力不足，避障系统的有效距离就会降低，安全隐患会显著提高。一般来说，超声波的有效距离是5米，这显然无法满足无人机作业的需求。现如今，无人机群的应用环境愈发复杂多变，不同的地点和不断变化的气候等情况要求无人机群检测算法具有鲁棒性；其次，检测是否正确影响着系统的决策，只有正确的定位前方的障碍物，系统才能做出正确的决策，避免事故发生，所以要求无人机群检测算法具有准确性；最后，障碍检测算法速度要快才能够避免事故的发生，要求障碍检测算法具有实时性。传统的基于先验知识的，基于模板匹配的，基于机器学习的检测算法所使用的特征提取方法，通常都是人工设计的，虽然这些特征提取算法可以从样本中获取具有代表性的特征，但由于人工描述特征的局限性，对于不同的检测目标使用不同的特征提取算法会有大相径庭的效果，因此其鲁邦性较差。且以上方法提取出来的特征较为简单，只适用于结构非常简单的目标检测，对于复杂的物体匹配的准确度低。无法满足准确性的要求。
发明内容
本发明所要解决的技术问题是提供一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，能够有效的提高检测的准确率和实时性。
本发明解决其技术问题所采用的技术方案是：提供一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，包括以下步骤：
(1)无人机对图像信息进行采集；
(2)对采集到的图像信息进行预处理；
(3)对预处理后的图像进行假设生成目标区域；
(4)对得到的图像进行形态学处理；
(5)利用卷积神经网络检验判定形态学处理后得到的假设生成目标区域；
(6)输出图像处理结果。
所述步骤(1)中通过安装在无人机前方的摄像机以设定的拍摄时间周期进行拍摄以采集图像信息。
所述步骤(2)中的预处理包括灰度化处理和滤波去噪处理。
所述灰度化处理具体为：将图像信息的RGB三个分量进行加权平均得到灰度值；所述滤波去噪处理具体为：对于原图像中的每一个像素点使用其邻域的像素点的加权平均值代替原像素点，其中权值是根据高斯函数的函数形状来决定的。
所述步骤(3)具体为：通过无人机区别于背景图像的显著性特征将无人机从图像中检测出来，得到无人机的假设生成区域，判断无人机可能存在的大致区域。
所述步骤(4)中的形态学处理为开运算处理。
所述步骤(5)中卷积神经网络的结构为：第一层为输入层，输入层接收形态学处理后得到的假设生成目标区域；第二层为卷积层C1，由32个特征图组成，使用大小为5×5的卷积核，步长为1；第三层为池化层S2，由32个特征图所构成，其对应卷积层中的32个特征图，使用的采样区域大小为3×3，采样过程步长为2，使用Max-Pooling的重叠采样；第四层为卷积层C3，由32个特征图组成，卷积核大小为5×5；第五层为池化层S4，采样区域大小为3×3进行Mean-Pooling采样，步长为2，最终形成32个特征图；第六层为卷积层C5，使用卷积核大小为5×5的卷积核，最终形成64个卷积特征图；第七层为下采样层S6，使用2×2大小的区域对第四层卷积层进行Mean-Pooling采样，得到64个特征图；网络的最后两层采用全连接神经网络，FC1的100个神经元与下采样层S6中的所有特征图的神经元相连接，并使用概率为0.5的Dropout方法，输出层的2个神经元与FC1的100个全部相连接，最后一层采用Softmax回归模型。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明结合了形态学处理和卷积神经网络。首先对拍摄到的前方图像进行预处理，然后通过简单的特征从图像中定位出无人机可能出现的位置，避免穷尽搜索，以提高系统的实时性，这一步称为假设生成。接着对图像进行形态学处理，去除图像图像中可能存在的噪声等影响。最后利用已经训练好了的卷积神经网络来对前者所获取的无人机假设生成区域进行检验，以保证系统的准确性。采用的基于卷积神经网络的检测算法，能够有效的提高检测的准确率和实时性，而且卷积神经网络具有从原始图片中自适应提取特征的优点，可以有效规避人工特征提取的局限性。
附图说明
图1是本发明的流程图；
图2是本发明灰度处理后的二值图；
图3是本发明使用的卷积神经网络结构图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，如图1所示，包括以下步骤：
(1)无人机对图像信息的采集
本实施方式检测的对象是无人机在无人机群飞行中的前方无人机障碍物，无人机前方的图像获取方法主要是通过安装在无人机前方的摄像机进行拍摄。在无人机作业之前，设定好摄像机拍摄的时间间隔或者周期，如定为0.01s。将拍摄到的图片传输到无人机内部的中央处理单元进行后续的处理。
(2)对采集到的图像信息进行预处理
图像信息的预处理包括减少图像冗余信息的灰度化处理，减少图像噪声的滤波去噪。
1)一般来说，摄像机所获取的大都是彩色图像。计算机中较为常见的是使用RGB模型，CMYK模型等来表示彩色图像。摄像头所采集的一般属于RGB模型。其中RGB分别表示红色，绿色，蓝色这三原色。图像中的每一个像素点都有R、G、B三个通道的分量，每个分量的大小通过0～255之间的数值表示。如果对这样的彩色图像直接进行处理，我们就要分别对图像的3个通道进行处理，加大了计算量和复杂度，影响实时性。所以对彩色图像进行灰度化处理来减小计算量和复杂度，提升实时性。图像灰度化即指将彩色RGB图像的每个像素处理成只有一个通道，用一个颜色表示其他所有的颜色变化，也就是0～255的灰度值，表示从黑色到最亮的白色的灰度。具体做法是将RGB三个分量进行加权平均得到灰度值。常用的加权方法有如下几种：
Gray＝max(R,G,B) (1)
Gray＝(R+G+B)/3 (2)
Gray＝R or Gray＝G or Gray＝B (3)
Gray＝0.11B+0.59G+0.3R (4)
其中式(1)为最大值法，式(2)为平均值法，式(3)为分量法，式(4)是从人体生理学角度所提出的一种权值，也就是人眼对红色，绿色，蓝色的敏感度。本实施方式采用的是第四种方法。图2为灰度处理后的灰度图。
2)图像在获取、传输和存储的过程中，受到其他因素的影响通常带有一定的噪声，引起噪声的原因有：拍摄设备抖动、拍摄环境不佳、拍摄设备内部成像系统引起的噪声等。这些噪声会降低图像的质量，造成图像模糊，直接影响到后续处理的效果，因此，为了不影响后续处理，有必要对摄像头所拍摄的图像进行降噪处理，尽量保留图像中有用的图像信息同时平滑图像噪声。用f(x,y)表示原始图像，n(x,y)表示噪声，g(x,y)表示含噪图像。式(5)表示加性噪声的形成，式(6)表示乘性噪声的形成。
g(x,y)＝f(x,y)+n(x,y) (5)
g(x,y)＝f(x,y)+n(x,y)f(x,y) (6)
本实施方式采用的是花费时间短的基于空间域的图像去噪方法：高斯滤波器。算法的主要过程为对于原图像中的每一个像素点，使用其领域的像素点的加权平均值代替原先的像素点。使用的模板权值是根据高斯函数的函数形状来决定的。对于本发明中的二维灰色图像，通常使用二维0均值的高斯函数。如式(7)所示，其中(x,y)表示当前点到中心点的距离。
其中，σ为正态分布的标准方差。
本实施方式采用的是3×3高斯滤波器，如式(8)所示。
使用高斯滤波器模板可以很好的保留图像细节的同时平滑噪声，而且不会引起图像的失真。
(3)对预处理后的图像，进行假设生成目标区域这一步
为了提高系统的实时性，在检测无人机之前，可以通过简单的特征从图中获取无人机可能出现的位置，通过判断无人机可能存在的大致区域，再进行较为复杂的验证，可以快速的提高系统的处理速度。本实施方式采用的是基于先验知识的无人机检测算法。基于先验知识的无人机检测方法是通过无人机区别于背景图像的显著性特征将无人机从图像中检测出来。通常使用的显著性特征有对称性，角点，边缘等。无人机作为人造物体，有着典型的对称性。而对称性在计算机视觉领域中经常作为检测物体的方法之一。从无人机图片可以看出，无人机具有明显的水平对称性。同时无人机机身包含着许多垂直和水平的边缘特征，可以和对称性一起结合使用于无人机的检测。得到无人机的假设生成区域。
(4)对得到的图像进行形态学处理
图像在经过二值化(灰度)处理之后难免会出现一些离散区域。这些区域通常是一些噪声点，这些区域会干扰我们后续的处理。为此，去除图像中的干扰点，才能最终得到较为准确的假设生成区域。形态学处理的基本思想是用一定结构的形态结构元素去度量和提取图像中的对应形状，其目的是对图像进行分析和识别。形态学处理常常用于二值图像，常常作为去除二值图像中不相干结构区域的工具。常用的形态学处理有腐蚀、膨胀、开运算和闭运算。
由于开运算能够有效去除图像中孤立需要排除掉的点，并且能够保持其他区域总体的大小变化不大，因此，本实施方式采用的是开运算处理。图像的开运算是腐蚀和膨胀组合来的，对腐蚀后的图像再进行膨胀操作为开运算。二值图像在经过开运算处理后，可以消除图像中孤立的点、毛刺和小桥，平滑物体的边界且不会明显的使得图像的轮廓变小。开运算的过程可以用如下的式(9)表示：
其中，Y表示原图像开运算处理后的二值图像，E表示原二值图像，B表示用来开运算的结构元素。在进行形态学处理后即可获得假设目标区域。
(5)利用卷积神经网络检验判定形态学处理后得到的假设生成区域
卷积神经网络是基于人脑分析学习过程设计的，是一种特殊的人工神经网络，卷积神经网络层与层之间神经元的连接并不是全连接的，和局部感受野类似，卷积神经网络采用局部连接；另一方面，卷积神经网络同一层中的神经元与上一层的连接的权值是共享的。卷积神经网络实现了输入数据的最小化预处理，可以直接将原始图片作为输入，图像的局部区域(相当于局部感受野)作为网络的最低级输入，高层通过组合低层特征得到更加抽象的高级特征依次向上传输，利用空间关系，通过局部连接和权值共享优化了网络结构，减少了所需训练的参数数目，降低了训练难度。卷积神经网络虽然通过局部连接和权值共享减少了卷积层所需训练的权值数量，但在卷积之后所提取的特征的数量依旧很大。通常的做法是在卷积之后加一个池化操作，对上一层所学习的特征进行降维。池化操作是一个非线性的下采样过程，它的功能是不断减少层中的特征数量以减少网络的计算量，并且能够有效的控制过拟合。典型的卷积神经网络主要由五个部分组成，输入层，输出层，卷积层，池化层，全连接层。神经网络的激活函数通常选取非线性函数，如果使用线性函数，多层的线性映射仍是一个线性模型。使用非线性函数可以使得神经网络能够解决非线性的问题；因为在训练过程中ReLU可以带来更少的时间开销，可以更快的达到相同的训练误差及更高的准确率，所以采用激活函数是ReLU。
ReLU函数的表达式如下：
ReLU函数导数的计算方式如下：
本实施方式中的使用的神经网络结构如下：
1)第一层为输入层，输入层接受矩阵大小为50x50的图片，即步骤4中得到的图像。
2)第二层为卷积层C1，由32个特征图组成，使用大小为5x5的卷积核。步长为1。
3)第三层为池化层S2，由32个特征图所构成，其对应卷积层中的32个特征图，使用的采样区域大小为3x3，采样过程步长为2，使用Max-Pooling的重叠采样。
4)第四层为卷积层C3，由32个特征图组成，C3的卷积核大小为5x5。
5)第五层为池化层S4，采样区域大小为3x3进行Mean-Pooling采样，步长为2，最终形成32个特征图。
6)第六层为卷积层C5，使用卷积核大小为5x5的卷积核，最终形成64个卷积特征图。
7)第七层为下采样层S6，使用2x2大小的区域对第四层卷积层进行Mean-Pooling采样，得到64个特征图。网络的最后两层采用典型的全连接神经网络，FC1的100个神经元与S6层中的所有特征图的神经元相连接，并使用概率为0.5的Dropout方法，输出层的2个神经元与FC1的100个全部相连接，为了后续可以扩展多种类识别，最后一层采用Softmax回归模型。结构图如图3所示。
将上述已经训练好的神经网络用于假设生成区域的检测，将形态学处理后的原始图像直接输入到神经网络中，将神经网络判定为非目标区域的图像从假设生成区域中去除。得到最终的候选图像。
(6)图像处理结果输出
处理完成后将所判定为目标的区域在原始图像中标记出，输出图像。
Claims (7)
1.一种基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，包括以下步骤：
(1)无人机对图像信息进行采集；
(2)对采集到的图像信息进行预处理；
(3)对预处理后的图像进行假设生成目标区域；
(4)对得到的图像进行形态学处理；
(5)利用卷积神经网络检验判定形态学处理后得到的假设生成目标区域；
(6)输出图像处理结果。
2.根据权利要求1所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述步骤(1)中通过安装在无人机前方的摄像机以设定的拍摄时间周期进行拍摄以采集图像信息。
3.根据权利要求1所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述步骤(2)中的预处理包括灰度化处理和滤波去噪处理。
4.根据权利要求2所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述灰度化处理具体为：将图像信息的RGB三个分量进行加权平均得到灰度值；所述滤波去噪处理具体为：对于原图像中的每一个像素点使用其邻域的像素点的加权平均值代替原像素点，其中权值是根据高斯函数的函数形状来决定的。
5.根据权利要求1所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述步骤(3)具体为：通过无人机区别于背景图像的显著性特征将无人机从图像中检测出来，得到无人机的假设生成区域，判断无人机可能存在的大致区域。
6.根据权利要求1所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述步骤(4)中的形态学处理为开运算处理。
7.根据权利要求1所述的基于卷积神经网络和图像形态学的无人机障碍物检测方法，其特征在于，所述步骤(5)中卷积神经网络的结构为：第一层为输入层，输入层接收形态学处理后得到的假设生成目标区域；第二层为卷积层C1，由32个特征图组成，使用大小为5×5的卷积核，步长为1；第三层为池化层S2，由32个特征图所构成，其对应卷积层中的32个特征图，使用的采样区域大小为3×3，采样过程步长为2，使用Max-Pooling的重叠采样；第四层为卷积层C3，由32个特征图组成，卷积核大小为5×5；第五层为池化层S4，采样区域大小为3×3进行Mean-Pooling采样，步长为2，最终形成32个特征图；第六层为卷积层C5，使用卷积核大小为5×5的卷积核，最终形成64个卷积特征图；第七层为下采样层S6，使用2×2大小的区域对第四层卷积层进行Mean-Pooling采样，得到64个特征图；网络的最后两层采用全连接神经网络，FC1的100个神经元与下采样层S6中的所有特征图的神经元相连接，并使用概率为0.5的Dropout方法，输出层的2个神经元与FC1的100个全部相连接，最后一层采用Softmax回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810387696.6A CN108921003A (zh) | 2018-04-26 | 2018-04-26 | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810387696.6A CN108921003A (zh) | 2018-04-26 | 2018-04-26 | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108921003A true CN108921003A (zh) | 2018-11-30 |
Family
ID=64403668
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810387696.6A Pending CN108921003A (zh) | 2018-04-26 | 2018-04-26 | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108921003A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753903A (zh) * | 2019-02-27 | 2019-05-14 | 北航（四川）西部国际创新港科技有限公司 | 一种基于深度学习的无人机检测方法 |
| CN111832379A (zh) * | 2019-10-15 | 2020-10-27 | 中国石油化工股份有限公司 | 基于卷积神经网络的无人机实时视频检测系统 |
| CN112001885A (zh) * | 2020-07-14 | 2020-11-27 | 武汉理工大学 | 基于机器视觉的pcb故障检测方法、存储介质及系统 |
| CN112540622A (zh) * | 2020-04-10 | 2021-03-23 | 广州极飞科技有限公司 | 雷达数据的处理方法及装置、作业设备 |
| DE202022100786U1 (de) | 2022-02-11 | 2022-03-03 | Gaurav Kumar Arora | Intelligentes System zur Erkennung bearbeiteter Bildern mit künstlicher Intelligenz und maschinellem Lernen |
| CN117037006A (zh) * | 2023-10-09 | 2023-11-10 | 山东中宇航空科技发展有限公司 | 一种高续航能力的无人机跟踪方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
| CN205121343U (zh) * | 2015-11-08 | 2016-03-30 | 杨珊珊 | 基于无人飞行器的植被数据采集装置及无人飞行器 |
| CN105807788A (zh) * | 2016-03-09 | 2016-07-27 | 广州极飞电子科技有限公司 | 无人机监控方法、系统以及无人机和地面站 |
| CN106599832A (zh) * | 2016-12-09 | 2017-04-26 | 重庆邮电大学 | 一种基于卷积神经网络的多类障碍物检测与识别方法 |
| CN107633220A (zh) * | 2017-09-13 | 2018-01-26 | 吉林大学 | 一种基于卷积神经网络的车辆前方目标识别方法 |
| CN107665250A (zh) * | 2017-09-26 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 高清道路俯视地图的构建方法、装置、服务器和存储介质 |
-
2018
- 2018-04-26 CN CN201810387696.6A patent/CN108921003A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103279759A (zh) * | 2013-06-09 | 2013-09-04 | 大连理工大学 | 一种基于卷积神经网络的车辆前方可通行性分析方法 |
| CN205121343U (zh) * | 2015-11-08 | 2016-03-30 | 杨珊珊 | 基于无人飞行器的植被数据采集装置及无人飞行器 |
| CN105807788A (zh) * | 2016-03-09 | 2016-07-27 | 广州极飞电子科技有限公司 | 无人机监控方法、系统以及无人机和地面站 |
| CN106599832A (zh) * | 2016-12-09 | 2017-04-26 | 重庆邮电大学 | 一种基于卷积神经网络的多类障碍物检测与识别方法 |
| CN107633220A (zh) * | 2017-09-13 | 2018-01-26 | 吉林大学 | 一种基于卷积神经网络的车辆前方目标识别方法 |
| CN107665250A (zh) * | 2017-09-26 | 2018-02-06 | 百度在线网络技术（北京）有限公司 | 高清道路俯视地图的构建方法、装置、服务器和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 佘宏杰: "基于视觉的AGV导航控制与障碍物检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 姜俊俊 等: "基于视觉的四旋翼无人机目标跟踪系统设计", 《中国科技信息》 * |
| 康磊: "基于卷积神经网络的前方车辆障碍物检测算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109753903A (zh) * | 2019-02-27 | 2019-05-14 | 北航（四川）西部国际创新港科技有限公司 | 一种基于深度学习的无人机检测方法 |
| CN109753903B (zh) * | 2019-02-27 | 2020-09-15 | 北航（四川）西部国际创新港科技有限公司 | 一种基于深度学习的无人机检测方法 |
| CN111832379A (zh) * | 2019-10-15 | 2020-10-27 | 中国石油化工股份有限公司 | 基于卷积神经网络的无人机实时视频检测系统 |
| CN112540622A (zh) * | 2020-04-10 | 2021-03-23 | 广州极飞科技有限公司 | 雷达数据的处理方法及装置、作业设备 |
| CN112001885A (zh) * | 2020-07-14 | 2020-11-27 | 武汉理工大学 | 基于机器视觉的pcb故障检测方法、存储介质及系统 |
| DE202022100786U1 (de) | 2022-02-11 | 2022-03-03 | Gaurav Kumar Arora | Intelligentes System zur Erkennung bearbeiteter Bildern mit künstlicher Intelligenz und maschinellem Lernen |
| CN117037006A (zh) * | 2023-10-09 | 2023-11-10 | 山东中宇航空科技发展有限公司 | 一种高续航能力的无人机跟踪方法 |
| CN117037006B (zh) * | 2023-10-09 | 2023-12-15 | 山东中宇航空科技发展有限公司 | 一种高续航能力的无人机跟踪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108921003A (zh) | 基于卷积神经网络和图像形态学的无人机障碍物检测方法 | |
| CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
| Neto et al. | Brazilian vehicle identification using a new embedded plate recognition system | |
| CN107844750A (zh) | 一种水面全景图像目标检测识别方法 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN112784712B (zh) | 一种基于实时监控的失踪儿童预警实现方法、装置 | |
| Fang et al. | Laser stripe image denoising using convolutional autoencoder | |
| CN113177947B (zh) | 基于多模块卷积神经网络的复杂环境目标分割方法及装置 | |
| CN110660065A (zh) | 一种红外故障检测识别算法 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
| CN113724379A (zh) | 三维重建方法、装置、设备及存储介质 | |
| CN116978009A (zh) | 基于4d毫米波雷达的动态物体滤除方法 | |
| CN115439497A (zh) | 基于改进hou模型的红外图像舰船目标快速识别方法 | |
| CN111027637A (zh) | 一种文字检测方法及计算机可读存储介质 | |
| CN112084922B (zh) | 一种基于手势和面部表情的行为异常人群检测方法 | |
| CN117576461A (zh) | 一种用于变电站场景的语义理解方法、介质及系统 | |
| CN111368856A (zh) | 一种基于视觉的图书盘点系统的书脊提取方法及装置 | |
| CN116152758A (zh) | 一种智能实时事故检测及车辆跟踪方法 | |
| CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 | |
| CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 | |
| CN115439771A (zh) | 一种改进dsst的红外激光光斑跟踪方法 | |
| CN114429593A (zh) | 基于快速导向滤波的红外小目标检测方法及其应用 | |
| CN113792755A (zh) | 一种小波深度图像融合环境感知与目标识别方法 | |
| CN108416756B (zh) | 一种基于机器学习的区域感知图像去噪方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |
|
| RJ01 | Rejection of invention patent application after publication |