CN111832379A - 基于卷积神经网络的无人机实时视频检测系统 - Google Patents
基于卷积神经网络的无人机实时视频检测系统 Download PDFInfo
- Publication number
- CN111832379A CN111832379A CN201910986667.6A CN201910986667A CN111832379A CN 111832379 A CN111832379 A CN 111832379A CN 201910986667 A CN201910986667 A CN 201910986667A CN 111832379 A CN111832379 A CN 111832379A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- module
- real
- aerial vehicle
- neural network
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000011897 real-time detection Methods 0.000 claims abstract description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 22
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 6
- 239000004917 carbon fiber Substances 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- 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)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于卷积神经网络的无人机实时视频检测系统，该基于卷积神经网络的无人机实时视频检测系统包括无线高清图像传输模块、视频采集模块和处理器模块，该视频采集模块连接于该处理器模块，采集无人机飞行过程中高清航拍影像，并将航拍影像传输给该处理器模块，该处理器模块连接于该无线高清图像传输模块，处理航拍影像，基于卷积神经网络进行异常目标检测识别，该无线高清图像传输模块传输该处理器模块的实时检测画面到地面显示端。该基于卷积神经网络的无人机实时视频检测系统可以在无人机上实现在线图像采集，高精度和高速度的异常目标检测，大大提高了无人机在线视频检测系统的效率。
Description
技术领域
本发明涉及无人机技术领域，特别是涉及到一种基于卷积神经网络的无人机实时视频检测系统。
背景技术
随着无人机技术和计算机视觉的迅速发展，使用无人机获取图像或视频信息，基于这些图像或视频信息检测识别出感兴趣目标的位置，再根据检测结果做进一步地处理。与固定摄像头相比，无人机能够自由地在大范围内飞行，对一大片区域进行巡检，不仅灵活性高，更大大地降低了人力成本。
但是，目前传统的无人机由于机载处理器计算性能的限制，需要离线进行图像或视频处理：(1)大多数无人机搭载相机在空中拍摄影像，作业结束后无人机将航拍影像带回，需要先将拍摄到的图像或视频传到地面端计算机上，再对图像或视频中存在的问题和隐患进行检测和识别，这种模式的缺点显然是实时性差，不能边飞边检测，不利于及时发现并及时处理问题；(2)专利号为CN201610069220.9的“无人机自动巡检系统及方法”，使用无线发送模块将无人机获取到的图像实时传到地面端计算机中再进行处理，这种模式对于远距离或者有高遮挡的场景下，会发生丢失影像的情况，这样地面端计算机不能获取到完整的影像，也就不能处理所有异常信息。(3)专利号为CN201610294924.6的“基于无人机视频的特定目标检测方法”是在无人机上搭载DSP平台处理352*288大小的图像，根据像素的RGB值获得该像素的颜色类别、遍历每个像素点寻找与特定目标颜色分布符合的点、对符合的点进行分析以确定为目标点，该专利所用DSP平台难以实时处理1920*1080大小的高清图像，而这种高清图像可以显示更小更完整的目标信息。
为此我们发明了一种新的基于卷积神经网络的无人机实时视频检测系统，解决了以上技术问题。
发明内容
本发明的目的是提供一种克服了现有无人机系统的实时性较弱、航拍影像完整性较差和检测精度较低的不足的基于卷积神经网络的无人机实时视频检测系统。
本发明的目的可通过如下技术措施来实现：基于卷积神经网络的无人机实时视频检测系统，该基于卷积神经网络的无人机实时视频检测系统包括无线高清图像传输模块、视频采集模块和处理器模块，该视频采集模块连接于该处理器模块，采集无人机飞行过程中高清航拍影像，并将航拍影像传输给该处理器模块，该处理器模块连接于该无线高清图像传输模块，处理航拍影像，基于卷积神经网络进行异常目标检测识别，该无线高清图像传输模块传输该处理器模块的实时检测画面到地面显示端。
本发明的目的还可通过如下技术措施来实现：
该基于卷积神经网络的无人机实时视频检测系统还包括飞行控制模块和无人机，该飞行控制模块连接于该处理器模块，进行该无人机的电机控制和定位飞行，该飞行控制模块，该视频采集模块和该处理器模块均设置在该无人机上，该无人机辅助执行该飞行控制模块的控制命令，实现航线飞行。
该飞行控制模块获取该无人机飞行过程中的实时GPS经纬度和当前时间戳，并传输给该处理器模块，以实时显示在地面显示端的视频检测画面上。
该无人机采用轴距为1600mm的六旋翼机架，材料为碳纤维和硬质塑料；使用的二叶桨的材料为碳纤维；使用的直流无刷电机在电压48V下的空载转速为1200/3200转每分钟。
该无线高清图像传输模块包括图传发射模块和图传接收模块，该图传发射模块设置在该无人机上，连接于该处理器模块，将实时视频检测画面发射出去；该图传接收模块位于地面端，接收实时检测画面，将接收到的检测画面实时显示到地面显示设备上，并通过地面端的4G图传设备，将检测画面实时发布到网络上。
该视频采集模块包括GoPro Hero5 BLACK相机和高清图像采集卡，该GoPro Hero5BLACK相机连接于该高清图像采集卡，拍摄1920×1080分辨率下30帧每秒的视频数据，并将视频数据传输给该高清图像采集卡，该高清图像采集卡将视频数据转换为标准视频信息后，传输给该处理器模块。
该处理器模块包括核心板和载板，该核心板进行基于卷积神经网络进行异常目标检测识别，该载板实现该核心板的数据接口扩展和面向系统的电源输出。
该处理器模块采用英伟达TX2模块，英伟达TX2模块包括英伟达TX2核心板和英伟达TX2载板。
本发明中的基于卷积神经网络的无人机实时视频检测系统，可以极大地提高作业效率，并能对所有航拍视频流在线智能检测出无人机飞行过程中的普通轿车、工程车辆和板房等异常目标。与现有技术相比，本发明所述的一种基于卷积神经网络的无人机实时视频检测系统，由于搭载了高清视频采集设备和高性能嵌入式平台的英伟达TX2，以及运用卷积神经网络智能识别模板，可以在无人机上实现在线图像采集，高精度和高速度的异常目标检测，大大提高了无人机在线视频检测系统的效率。
附图说明
图1为本发明的基于卷积神经网络的无人机实时视频检测系统的一具体实施例中无人机端的结构示意图；
图2为本发明的一具体实施例中系统地面端的构成示意图。
具体实施方式
为使本发明的上述和其他目的、特征和优点能更明显易懂，下文特举出较佳实施例，并配合附图所示，作详细说明如下。
如图1和2所示，为本发明的基于卷积神经网络的无人机实时视频检测系统的结构图。
该基于卷积神经网络的无人机实时视频检测系统由六旋翼无人机、飞行控制模块10、无线高清图像传输(简称图传)模块20、视频采集模块30、处理器模块40组成。其中，视频采集模块30由GoPro Hero5 BLACK相机31和高清图像采集卡32组成，用于获取无人机飞行过程中的航线周边影像。
处理器模块40由核心板41和载板42组成，核心板41用于实现系统的基于卷积神经网络的异常目标检测识别功能，载板42用于实现核心板41的数据接口扩展和面向系统的电源输出；
在一实施例中，处理器模块40采用英伟达TX2模块，英伟达TX2模块由英伟达TX2核心板和英伟达TX2载板组成。
飞行控制模块10用于实现六旋翼无人机的电机控制和定位飞行；图传模块20由图传发射模块21和图传接收模块22组成，用于将处理器模块40的在线检测画面实时传输到地面端显示；六旋翼无人机作为系统的基础架构，用于辅助执行飞行控制模块的控制命令，实现航线飞行。
六旋翼无人机是系统的机械结构基础，飞行控制模块10、处理器模块40、视频采集模块30和图传发射模块21均设置在六旋翼无人机上。其中，所述六旋翼无人机采用轴距为1600mm的六旋翼机架，材料为碳纤维和硬质塑料；使用的二叶桨的材料为碳纤维，本系统共含有六个这样的二叶桨；使用的直流无刷电机在电压48V下的空载转速为1200/3200转每分钟，本系统共含有六个这样的直流无刷电机。
所述飞行控制模块10中，处理器模块40通过串行接口与飞行控制模块10连接，获取无人机飞行过程中的实时GPS经纬度和当前时间戳，并实时显示在处理器模块40输出的视频检测画面上。
所述图传模块20由图传发射模块21和图传接收模块22组成，低延时设计，采用H.264编码方式，最高支持1080P分辨率的高清画质。图传发射模块21通过HDMI线与载板HDMI接口连接，将实时视频检测画面发射出去；地面端的图传接收模块22通过网线连接地面显示设备，将接收到的信号实时显示到地面显示设备上。另外，在地面端配有4G图传设备，接收图传发射模块21的信号，并实时发布到网络上，用户就可以在任意地点通过打开特定网页实时查看视频检测画面。
所述视频采集模块30是系统的视觉输入接口，负责进行图像获取。该模块由GoProHero5 BLACK相机31和高清图像采集卡32组成。将GoPro Hero5 BLACK相机31通过高清图像采集卡32连接载板42的USB3.0接口。其中，GoPro Hero5 BLACK相机31负责拍摄1920×1080分辨率下30帧每秒的视频数据。由于GoPro Hero5 BLACK相机31的视频输出只支持HDMI接口，而英伟达TX2只支持USB接口的视频数据输入，所以需要高清图像采集卡将GoPro Hero5BLACK相机31拍摄的实时视频数据转换为计算机系统可以识别的标准视频信息。该高清图像采集卡32是HDMI输入和USB3.0输出。
载板42主要负责核心板41的接口扩展和面向系统的电源输出，将其与核心板41使用接插件连接，视频采集模块30与载板42的USB3.0接口连接，飞行控制模块10直接与载板42的串行接口连接，图传发射端与载板42的HDMI2.0接口连接，这些固定到无人机机架底部。该载板42大小与核心板41一致，它提供了两个USB3.0接口，一个USB 2.0(W/OTG功能)接口，一个HDMI视频输出接口，一个风扇控制接口(防止系统运行过程中核心板过热)，一个RTC电池接口(要求+7V～+19V)，一个多功能接口(24个串口)。
核心板41是系统的核心处理模块，负责视频目标检测算法的运行。在一实施例中，英伟达TX2核心板采用英伟达PascalTMGPU架构，具有256个英伟达
核心，搭载8GBLPDDR4内存，四核ARM Cortex-A57和双核Denver 2CPU，并且采用了节能高效的设计，单模块功耗只有7.5瓦；这台性能强大，但外形小巧，节能高效的超级计算机采用了深度学习、计算机视觉、GPU计算和图形方面的新技术，可以运行更大型、更复杂的深度神经网络，为无人机、机器人等终端设备带来了真正的AI计算能力，非常适合嵌入式AI计算。该核心板运行Ubuntu16.04 Linux 64位操作系统，在此之上使用OpenCV计算机视觉库进行图像处理，使用卷积神经网络进行目标检测识别。
优选地，所述的卷积神经网络是一种深度学习理论基础上的权值共享多层神经网络，由输入层、卷积层、最大池化层、全连接层和输出层组成：输入层为标注普通轿车、工程车辆和板房类别信息的RGB图像；卷积层主要进行卷积操作，利用线性修正激活函数ReLU修正特征图；最大池化层主要进行下采样操作；全连接层主要进行加权输入和激活操作；输出层是Softmax函数，其中神经元个数与标注样本集的类别数相等。根据卷积神经网络训练模型，收集训练样本进行训练，并在无人机作业过程中，在线检测出航拍视频流中的普通轿车、工程车辆和板房。该卷积神经网络输出目标的图像坐标，然后系统根据当前帧时刻飞行控制模块获取的经纬度，计算出检出异常目标的实际经纬度信息，并实时显示在地面端。
整个无人机系统的工作流程具体如下：
首先，按下GoPro Hero5 BLACK相机开关按钮，设为视频模式，分辨率设为1080P，帧率设为30，视场模式设为窄视场，这是因为宽视场会使影像畸变，影响检测效果；
然后，无人机接通电源，开始向直流无刷电机、飞行控制模块、图传发射模块和处理器模块供电，各个模块开始工作：
(1)地面遥控器设置为手动模式，发送飞行命令信号解锁电机命令，飞行控制模块收到命令后，向六个直流无刷电机发出启动信号，电机进入怠速旋转状态；随后，遥控器向飞行控制模块发送起飞命令，进入起飞状态，无人机起飞并且达到设定高度进入悬停状态；接着，遥控器设置为自动模式，无人机开始进入预先规划好的航线进行平稳飞行；
(2)视频采集模块开始采集图像，形成一帧一帧的视频流；
(3)处理器模块上电后首先启动Linux操作系统，然后检测软件随系统开机自启动运行，对采集到的视频流进行检测，提取目标坐标，并实时画出目标框在输出检测画面上；同时，处理器模块开始接收飞行控制模块发送的经纬度信息和时间戳信息，并实时打印在输出检测画面上。
(4)图传发射模块开始接收处理器模块的检测视频输出信息，同时地面端图传接收模块接收这些检测视频信息，并显示在地面显示器上，用户可以实时查看无人机作业过程中航线周边异常信息，可以做到及时发现，及时处理；同时，4G无线图传将接收到的检测视频信息发布到特定网页上，用户在任意地点也可以实时查看无人机作业过程中航线周边异常信息，可以做到及时发现，及时处理。
本发明中未做特别说明的均为现有技术或者通过现有技术即可实现，而且本发明中所述具体实施方式仅为本发明较佳的实施方式，但并不受所述实施例的限制，其他的任何未背离本发明的精神和原则下所做的修改或者等同替换，均应包含在本发明的保护范围之内。
Claims (8)
1.基于卷积神经网络的无人机实时视频检测系统，其特征在于，该基于卷积神经网络的无人机实时视频检测系统包括无线高清图像传输模块、视频采集模块和处理器模块，该视频采集模块连接于该处理器模块，采集无人机飞行过程中高清航拍影像，并将航拍影像传输给该处理器模块，该处理器模块连接于该无线高清图像传输模块，处理航拍影像，基于卷积神经网络进行异常目标检测识别，该无线高清图像传输模块传输该处理器模块的实时检测画面到地面显示端。
2.根据权利要求1所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该基于卷积神经网络的无人机实时视频检测系统还包括飞行控制模块和无人机，该飞行控制模块连接于该处理器模块，进行该无人机的电机控制和定位飞行，该飞行控制模块，该视频采集模块和该处理器模块均设置在该无人机上，该无人机辅助执行该飞行控制模块的控制命令，实现航线飞行。
3.根据权利要求2所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该飞行控制模块获取该无人机飞行过程中的实时GPS经纬度和当前时间戳，并传输给该处理器模块，以实时显示在地面显示端的视频检测画面上。
4.根据权利要求2所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该无人机采用轴距为1600mm的六旋翼机架，材料为碳纤维和硬质塑料；使用的二叶桨的材料为碳纤维；使用的直流无刷电机在电压48V下的空载转速为1200/3200转每分钟。
5.根据权利要求2所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该无线高清图像传输模块包括图传发射模块和图传接收模块，该图传发射模块设置在该无人机上，连接于该处理器模块，将实时视频检测画面发射出去；该图传接收模块位于地面端，接收实时检测画面，将接收到的检测画面实时显示到地面显示设备上，并通过地面端的4G图传设备，将检测画面实时发布到网络上。
6.根据权利要求1所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该视频采集模块包括GoPro Hero5 BLACK相机和高清图像采集卡，该GoPro Hero5 BLACK相机连接于该高清图像采集卡，拍摄1920×1080分辨率下30帧每秒的视频数据，并将视频数据传输给该高清图像采集卡，该高清图像采集卡将视频数据转换为标准视频信息后，传输给该处理器模块。
7.根据权利要求1所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该处理器模块包括核心板和载板，该核心板进行基于卷积神经网络进行异常目标检测识别，该载板实现该核心板的数据接口扩展和面向系统的电源输出。
8.根据权利要求7所述的基于卷积神经网络的无人机实时视频检测系统，其特征在于，该处理器模块采用英伟达TX2模块，英伟达TX2模块包括英伟达TX2核心板和英伟达TX2载板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986667.6A CN111832379A (zh) | 2019-10-15 | 2019-10-15 | 基于卷积神经网络的无人机实时视频检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986667.6A CN111832379A (zh) | 2019-10-15 | 2019-10-15 | 基于卷积神经网络的无人机实时视频检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111832379A true CN111832379A (zh) | 2020-10-27 |
Family
ID=72912091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910986667.6A Pending CN111832379A (zh) | 2019-10-15 | 2019-10-15 | 基于卷积神经网络的无人机实时视频检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111832379A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114153776A (zh) * | 2021-12-28 | 2022-03-08 | 华软科技股份有限公司 | 无人机机载任务系统 |
| CN114743116A (zh) * | 2022-04-18 | 2022-07-12 | 蜂巢航宇科技（北京）有限公司 | 一种基于营房巡视场景的无人值守专用载荷系统及方法 |
| CN114863299A (zh) * | 2022-04-28 | 2022-08-05 | 哈尔滨理工大学 | 一种航空图像目标精细识别系统 |
| CN114937195A (zh) * | 2022-03-29 | 2022-08-23 | 江苏海洋大学 | 基于无人机航拍和改进的YOLO v3的水面漂浮物目标检测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056624A (zh) * | 2016-05-24 | 2016-10-26 | 西北工业大学 | 无人机高清图像小目标检测与跟踪系统及其检测跟踪方法 |
| CN107450591A (zh) * | 2017-08-23 | 2017-12-08 | 浙江工业大学 | 基于英伟达tx2处理器的无人机运动跟踪系统 |
| WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
| CN108921003A (zh) * | 2018-04-26 | 2018-11-30 | 东华大学 | 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 |
| CN109451272A (zh) * | 2018-11-15 | 2019-03-08 | 浙江云来集科技有限公司 | 一种无人机用超远距离图像传输系统 |
| CN109597424A (zh) * | 2017-09-30 | 2019-04-09 | 南京理工大学 | 基于视频图像处理的无人机巡线控制系统 |
| CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
-
2019
- 2019-10-15 CN CN201910986667.6A patent/CN111832379A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106056624A (zh) * | 2016-05-24 | 2016-10-26 | 西北工业大学 | 无人机高清图像小目标检测与跟踪系统及其检测跟踪方法 |
| WO2018033143A1 (zh) * | 2016-08-19 | 2018-02-22 | 北京市商汤科技开发有限公司 | 视频图像的处理方法、装置和电子设备 |
| CN107450591A (zh) * | 2017-08-23 | 2017-12-08 | 浙江工业大学 | 基于英伟达tx2处理器的无人机运动跟踪系统 |
| CN109597424A (zh) * | 2017-09-30 | 2019-04-09 | 南京理工大学 | 基于视频图像处理的无人机巡线控制系统 |
| CN108921003A (zh) * | 2018-04-26 | 2018-11-30 | 东华大学 | 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 |
| CN109451272A (zh) * | 2018-11-15 | 2019-03-08 | 浙江云来集科技有限公司 | 一种无人机用超远距离图像传输系统 |
| CN109977924A (zh) * | 2019-04-15 | 2019-07-05 | 北京麦飞科技有限公司 | 针对农作物的无人机机上实时图像处理方法及系统 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114153776A (zh) * | 2021-12-28 | 2022-03-08 | 华软科技股份有限公司 | 无人机机载任务系统 |
| CN114937195A (zh) * | 2022-03-29 | 2022-08-23 | 江苏海洋大学 | 基于无人机航拍和改进的YOLO v3的水面漂浮物目标检测系统 |
| CN114743116A (zh) * | 2022-04-18 | 2022-07-12 | 蜂巢航宇科技（北京）有限公司 | 一种基于营房巡视场景的无人值守专用载荷系统及方法 |
| CN114863299A (zh) * | 2022-04-28 | 2022-08-05 | 哈尔滨理工大学 | 一种航空图像目标精细识别系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832379A (zh) | 基于卷积神经网络的无人机实时视频检测系统 | |
| CN202043246U (zh) | 固定翼无人机线路巡检数据远程采集装置 | |
| CN209744069U (zh) | 一种用于油气管道在线巡检装置 | |
| CN107896317B (zh) | 飞行器航拍图像综合处理装置 | |
| CN204669545U (zh) | 一种无人机模拟驾驶显示装置 | |
| CN107450591A (zh) | 基于英伟达tx2处理器的无人机运动跟踪系统 | |
| CN112379627B (zh) | 一种用于装配式建筑的定位系统、定位方法 | |
| CN106791418A (zh) | 一种独立式航拍云台系统及其控制方法 | |
| CN107861436A (zh) | 一种多旋翼无人机高空环境侦测系统 | |
| CN106742051B (zh) | 一种飞行器悬停功能稳定性测试方法和系统 | |
| CN109002059A (zh) | 一种多旋翼无人机目标实时跟踪拍摄系统及方法 | |
| CN105438488A (zh) | 飞行器及其控制方法以及飞行器系统 | |
| CN209821632U (zh) | 一种空地协同无人攻击系统 | |
| CN109709975B (zh) | 一种基于视觉slam的四旋翼飞行器室内安防系统及方法 | |
| CN208190810U (zh) | 飞行器航拍图像综合处理装置 | |
| CN206841719U (zh) | 一种具有航拍与抛投功能的多旋翼智能飞行器 | |
| CN206350071U (zh) | 一种独立式航拍云台系统 | |
| CN219044414U (zh) | 一种可搭载普通无人机的可旋转相机云台 | |
| CN209014737U (zh) | 具有光流混合式定位装置的飞行器 | |
| CN104159015A (zh) | 基于无人机的摄像系统 | |
| CN213934636U (zh) | 一种四旋翼无人机编队搜索控制系统 | |
| CN115237158A (zh) | 多旋翼无人机自主跟踪与着陆控制系统及控制方法 | |
| CN205883457U (zh) | 一种基于多旋翼飞行器的激光夜视监控系统 | |
| CN107485840A (zh) | 一种万帧高速摄像电动计时器及其工作方法 | |
| CN210083560U (zh) | 一种无人机自主抓取控制装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201027 |