CN115610694A - 一种基于目标检测的无人机精准降落方法及系统 - Google Patents
一种基于目标检测的无人机精准降落方法及系统 Download PDFInfo
- Publication number
- CN115610694A CN115610694A CN202211364590.7A CN202211364590A CN115610694A CN 115610694 A CN115610694 A CN 115610694A CN 202211364590 A CN202211364590 A CN 202211364590A CN 115610694 A CN115610694 A CN 115610694A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- landing
- target detection
- platform
- 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 43
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003121 nonmonotonic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F1/00—Ground or aircraft-carrier-deck installations
- B64F1/18—Visual or acoustic landing aids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/485—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an optical system or imaging system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及无人机降落技术领域，特别是涉及一种基于目标检测的无人机精准降落方法及系统，本发明通过目标检测算法获得无人机降落平台上视觉识别标识的第一图形、方向定位图形中心在无人机下视摄像头所摄图像中的相对位置坐标(x1，y1)、(x2，y2)，利用计算机视觉的方法在降落过程中实时控制飞机，对于降落过程中产生的偏差及时修正，可将降落误差控制在5cm之内，通过添加速度平衡系数，有效减小了降落过程中气流带来的精度偏差，并加快了无人机向降落点收敛的速度，可靠性高，受环境干扰小。在目标检测算法未检测到无人机降落平台时，无人机在空中盘旋寻找目标，防止了无人机由于GPS定位误差导致无人机降落于危险环境。
Description
技术领域
本发明涉及无人机降落技术领域，特别是涉及一种基于目标检测的无人机精准降落方法及系统。
背景技术
目前的无人机自动降落技术一般使用GPS定位技术为无人机提供降落点坐标信息，无人机根据自身与降落点的相对位置关系进行降落。考虑到无人机降落平台充电设备的操作范围，降落精度需要控制在5cm内，但由于GPS定位技术获取的经纬度、高度信息受到与卫星、信号传播及接收机有关的误差影响，加之降落过程中气流引起的无人机位置偏差，此技术无法满足实际应用的需要，因此提出一种基于目标检测的无人机精准降落方法及系统。
发明内容
为了克服现有技术的不足，本发明提供一种基于目标检测的无人机精准降落方法及系统。
为解决上述技术问题，本发明提供如下技术方案：一种无人机精准降落系统，包括无人机、GPS定位设备、无人机降落平台、视觉识别标识、地面处理模块和App无人机控制平台，所述无人机降落平台呈正方形，表面平整且水平，尺寸为0.5m×0.5m，表面绘制视觉识别标识，内置GPS定位设备与地面处理模块,所述地面处理模块利用GPS定位设备获取当前无人机降落平台坐标信息，通过与App控制平台建立网络连接向其发送坐标信息，所述App无人机控制平台搭载无人机软件开发工具包(SDK)，可向无人机发送控制命令、获得无人机所摄视频流，内置目标检测算法用于对无人机所摄视频流中的视觉识别标识进行检测。
作为本发明的一种优选技术方案，所述视觉识别标识由第一图形、数字图形、方向定位图形组成，所述第一图形与无人机降落平台尺寸相当均为0.5m×0.5m。
作为本发明的一种优选技术方案，所述数字图形位于第一图形中心位置，尺寸为0.1m×0.1m，所述方向定位图形位于数字图形正上方紧贴第一图形上边缘用于判断无人机降落平台正方向，尺寸为0.1m×0.1m。
本发明要解决的另一项技术问题是提出一种基于目标检测的无人机精准降落方法，包括如下步骤:
S1：计算返航高度；
S2：无人机返航；
S3：实时目标检测；
S4：调整飞机航向；
S5：引导下降；
S6：完成降落。
作为本发明的一种优选技术方案，已知GPS定位技术最大误差α，无人机下视摄像头视角θ，无人机降落平台的尺寸为d×d，计算返航高度H，公式为：
作为本发明的一种优选技术方案，通过目标检测算法获得无人机降落平台上视觉识别标识的第一图形、方向定位图形中心在无人机下视摄像头所摄图像中的相对位置坐标(x1，y1)、(x2，y2)，计算无人机航向与无人机降落平台正方向的偏差角度γ，公式为：γ＝atan{(x2-x1)/(y2-y1)}。
作为本发明的一种优选技术方案，所述目标检测算法包括以下步骤：
步骤S11：获取图像数据集，将所述图像数据集划分为训练集A和测试集B。
步骤S12：建立目标检测模型。
步骤S13：部署目标检测模型于App无人机控制平台。。
与现有技术相比，本发明能达到的有益效果是：
通过利用计算机视觉的方法在降落过程中实时控制飞机，对于降落过程中产生的偏差及时修正，可将降落误差控制在5cm之内，通过添加速度平衡系数，有效减小了降落过程中气流带来的精度偏差，并加快了无人机向降落点收敛的速度，可靠性高，受环境干扰小。在目标检测算法未检测到无人机降落平台时，无人机在空中盘旋寻找目标，防止了无人机由于GPS定位误差导致无人机降落于危险环境。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施例，进一步阐述本发明，但下述实施例仅仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其它实施例，都属于本发明的保护范围。下述实施例中的实验方法，如无特殊说明，均为常规方法，下述实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例:
如图1所示，一种无人机精准降落系统，包括无人机、GPS定位设备、无人机降落平台、视觉识别标识、地面处理模块和App无人机控制平台，所述无人机降落平台呈正方形，表面平整且水平，尺寸为0.5m×0.5m，表面绘制视觉识别标识，内置GPS定位设备与地面处理模块，所述地面处理模块利用GPS定位设备获取当前无人机降落平台坐标信息，通过与App控制平台建立网络连接向其发送坐标信息，所述App无人机控制平台搭载无人机软件开发工具包(SDK)，可向无人机发送控制命令、获得无人机所摄视频流，内置目标检测算法用于对无人机所摄视频流中的视觉识别标识进行检测，所述视觉识别标识由第一图形、数字图形、方向定位图形组成，所述第一图形与无人机降落平台尺寸相当均为0.5m×0.5m，所述数字图形位于第一图形中心位置，尺寸为0.1m×0.1m，所述方向定位图形位于数字图形正上方紧贴第一图形上边缘用于判断无人机降落平台正方向，尺寸为0.1m×0.1m。
一种基于目标检测的无人机精准降落方法,所述基于目标检测的无人机精准降落方法利用上述的一种无人机精准降落系统实现精准降落，包括如下步骤:
S1：计算返航高度；
S2：无人机返航，无人机返航。App无人机控制平台向无人机发送无人机降落平台的GPS坐标和返航高度H作为返航悬停点并向无人机下达返航指令，无人机开始返航；
S3：实时目标检测，无人机到达返航悬停点，开启下视摄像头，并实时传输视频流至App无人机控制平台。App无人机控制平台对无人机所摄视频流运行目标检测算法，实时检测无人机降落平台的视觉识别标识，检测算法采用背景减除算法，背景减除算法是用当前图像减去背景图像得到差值图像,通过设定一定的阈值将绝对值的差值图像转为二值图像。然后通过滤波等操作得到移动目标,这种算法适合于背景在大部分时间可见的场合,从无人机水平飞进摄像头视野中有几秒时间完全可以构建初始背景图像,因此本发明采用背景减除算法；
S4：调整飞机航向；
S5：引导下降，根据第一图形坐标(x1，y1)与无人机下视摄像头所摄图像的中心坐标(0.5，0.5)，计算无人机在x方向和y方向上的基准速度vx，vy，公式为
为抵抗降落过程中由气流引起的位置偏移引入速度平衡系数λx，λy。App无人机控制平台以2赫兹的频率向无人机发射飞行指令，控制无人机x方向和y方向速度分别为λxvx，λyvy。降落开始时λx＝1，当连续两次vx同号，即x轴上运动方向相同，λx＝1.2×λx以加快无人机到达指定位置，当连续两次vx异号，即x轴上运动方向相反，λx＝0.5×λx以使无人机水平位置收敛于第一图形中心，防止无人机在第一图形附近反复往来运动，λy变化同λx。当无人机与第一图形坐标位置偏差小于0.05，即|0.5-x1|＜0.05且|0.5-y1|＜0.05时，给无人机施加z方向上0.3m/s的速度，控制飞机下降。由于无人机下视摄像头视角有限，无人机飞行高度较低时会无法完整拍摄第一图形，所以当无人机飞行高度低于1m时，无人机以视觉识别标识中的数字图形作为目标进行降落；
S6：完成降落，当无人机与无人机平台距离小于0.5m时，控制飞机水平方向速度为0m/s，并以4m/s的速度快速下降，完成降落过程；
已知GPS定位技术最大误差α，无人机下视摄像头视角θ，无人机降落平台的尺寸为d×d，计算返航高度H，公式为：
通过目标检测算法获得无人机降落平台上视觉识别标识的第一图形、方向定位图形中心在无人机下视摄像头所摄图像中的相对位置坐标(x1，y1)、(x2，y2)，计算无人机航向与无人机降落平台正方向的偏差角度γ，公式为：γ＝atan{(x2-x1)/(y2-y1)}，App无人机控制平台向无人机发送旋转指令，旋转对应偏差角度γ，使无人机航向与无人机降落平台正方向重合，以便降落后无人机降落平台对无人机进行操作；
所述目标检测算法包括以下步骤：
步骤S11：获取图像数据集，将所述图像数据集划分为训练集A和测试集B，拍摄不同环境下各个角度、高度的视觉识别标识的图像，并手工标注出视觉识别标识的第一图形、数字图形、方向定位图形的目标框。然后以4:1的比例进行数据集划分，得到训练集A和测试集B。
步骤S12：建立目标检测模型，构建神经网络模型，包括输入端、骨干网络、Neck网络和目标位置预测模块四个部分。在输入端将图像通过随机缩放、随机裁剪、随机排布的方式进行拼接，自适应锚框计算，自适应图片缩放等一系列操作后送入骨干网络，进行特征提取。将骨干网络提取的高级语义特征经过Neck网络进行多尺度特征融合，最后送入目标位置预测模块，得到一系列的目标框。
步骤S13：部署目标检测模型于App无人机控制平台，使用开源的Python机器学习库pytorch训练上述目标检测模型。基于专为手机端优化的高性能神经网络前向计算框架ncnn，将pytorch训练的目标检测模型转化为ncnn模型结构移植至Android端，并通过android原生开发工具包(NDK)完成对模型的加载调用.
所述目标检测模型包括以下步骤：
第一步：输入端，Mosaic数据增强，在训练阶段随机选取4张图片，按照随机缩放、随机裁剪、随机排布的方式进行拼接成一张图像进行训练，同时图片标注也按相同方式进行拼接。通过这种方式大大丰富了检测数据集，特别是随机缩放增加了很多小目标，使网络鲁棒性更好，并且直接计算4张图片的数据，减少了GPU计算量；自适应锚框计算，训练开始前手动设置一组k个锚框供预测目标框使用，训练过程中核查当前锚框是否符合要求，若锚框的最佳召回率小于0.98，将重新计算锚框。通过对训练集图片目标框进行K-means聚类得到k个锚框，并使用遗传算法对锚框进行变异，利用anchor_fitness方法评估变异效果，对于变异后效果好的锚框进行更新；自适应图片缩放，由于训练集不同图片尺寸不相同，常需将原始图片统一缩放到标准尺寸，然而在实际应用中，若直接使用resize的方式会使目标变形，所以采用缩放后灰度填充的方式统一输入尺寸，很多图片的长宽比不同，因此不同方向的缩放会导致填充后的黑边大小不同，而如果填充的比较多，则存在信息冗余，影响推理速度，因此以对原始图像添加最少的黑边为原则，自适应的进行图片缩放；
第二步：Focus模块，输入图片首先经过一个Focus模块，将图片每隔一个像素取到一个值，得到互补的四张图片，并在通道维度进行拼接。Focus模块在不丢失图片信息的情况下，降低了后续卷积操作的计算量；CSPNet网络，接下来是通过CSPNet网络结构进行特征提取，CSPNet网络可以增强卷积神经网络的学习能力，并在轻量化、低计算量、低内存访问成本下有效提高准确率，CSPNet网络由5个相互串联的CSP块组成，在每个CSP块的最后使用一个大小为3x3，步长为2的卷积核起到下采样的作用，CSP块中的卷积层后紧跟批正则化层(BN层)和Mish激活函数层，批正则化层可以加快模型训练的收敛速度，使模型训练过程更稳定，避免梯度爆炸或梯度消失，Mish激活函数为一个无上界有下界的非单调函数，可以稳定网络梯度流，具有较好的泛化能力和结果的有效优化能力，可以提高结果的质量；
第三步：Neck网络位于骨干网络和目标位置预测模块之间，利用SSP(空间金字塔池化)模块、FPN(多尺度检测)+PAN(路径聚合网络)模块融合不同尺度特征图的特征信息，SSP模块包括三个并排的最大池化层，即maxpooling1、maxpooling2、maxpooling3，maxpooling1的卷积核大小为5，步长为1，padding为2，maxpooling2的卷积核大小为7，步长为1，padding为3，maxpooling3的卷积核大小为13，步长为1，padding为6。对骨干网络输出的尺寸为512×13×13的特征图，分别进行这三个最大池化操作，得到三个尺寸同样为512×13×13的特征图，并将其在通道维度进行拼接，通过SSP模块可以实现局部特征和全局特征的特征图级别的融合，丰富最终特征图的表达能力；FPN模块是一个自顶向下的上采样的特征金字塔，将高层语义传递下来，增强多个尺度上的语义表达，FPN模块对SSP模块输出的尺寸为512×13×13的特征图F1进行上采样，并与骨干网络具有相同尺寸的卷积层输出进行融合得到256×26×26的特征图F2；对特征图F2进行上采样，并与骨干网络具有相同尺寸的卷积层输出进行融合得到128×52×52的特征图F3，PAN模块是一个自底向上的下采样的特征金字塔，把浅层的定位信息传递上去，增强多个尺度上的定位信息，PAN模块对F3进行下采样，并与F2进行特征融合得到256×26×26的特征图F4，最后对F4进行下采样并与F1进行特征融合得到512×13×13的特征图F5，通过对FPN+PAN模块产生的多个尺度的特征图进行多级检测，可以检测不同尺度的目标；
第四步：预测网络将对经过Neck网络特征融合得到的三个尺度的特征图，即F3、F4、F5，进行目标类别和目标框的预测。将尺寸为128×52×52的特征图F3放入一个卷积核为255，大小为1x1，步长为1，padding为same的卷积层，得到尺寸为255×52×52预测结果pre_1。将尺寸为256×26×26的特征图F4放入一个卷积核为255，大小为1x1，步长为1，padding为same的卷积层，得到尺寸为255×26×26预测结果pre_2，将尺寸为512×13×13的特征图F5放入一个卷积核为255，大小为1×1，步长为1，padding为same的卷积层，得到尺寸为255×13×13的预测结果pre_3；
第五步：预测结果pre_1,pre_2和pre_3分别是原始图像在32、16、8倍下采样的尺寸，是在不同尺度上对目标进行预测的结果。以尺寸为255×52×52的预测结果pre_1为例，其尺寸的具体含义为：将原图均分为52×52(S＝52)个网格，如果某个目标的中心落在具体某个网格中，该网格便负责预测该目标。设置每个网格预测B＝3个基于锚框的目标框，每个目标框需要有(x,y,w,h,confidence)五个基本参数，除此之外为了识别目标框内的目标类别还需要C＝80个类别的概率。所以对于每个网格共需要3*(5+80)＝255个参数。x,y,w,h是预测目标框相对于锚框的一个偏移量，在自适应锚框变换得到的适应数据集的锚框的基础上通过添加预测出的偏移量得到预测的目标框。相比于直接预测目标框，在锚框基础上预测偏移量间接得到预测目标框的方法可使神经网络学习起来更容易，并可以有效提高召回率。confidence为该目标框预测准确的置信度，通过计算预测目标与真实目标相符时的交并比(IOU)值得到；
第六步：在获得预测网络预测结果后进行后处理操作。首先设置confidence阙值，过滤掉confidence低于阙值的目标框。随后对保留的目标框进行非极大值抑制(NMS)处理，对交并比大于给定阙值的相邻目标框保留其中confidence大的目标框，避免出现多个目标框表示同一目标的情况。最后对非极大值抑制得到的目标框信息与真实标签通过二值交叉熵计算损失，用于反向传播优化模型。
工作原理：通过利用计算机视觉的方法在降落过程中实时控制飞机，对于降落过程中产生的偏差及时修正，可将降落误差控制在5cm之内，通过添加速度平衡系数，有效减小了降落过程中气流带来的精度偏差，并加快了无人机向降落点收敛的速度，可靠性高，受环境干扰小。在目标检测算法未检测到无人机降落平台时，无人机在空中盘旋寻找目标，防止了无人机由于GPS定位误差导致无人机降落于危险环境。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于此，在所属技术领域的技术人员所具备的知识范围内，在不脱离本发明宗旨的前提下还可以作出各种变化。
Claims (10)
1.一种无人机精准降落系统，包括无人机、GPS定位设备、无人机降落平台、视觉识别标识、地面处理模块和App无人机控制平台，其特征在于，所述无人机降落平台呈正方形，表面平整且水平，尺寸为0.5m×0.5m，表面绘制视觉识别标识，内置GPS定位设备与地面处理模块；
所述地面处理模块利用GPS定位设备获取当前无人机降落平台坐标信息，通过与App控制平台建立网络连接向其发送坐标信息，所述App无人机控制平台搭载无人机软件开发工具包(SDK)，可向无人机发送控制命令、获得无人机所摄视频流，内置目标检测算法用于对无人机所摄视频流中的视觉识别标识进行检测。
2.根据权利要求1所述的一种无人机精准降落系统，其特征在于，所述视觉识别标识由第一图形、数字图形、方向定位图形组成，所述第一图形与无人机降落平台尺寸相当均为0.5m×0.5m。
3.根据权利要求2所述的一种无人机精准降落系统，其特征在于，所述数字图形位于第一图形中心位置，尺寸为0.1m×0.1m，所述方向定位图形位于数字图形正上方紧贴第一图形上边缘用于判断无人机降落平台正方向，尺寸为0.1m×0.1m。
4.一种基于目标检测的无人机精准降落方法,所述基于目标检测的无人机精准降落方法利用上述的一种无人机精准降落系统实现精准降落，包括如下步骤:
S1：计算返航高度；
S2：无人机返航；
S3：实时目标检测；
S4：调整飞机航向；
S5：引导下降；
S6：完成降落。
5.根据权利要求4所述的一种基于目标检测的无人机精准降落方法，其特征在于，已知GPS定位技术最大误差α。
6.根据权利要求5所述的一种基于目标检测的无人机精准降落方法，其特征在于，通过目标检测算法获得无人机降落平台上视觉识别标识的第一图形、方向定位图形中心在无人机下视摄像头所摄图像中的相对位置坐标(x1，y1)、(x2，y2)。
7.根据权利要求6所述的一种基于目标检测的无人机精准降落方法，其特征在于，所述目标检测算法包括以下步骤：
步骤S11：获取图像数据集，将所述图像数据集划分为训练集A和测试集B。
步骤S12：建立目标检测模型。
步骤S13：部署目标检测模型于App无人机控制平台。
8.根据权利要求7所述的一种基于目标检测的无人机精准降落方法，其特征在于，所述无人机降落平台的尺寸为d×d，计算返航高度为H。
9.根据权利要求8所述的一种基于目标检测的无人机精准降落方法，其特征在于，计算无人机航向与无人机降落平台正方向的偏差角度γ。
10.根据权利要求9所述的一种基于目标检测的无人机精准降落方法，其特征在于，记无人机下视摄像头视角为θ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364590.7A CN115610694A (zh) | 2022-11-02 | 2022-11-02 | 一种基于目标检测的无人机精准降落方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211364590.7A CN115610694A (zh) | 2022-11-02 | 2022-11-02 | 一种基于目标检测的无人机精准降落方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115610694A true CN115610694A (zh) | 2023-01-17 |
Family
ID=84876204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211364590.7A Pending CN115610694A (zh) | 2022-11-02 | 2022-11-02 | 一种基于目标检测的无人机精准降落方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115610694A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115981355A (zh) * | 2023-02-06 | 2023-04-18 | 山东融瓴科技集团有限公司 | 一种可快速精准降落的无人机自动巡航方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444797A (zh) * | 2016-12-01 | 2017-02-22 | 腾讯科技（深圳）有限公司 | 一种控制飞行器降落的方法以及相关装置 |
| EP3447435A1 (en) * | 2017-08-25 | 2019-02-27 | Aurora Flight Sciences Corporation | Virtual reality system for aerial vehicle |
| CN109911231A (zh) * | 2019-03-20 | 2019-06-21 | 武汉理工大学 | 基于gps和图像识别混合导航的无人机自主着舰方法与系统 |
| CN110595476A (zh) * | 2019-08-30 | 2019-12-20 | 天津航天中为数据系统科技有限公司 | 一种基于gps和图像视觉融合的无人机降落导航方法及装置 |
| CN115100554A (zh) * | 2022-07-19 | 2022-09-23 | 西安石油大学 | 一种基于智能视觉的无人机电力巡检系统及其检测方法 |
| US11459117B1 (en) * | 2019-09-23 | 2022-10-04 | Amazon Technologies, Inc. | Drone-based cameras to detect wind direction for landing |
| CN115202395A (zh) * | 2022-07-21 | 2022-10-18 | 青岛云世纪信息科技有限公司 | 一种无人机降落控制方法、控制设备及存储介质 |
-
2022
- 2022-11-02 CN CN202211364590.7A patent/CN115610694A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444797A (zh) * | 2016-12-01 | 2017-02-22 | 腾讯科技（深圳）有限公司 | 一种控制飞行器降落的方法以及相关装置 |
| EP3447435A1 (en) * | 2017-08-25 | 2019-02-27 | Aurora Flight Sciences Corporation | Virtual reality system for aerial vehicle |
| CN109911231A (zh) * | 2019-03-20 | 2019-06-21 | 武汉理工大学 | 基于gps和图像识别混合导航的无人机自主着舰方法与系统 |
| CN110595476A (zh) * | 2019-08-30 | 2019-12-20 | 天津航天中为数据系统科技有限公司 | 一种基于gps和图像视觉融合的无人机降落导航方法及装置 |
| US11459117B1 (en) * | 2019-09-23 | 2022-10-04 | Amazon Technologies, Inc. | Drone-based cameras to detect wind direction for landing |
| CN115100554A (zh) * | 2022-07-19 | 2022-09-23 | 西安石油大学 | 一种基于智能视觉的无人机电力巡检系统及其检测方法 |
| CN115202395A (zh) * | 2022-07-21 | 2022-10-18 | 青岛云世纪信息科技有限公司 | 一种无人机降落控制方法、控制设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PEDRO ALEXANDRE PRATES, RICARDO MENDONC¸A, ANDRE LOURENC ´ ¸O, FRANCISCO MARQUES, J. P. MATOS-CARVALHO AND JOSE BARATA: "Vision-based UAV detection and tracking using motion signatures", 《2018 IEEE INDUSTRIAL CYBER-PHYSICAL SYSTEMS (ICPS)》, 31 December 2018 (2018-12-31), pages 482 - 7 * |
| 刘康, 张家田, 严正国: "一种改善无人机自动返航降落误差的方法", 《现代电子技术》, vol. 41, no. 6, 31 March 2018 (2018-03-31), pages 61 - 64 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115981355A (zh) * | 2023-02-06 | 2023-04-18 | 山东融瓴科技集团有限公司 | 一种可快速精准降落的无人机自动巡航方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102414452B1 (ko) | 목표 검출 및 목표 검출 네트워크의 훈련 | |
| CN108596101B (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
| CN110825101B (zh) | 一种基于深度卷积神经网络的无人机自主降落方法 | |
| US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
| CN108702444B (zh) | 一种图像处理方法、无人机及系统 | |
| CN107690840B (zh) | 无人机视觉辅助导航方法及系统 | |
| CN111338382B (zh) | 一种安全态势引导的无人机路径规划方法 | |
| CN113657256B (zh) | 一种无人艇载无人机海空协同视觉跟踪与自主回收方法 | |
| US10650694B2 (en) | Unmanned vehicle simulator | |
| CN109145747A (zh) | 一种水面全景图像语义分割方法 | |
| CN108955645A (zh) | 应用于通信铁塔智能巡检的三维建模方法及装置 | |
| CN113359782B (zh) | 一种融合lidar点云与图像数据的无人机自主选址降落方法 | |
| US20200115050A1 (en) | Control device, control method, and program | |
| CN110986945B (zh) | 基于语义高度地图的局部导航方法和系统 | |
| CN111598952A (zh) | 一种多尺度合作靶标设计与在线检测识别方法及系统 | |
| CN114004977A (zh) | 一种基于深度学习的航拍数据目标定位方法及系统 | |
| CN111414807A (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
| CN115610694A (zh) | 一种基于目标检测的无人机精准降落方法及系统 | |
| CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
| KR102311089B1 (ko) | 스마트 해상부이를 이용한 해양을 모니터링하기 위한 장치 및 이를 위한 방법 | |
| CN114627160A (zh) | 一种水下环境探测的方法 | |
| CN116486290B (zh) | 一种无人机监测追踪方法、装置、电子设备及存储介质 | |
| CN113284185A (zh) | 用于遥感目标检测的旋转目标检测方法 | |
| CN110826485A (zh) | 一种遥感影像的目标检测方法及系统 | |
| CN112639655A (zh) | 无人机返航的控制方法、设备、可移动平台和存储介质 |
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 |