低空无人飞艇的目标检测方法研究

发布时间：2020-09-16 20:24

　　现有的无人飞艇无法自主探测飞行环境,主要通过遥控方式进行控制,这种控制方式操作难度大、易撞击障碍物造成经济损失,自主检测目标对提升飞艇的安全性具有重要意义。对无人飞艇低空飞行环境中的目标进行检测时,一方面飞行环境复杂,目标数量多,另一方面检测对象以远距离小尺寸目标为主,检测难度大。论文基于经典的YOLOv3-tiny目标检测网络,设计了多个改进的网络,所提出的网络具有更高的检测精度,尤其对小尺寸目标有更强的检测能力。论文主要工作如下:首先,针对YOLOv3-tiny网络检测精度较低的问题,根据卷积神经网络不同层具有不同的特征的特点,对YOLOv3-tiny的卷积层进行设计和调整,分别建立YOLOv3-Feature1、YOLOv3-Feature2和YOLOv3-Feature3网络,实验结果表明,YOLOv3-Feature2网络的检测精度提升幅度最大,说明强化提取高层语义信息可以有效提升YOLOv3-tiny网络的检测能力。然后,针对远距离小尺寸目标检测问题,基于特征金字塔设计得到YOLOv3-Pyramid网络,该网络融合了网络浅层的细粒度信息和深层的高层语义信息,得到一个感受野较小的特征图,针对小尺寸目标进行检测,实验结果表明,YOLOv3-Pyramid网络对小尺寸目标的检测能力有大幅提升,尽管检测用时有所延长,但仍在可接受的范围内。最后,设计与实现了低空无人飞艇目标检测系统。融合传感器的信息,设计了自主避障和着陆策略,根据项目需求,设计和搭建了一体化的检测装置,基于YOLOv3-Pyramid网络,使用双摄像头与激光测距仪实时对目标进行检测,验证了算法的有效性。论文设计的基于深度学习的目标检测算法,可以应用于嵌入式设备中,具有较好的检测效果,提高了无人飞艇安全性和自主性,具有较高的实际应用价值。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP274;V274
【部分图文】：

飞艇,实物

飞艇是一种轻于空气、具有动力驱动的航空器，被广泛应用于民用和军事领域。它的升力主要来自于气囊内密度比空气小的填充气体，该气体一般为安全性能高的氦气，安装于飞艇上的发动机也会提供部分升力。飞艇实物图如图1-1所示。图 1-1 无人飞艇实物图第一艘飞艇由法国工程师Henri Giffard于1852年建造，该飞艇长为143英尺、直径为40英尺，并以每小时5英里的速度成功完成了17英里的飞行[1]。飞艇是最早用于航空运输的飞行器。飞艇的快速发展持续到1937年，直到当时最大的刚性飞艇“兴登堡”发生事故后，飞艇的发展开始萎靡不振，但是研究者们对飞艇的研究没有停止。近年来，材料与技术的发展使得飞艇重新活跃在各个领域，如图1-2所示。(a) 架设电缆 (b) 广告展示 (c) 通讯中继图 1-2 飞艇应用介绍图无人飞艇的尺寸一般在20米以下，可以携带一定的负载，续航时间一般在2小时内。与固定翼无人飞行器与旋翼无人飞行器相比，无人飞艇是一种理想的低速、低空平台

飞艇,无人飞行器

航空运输的飞行器。飞艇的快速发展持续到1937年，直到当时最大的刚性飞艇“兴登堡”发生事故后，飞艇的发展开始萎靡不振，但是研究者们对飞艇的研究没有停止。近年来，材料与技术的发展使得飞艇重新活跃在各个领域，如图1-2所示。(a) 架设电缆 (b) 广告展示 (c) 通讯中继图 1-2 飞艇应用介绍图无人飞艇的尺寸一般在20米以下，可以携带一定的负载，续航时间一般在2小时内。与固定翼无人飞行器与旋翼无人飞行器相比，无人飞艇是一种理想的低速、低空平台，具有以下优点：1）能耗低、具有很强的自给能力，可以长时间飞行，

流程图,检测流程

于预测多个回归边界框概率图 1-4 基于深度学习的目标检测方法流程图（1）基于候选区域的目标检测方法基于候选区域的目标检测方法使用启发式方法产生候选区域，然后对候选区分类或回归操作，判断是否存在目标。该类方法只有三个步骤：窗口滑动、类和后处理。近年来，研究者们基于候选区域的目标检测方法提出了很多方的基于候选区域的目标检测方法有：R-CNN[17]、SPP Net[18]、Fast R-CNN[1ter R-CNN[20]。R-CNN首先使用选择性搜索算法在图片中生成1000到2000个建议区域，建议可能出现目标的矩形框，然后将建议区域缩放为227 227大小，提取特征向用SVM分类器、非极大值抑制与边界框回归策略进行预测。R-CNN检测流程-5所示。R-CNN模型的训练与测试的时间开销较大，难以应用到实时检测中

【参考文献】