基于双注意力混洗的无人机航拍目标跟踪算法

针对无人机（UAV）跟踪过程中目标经常出现尺寸小、尺度变化大和相似物干扰等问题,提出了一种基于双注意力混洗的多尺度无人机实时跟踪算法。考虑到无人机视角下目标像素点少,构建了双采样融合的深层网络,既提供了语义信息丰富的深度特征,又保留了目标的细节信息;设计了双注意力混洗模块,通道注意力和空间注意力同时分组筛选提取到的特征信息,混洗不同通道间的信息,加强信息交流,提高了算法辨别能力;为利用不同层的特征信息,加入多个区域建议网络完成目标的分类和回归,并针对无人机的目标特点,将结果进行加权融合。实验结果表明：所提算法在数据集上的成功率和准确率分别为60.3%和79.3%,速度为37.5帧/s。所提算法的辨别能力和多尺度适应能力明显增强,能有效应对无人机跟踪中常见的挑战。     

基于可达集的无人机低空飞行冲突解脱算法

针对无人空中交通管理（UTM）中的冲突解脱问题，提出了以可达集分析为基础的实时避撞算法。该算法可用于城市低空环境中的密集交通流空域，保证无人机（UAV）飞行过程的安全性。基于相对运动的概念，通过分析平面空域中的飞行博弈问题对避撞系统进行建模，同时利用水平集方法和最优控制理论对无人机的可达集进行分析和计算，使用机载传感器获取无人机与周围物体的信息，为每架无人机提供新的避撞策略。通过3种不同空域环境的飞行案例进行仿真实验，验证了该策略不仅可以得到平滑的飞行路径，实时安全地解决冲突解脱问题，而且针对合作/非合作目标均有效。     

基于MSER的无人机图像建筑区域提取

对建筑区域自动检测与提取是无人机(UAV,Unmanned Aerial Vehicle)图像处理的一项重要功能.在分析无人机成像特点和最大稳定极值区域(MSER,Maximum Stable Extremal Regions)算法对无人机侦察图像建筑区域检测的适用性基础上,提出了一种基于MSER的无人机侦察图像建筑区域提取算法.算法包含5步:无人机图像预处理,运用MSER算法分析计算图像稳定区域,通过计算稳定区域密度筛选建筑区域,进一步利用自适应K均值聚类算法对建筑区进行划分,最后采用Graham算法生成建筑区的边界从而实现了建筑区的自动提取.选取无人机实飞图像数据进行实验统计,本算法提取精度为92.25%;同时与基于Gabor变换的纹理特征、SIFT特征点的提取算法相比,建筑区域提取时间缩短,满足无人机实时应用需求.      

基于深度学习的航空发动机故障融合诊断

通过对航空发动机故障诊断,能够正确判断各部件工作状态,快速确定维修方案,保证飞行安全。在结合深度信念网络和决策融合算法的基础上,提出了基于深度学习的航空发动机故障融合诊断模型。该模型通过分析发动机的大量性能参数,先利用深度学习模型提取出性能参数中的隐藏特征,得出故障分类置信度;其后对多次故障分类结果进行决策融合,从而得出更准确的诊断结果。将普惠JT9D发动机故障系数用于数据仿真,通过算例验证本文算法的有效性;算例计算结果表明:多次实验结果经数据融合提高了可信度,该模型具有较高的故障分类诊断准确性和抗干扰能力。      

基于DDPG的单目无人机避障算法

提出了一种基于单目相机的小型多旋翼无人机的连续避障策略。所提出的方法包括深度估计和导航决策两个模块。其中,在深度估计模块采用条件对抗网络对无人机采集得到的RGB图片进行训练预处理,在导航决策模块采用深度确定性策略梯度(DDPG)算法实现无人机的连续避障。在此基础上,对DDPG中的Actor网络进行改进,通过使用多模态网络代替原有策略网络,从而抑制无人机飞行震动,提高避障能力。最后,在Airsim仿真环境中进行测试,实验表明所提算法模型经过训练能够使无人机成功躲避障碍物并到达指定目标点,与原有算法相比避障轨迹得到明显改善。     

基于视频帧间运动估计的无人机图像车辆检测

基于人工智能(AI)芯片搭建轻量化深度神经网络,可以在无人机(UAV)机载端实现视频中车辆目标的自动检测,具有重要的应用前景。为此,提出了一种针对无人机图像车辆目标的检测方法,并在AI芯片上进行部署与测试。方法具体包括:结合无人机图像中车辆目标的尺寸范围,对MobileNet-SSD网络进行裁剪,构建轻量化单帧图像检测器;为解决小目标特性在轻量网络框架下引发的检测性能下降问题,引入帧间运动矢量估计,根据相邻帧信息辅助预测当前帧丢失目标的位置范围,并利用检测结果进行修正,实现丢失目标的再召回。通过对多个数据集进行融合与自动补充标注,搭建了一个高质量的无人机图像车辆目标数据集;同时将方法在基于RK3399芯片计算的嵌入式开发平台上进行实验验证,结果表明:搭建的网络能够显著减少存储资源占用,具有轻量化的特点;同时相比于单帧检测法,引入视频帧间运动估计方法可以有效提高检测精度,并在AI芯片上实现125.3 ms/帧的检测速度。      

一种无人机飞行控制管理软件回归测试方法

针对大型嵌入式软件测试的难题,提出了基于系统快照的自动化回归测试方法,并以无人机飞行控制管理软件为研究案例进行了关键技术解析、测试系统设计及分析.利用系统快照技术实现了彼此之间关系繁杂的测试用例的解耦,将复杂的系统测试转化为灵活的单元测试.结合CPPUnit的测试框架,建立了自动化回归测试的系统结构,并深入分析了各部分的功能和执行过程.进而设计出基于系统快照的自动化回归测试执行流程和测试用例的编制流程.给出了某型无人机飞行控制管理软件在不同方法下的测试结果,通过数据对比验证了测试系统的高有效性.      

基于Gabor滤波器的航空图像居民区域提取

中低分辨率航空图像中居民区域的自动提取对地理信息系统更新和无人机导航具有重要作用.详细分析了Gabor滤波器参数对纹理提取的影响,提出了一种基于Gabor滤波器的居民区快速提取算法.算法包含4步:运用Gabor滤波器分析图像纹理,采用核密度估计生成居民区域置信图像,进而计算自适应阈值分割置信图得到候选区域,最后根据区域几何形状去除干扰得到居民区.算法平均运算时间为0.42s,实验结果表明了算法的高效性和准确性.     

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

基于时空图卷积网络的无人机网络入侵检测方法

无人机网络相比地面网络具有节点快速移动、拓扑结构变换频繁和通信链路不可靠的特点,传统的针对地面网络的入侵检测方法难以适用。针对无人机网络的时空动态特性进行建模,提出了一种无人机网络的入侵检测方法——基于注意力机制的时空图卷积网络（ATGCN）。将图卷积网络和门控递归单元组合为时空图卷积网络,从复杂多变的数据中提取网络的时空演变特征,通过注意力机制提取和入侵检测最相关的特征,输入支持向量机进行分类预测。多个数据集的实验分析表明:所提方法能够适应无人机网络的动态性和不稳定性,相比传统检测方法准确率高且误报率低,具有良好的鲁棒性和适应性。