改进的深度神经网络下遥感机场区域目标检测

卫星遥感监测器下的机场区域多类目标检测在实际生活中有着重大的军用和民用意义。为了有效提升机场区域遥感图片的检测精确率，以主流目标检测方法中更快的区域卷积神经网络（Faster R-CNN）为基础框架，针对数据侧提出了ReMD数据增强算法。同时使用更具深度的残差神经网络（ResNet）以及特征融合部件-特征金字塔网络（FPN）来提取机场区域目标更鲁棒的深层区分性特征。在末端检测网络添加新的全连接层并根据目标的类间关联性组合softmax分类器以及4个logistic regression分类器进行机场区域多类目标的精确分类。实验结果表明:相比原网络改进后的网络带来了11.6%的多类平均检测精确率的提升，达到了80.5%的mAP，与其他主流网络进行对比也有更好的精确率；同时通过适当减小建议区域的输入量，可以在降低3.2%精确率的前提下将0.512 s的检测时间提速3倍，至0.173 s，根据具体任务可以合理权衡精确率和检测速度，体现了该网络的有效性以及实用性。      

无人机软管式自主空中加油视觉导航技术

近年来,机器视觉技术的迅速发展给无人机自主空中加油提供了一种新思路,克服了传统GPS动态适应能力差的不足。基于双目视觉,提出了一种实用的无人机自主空中加油导航方案,并提出了一种利用深度学习进行检测跟踪配合几何约束进行位姿计算的技术。根据加油机和受油机距离的不同,将导航分为远端导航和近端导航。全程对加油锥套进行检测和跟踪,并在近端进行锥套位姿计算。实验结果表明,该算法满足加油的鲁棒性要求,稳定跟踪锁定目标距离范围大于40m。当与目标距离小于10m时,距离误差优于±10cm。说明本文提出的方法具有较强的应用前景。