本發(fā)明屬于障礙物識(shí)別，尤其涉及一種基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法及避障方法。

背景技術(shù)：

1、隨著視覺(jué)傳感器的快速發(fā)展，其應(yīng)用的場(chǎng)景越來(lái)越多，而障礙物識(shí)別則是機(jī)器視覺(jué)領(lǐng)域的核心應(yīng)用之一。同時(shí)隨著ai技術(shù)的發(fā)展越來(lái)越多的智能算法被構(gòu)建出來(lái)應(yīng)用在機(jī)器視覺(jué)系統(tǒng)中作為障礙物識(shí)別的核心算法。yolo?v5就是在這種背景下被構(gòu)建了出來(lái)。yolov5是基于其前身yolo?v4的基礎(chǔ)上進(jìn)行了改進(jìn)，使其有了速度快、精度高、輕量級(jí)等優(yōu)勢(shì)，但是同時(shí)也面臨許多問(wèn)題比如小目標(biāo)和密集目標(biāo)的效果不佳，訓(xùn)練數(shù)據(jù)集過(guò)大等問(wèn)題，所以必須針對(duì)yolo?v5算法進(jìn)行改進(jìn)，在保留其優(yōu)勢(shì)的情況下盡可能的消除其所面臨的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法及避障方法，針對(duì)無(wú)人機(jī)跑道障礙物識(shí)別中的跑道上障礙物的種類(lèi)和數(shù)量較少的實(shí)際應(yīng)用場(chǎng)景，基于yolov5算法存在相對(duì)小數(shù)據(jù)集對(duì)端側(cè)小目標(biāo)識(shí)別困難尤其密集目標(biāo)識(shí)別效果不佳的問(wèn)題，提出了基于改進(jìn)型yolov5的無(wú)人機(jī)跑道障礙物識(shí)別方法，以解決yolov5所面臨算力復(fù)雜、效率低以及不適用無(wú)人機(jī)跑道等問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法，其特征在于，包括如下步驟：

4、s10.?獲取數(shù)據(jù)圖像；

5、s11.?應(yīng)用天空分割方法對(duì)所述數(shù)據(jù)圖像進(jìn)行分割，獲得分割后數(shù)據(jù)圖像；

6、s12.?配置改進(jìn)型yolo?v5視覺(jué)模型，改進(jìn)型yolo?v5視覺(jué)算法模型所包括的主干網(wǎng)絡(luò)backbone中目標(biāo)識(shí)別子模型為centernet，且檢測(cè)頭head中刪除msn組件；

7、s13.?將分割后數(shù)據(jù)圖像輸入至改進(jìn)型yolo?v5視覺(jué)算法模型，輸出障礙物識(shí)別結(jié)果。

8、作為一種可能的實(shí)現(xiàn)方式，所述主干網(wǎng)絡(luò)backbone在centernet之后依次設(shè)置了三層包括cbl和csp-x的組件，其中x表示重復(fù)的次數(shù)。

9、作為一種可能的實(shí)現(xiàn)方式，所述改進(jìn)型yolo?v5視覺(jué)模型中的neck網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)backbone、neck和prediction；其中，主干網(wǎng)絡(luò)backbone中目標(biāo)識(shí)別子模型為centernet，且檢測(cè)頭head中刪除msn組件。

10、第二方面，本發(fā)明還提供一種避障方法，應(yīng)用第一方面所述的基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法識(shí)別障礙物；所述避障方法包括如下步驟：

11、s20.?確定障礙物的威脅等級(jí)；

12、s21.?根據(jù)威脅等級(jí)確定避障路徑。

13、作為一種可能的實(shí)現(xiàn)方式，所述威脅等級(jí)具體包括有障礙物但不影響飛機(jī)的飛行、有障礙物且有可能影響飛機(jī)的飛行、有障礙物且肯定會(huì)影響飛機(jī)的飛行。

14、作為一種可能的實(shí)現(xiàn)方式，根據(jù)威脅等級(jí)確定避障路徑，具體包括：

15、當(dāng)判斷威脅等級(jí)為有障礙物但不影響飛機(jī)的飛行時(shí)，路徑規(guī)劃模塊不重新進(jìn)行路徑規(guī)劃，即將原路徑提供給飛機(jī)，繼續(xù)飛行任務(wù)執(zhí)行；

16、當(dāng)判斷威脅等級(jí)為有障礙物且有可能影響飛機(jī)的飛行時(shí)，障礙物識(shí)別模塊將識(shí)別的判斷信息發(fā)送給路徑規(guī)劃模塊，路徑規(guī)劃模塊重新進(jìn)行路徑規(guī)劃并把新的路線提供給飛機(jī)，繼續(xù)飛行任務(wù)執(zhí)行；

17、當(dāng)判斷威脅等級(jí)為有障礙物且肯定會(huì)影響飛機(jī)的飛行時(shí)，且當(dāng)路徑規(guī)劃沒(méi)有新的路徑提供時(shí)，將發(fā)出急停的信息給無(wú)人機(jī)的控制系統(tǒng)，實(shí)現(xiàn)飛機(jī)制動(dòng)。

18、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下效果：

19、1.?本發(fā)明針對(duì)機(jī)場(chǎng)特殊應(yīng)用場(chǎng)景，采用優(yōu)化的yolov5視覺(jué)算法實(shí)現(xiàn)無(wú)人飛行器跑道障礙物識(shí)別及安全預(yù)警，有效解決了在相對(duì)小數(shù)據(jù)集對(duì)端側(cè)小目標(biāo)識(shí)別困難尤其密集目標(biāo)識(shí)別效果不佳的問(wèn)題。

20、2.?通過(guò)修改yolo?v5的主干網(wǎng)絡(luò)backbone的目標(biāo)識(shí)別算法，即采用centernet代替fcos，該結(jié)構(gòu)可以省略原生yolov5?head中的msn組件，有效降低算法的復(fù)雜程度，滿足有限空間、計(jì)算算力和實(shí)時(shí)性的要求；

21、3.?本發(fā)明應(yīng)用天空分割和reduced?yolo?v5算法融合跑道障礙物識(shí)別算法，融合天空分割后，可以對(duì)視覺(jué)圖像進(jìn)行快速處理，并剔除由于天空部分帶來(lái)的噪聲對(duì)后續(xù)障礙物識(shí)別的結(jié)果的影響。

22、4.?本發(fā)明構(gòu)建了三級(jí)安全避障規(guī)則支撐無(wú)人飛行器平臺(tái)的智能路徑規(guī)劃。

技術(shù)特征：

1.一種基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法，其特征在于，所述主干網(wǎng)絡(luò)backbone在centernet之后依次設(shè)置了三層包括cbl和csp-x的組件，其中x表示重復(fù)的次數(shù)。

3.根據(jù)權(quán)利要求1所述的基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法，其特征在于，所述改進(jìn)型yolo?v5視覺(jué)模型中的neck網(wǎng)絡(luò)包括主干網(wǎng)絡(luò)backbone、neck和prediction；其中，主干網(wǎng)絡(luò)backbone中目標(biāo)識(shí)別子模型為centernet，且檢測(cè)頭head中刪除msn組件。

4.一種避障方法，其特征在于，應(yīng)用權(quán)利要求1至3任一項(xiàng)所述的基于改進(jìn)型yolo?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法識(shí)別障礙物；所述避障方法包括如下步驟：

5.根據(jù)權(quán)利要求4所述的避障方法，其特征在于，所述威脅等級(jí)具體包括有障礙物但不影響飛機(jī)的飛行、有障礙物且有可能影響飛機(jī)的飛行、有障礙物且肯定會(huì)影響飛機(jī)的飛行。

6.根據(jù)權(quán)利要求5所述的避障方法，其特征在于，根據(jù)威脅等級(jí)確定避障路徑，具體包括：

技術(shù)總結(jié)
本發(fā)明提供基于改進(jìn)型YOLO?v5的無(wú)人機(jī)跑道障礙物識(shí)別方法及避障方法，屬于障礙物識(shí)別技術(shù)領(lǐng)域。無(wú)人機(jī)跑道障礙物識(shí)別方法包括獲取數(shù)據(jù)圖像；應(yīng)用天空分割方法對(duì)所述數(shù)據(jù)圖像進(jìn)行分割，獲得分割后數(shù)據(jù)圖像。配置改進(jìn)型YOLO?v5視覺(jué)模型，改進(jìn)型YOLO?v5視覺(jué)算法模型所包括的主干網(wǎng)絡(luò)Backbone中目標(biāo)識(shí)別子模型為CenterNet，且檢測(cè)頭Head中刪除MSN組件。將分割后數(shù)據(jù)圖像輸入至改進(jìn)型YOLO?v5視覺(jué)算法模型，輸出障礙物識(shí)別結(jié)果。針對(duì)無(wú)人機(jī)跑道障礙物識(shí)別中的跑道上障礙物的種類(lèi)和數(shù)量較少的實(shí)際應(yīng)用場(chǎng)景，提出了基于改進(jìn)型YOLOv5的無(wú)人機(jī)跑道障礙物識(shí)別方法，以解決YOLOv5所面臨算力復(fù)雜、效率低以及不適用無(wú)人機(jī)跑道等問(wèn)題。

技術(shù)研發(fā)人員：吳昶磊,劉中華,呂明,陳亞軍,徐時(shí)平,辛正北,劉潤(rùn)乾,尹子翯,劉豐軍,尹利國(guó),崔小強(qiáng),賀維艷,郝小東,高宇,葛兵,郭羽,廖凌斌,徐壽堂
受保護(hù)的技術(shù)使用者：浙江中和匯興科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/10