【技术实现步骤摘要】
基于视觉的低空无人机的飞行控制方法
[0001]本专利技术涉及无人机自主避障
,特别涉及一种基于视觉的无人机障碍物检测与智能飞行控制方法。
技术介绍
[0002]随着无人机技术的发展,无人机能自主完成既定任务变得越来越重要。无人机在执行任务的过程中会遇到障碍物,为了保证无人机能更好地完成既定任务,使得无人机能够安全地到达目标点,需要针对无人机飞行过程中的障碍物进行识别,使得无人机在遇到障碍物的时候能够进入避障状态,进而避开障碍物。在低空无人机飞行中,电力线被认为是最具威胁性的危险源之一,也是最难避开的障碍物之一。除了电力线之外,树木与电线杆对于低空飞行无人机的安全飞行也构成了威胁。
[0003]近年来,已经提出了许多基于视觉的电力线检测算法,以促进自动驾驶无人机和自动避障。这些算法通常是通过边缘检测、霍夫变换或Radon变换、以及基于电力线约束的直线拟合来实现电力线检测。然而上述基于电力线检测算法只能在一些简单场景下应用,在复杂场景下不仅检测速度慢检测不准确,而且需要大量的后处理工作来区分电力线和伪线,极容易出现误检、漏检等问题。此外低空无人机飞行过程中的其他障碍物还包括树障和电线杆等,传统的目标检测方法对这类障碍物的检测速度与精度低,在背景存在干扰的时候非常容易漏检与误检,性能会大大降低。
技术实现思路
[0004]针对现有无人机障碍物检测的缺陷,本专利技术提供一种基于视觉的低空无人机的飞行控制方法,首先,对于电力线等典型障碍物的检测,利用图像处理的检测方法,通过Hessian矩阵方法 ...
【技术保护点】
【技术特征摘要】
1.一种基于视觉的低空无人机的飞行控制方法,其特征在于,具体实施步骤如下:S1、利用深度学习对无人机低空飞行时针对包括树木、电线杆和电力线的待检测障碍物进行检测:S11、采集无人机飞行过程中的航拍图像样本,并通过数据增强方法扩充样本数量;S12、对S11中航拍图像样本的典型目标进行标注,生成典型目标的检测数据集,并将检测数据集分为训练集、验证集和测试集;S13、建立改进单阶段目标检测网络模型;S14、将训练集和测试集输入到改进单阶段目标检测网络模型中,并设置训练参数;S15、利用优化器对改进单阶段目标检测网络模型进行训练,并记录和保存每一轮所训练好的模型及对应的训练损失与验证损失,直到单阶段目标检测网络收敛;S16、将测试集输入到S15训练好的改进单阶段目标检测网络模型中进行测试,得到待检测障碍物的检测结果;S2、利用图像处理对S1得到的检测结果再进行待检测障碍物的检测:S21、对待检测障碍物检测结果进行灰度化处理得到灰度图像;S22、增强S21得到的灰度图像中待检测障碍物的边缘信息,得到增强后图像;S23、对S22得到的增强图像进行高斯滤波和边缘检测;S24、对最终预处理后的图像DE(x,y)进行检测,得到待检测障碍物中直线的检测结果;S25、将S24得到的图像进行主方向筛选和长度筛选;S26、利用凝聚层次聚类方法将S25得到的直线检测结果进行分组;S27、对于S26得到的分组结果,采用最小二乘法进行拟合,得到最终的待检测障碍物的检测结果;S3、根据无人机飞行条件因素生成判决框,结合S1和S2得到待检测障碍物的检测结果,进行飞行控制与避障指令的发送,以使无人机进行避障:S31、以无人机视角的中心点作为判决框的中心,生成方形判决框,所述判决框的边长R的表达式如下:其中,K为缩放系数,R
A
为无人机视角框的宽,h为无人机的高度;S32、根据检测出的障碍物与判决框的相对位置,向无人机发送相应的飞行控制与避障指令。2.根据权利要求1所述的基于视觉的低空无人机的飞行控制方法,其特征在于,所述步骤S13的具体实施过程如下:S131、建立主干特征提取网络:将主干特征提取网络CSPdarknet53替换为MobileNetv3网络,利用MobileNetv3网络输出的有效特征层进行特征提取;S132、建立特征融合网络:将S131提取的不同层次的有效特征层进行融合,并在主干特征网络输出的三个有效特征层之后分别设置注意力机制;S133、建立预测网络:将基本卷积块和1*1的卷积连接,得到预测网络。3.根据权利要求1所述的基于视觉的低空无人机的飞行控制方法,其特征在于,在步骤
S21中,所述灰度化处理的具体表达式如下:Gray(x,y)=0.3R+0.6G+0.1B其中,Gray(x,y)为灰度图像,R、G和B分别为障碍物检测结果的三个通道的像素分布函数。4.根据权利要求1所述的基于视觉的低空无人机的飞行控制方法,其特征在于,在步骤S22中增强灰度图像中待检测障碍物的边缘信息...
【专利技术属性】
技术研发人员:缪存孝,唐友军,杜玉虎,缪小妹,
申请(专利权)人:苏州邈航科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。