救援无人机自动识别抓取制造技术

本发明专利技术公开了一种救援无人机自动识别抓取

【技术实现步骤摘要】
救援无人机自动识别抓取AED装置的控制方法


[0001]本专利技术涉及
AED
装置的高效抓取控制方法，具体涉及一种救援无人机自动识别抓取
AED
装置的控制方法
。

技术介绍

[0002]医疗是人类社会的基本问题，很多时候病人的病情危重都是延迟
、
救护车迟到等原因造成的
。
自动体外除颤器又称自动体外电击器，简称
AED
，是一种便携式医疗设备，是可以被非专业人员使用的用于抢救心脏骤停患者的医疗设备
。
目前世界上最有效制止猝死的办法就是及时地利用
AED
对患者进行除颤和心肺复苏
。
但目前我国
AED
普遍使用率低，一旦出现患者心脏骤停需立马送去医院，遇到堵车等突发情况就会耽误救治的黄金时间，严重的话会危害到患者的生命安全
。
[0003]我国密集场所中对
AED
的使用投放率低，通常患者将面临离医院太远或者在人群密集场所中携载
AED
的大型设备
/
救护车难以靠近等问题，出现这样的问题后就往往会错过最佳的抢救时间
。
针对类似的问题，有人提出了通过无人机运输
AED
的方案，使得
AED
能快速高效到达指定位置，在实际应用中发现，通过无人机来运输
AED
时，即涉及到
AED
的投放，也涉及到
AED/>装置的识别抓取工作，无人机自动识别
AED
装置并且自动抓取
AED
装置，会极大地提升
AED
装置的转用效率，节约救援输送时间，提高患者的生存概率
。
[0004]无人机通过机载机械臂实现对
AED
装置的抓取工作，首先需要获取
AED
装置的位置以及放置的姿态，因此，在控制无人机上机械臂抓取
AED
装置的前置条件是完成对
AED
装置的自主识及方向判断；
[0005]而由于无人机载重有限以及独特的高空视角，相较于通用目标识别场景，对
AED
装置的自主识别通常面临以下几个关键问题：
[0006](1)
一方面，由于无人机载重有限，不能配备高性能计算设备，机载计算机算力有限；另一方面，无人机的高机动特性导致无人机与目标相对运动速度较快，这对算法的实时性
(
实时一般是指帧率
≥25Hz)
提出了更高的要求；因此，综合两个方面，识别算法要尽可能轻量化的同时提高识别帧率；
[0007](2)
不同于地面相机对地面目标识别的视角，无人机视角下目标可能是任意方向的
。
而机械臂要完成对
AED
装置的精确抓取，仅仅获取目标相对位置是不够的，还需要获取目标在图像
2D
平面的偏角
(
目标的方向
)。
因此，具体的控制方法中还需要获得目标的偏角信息，即
AED
装置的布置角度
。
[0008]针对第一个问题，现有的实时目标检测方法中，主要分为以下几类：
[0009](1)
基于两阶段检测器的实时目标检测方法，如
Faster R
‑
CNN(Region
‑
based Convolutional Neural Network)
等
。
这些方法通过首先生成候选区域，然后对这些候选区域进行分类和回归来检测目标
。
这类方法具有较高的精度，但对算力要求较高，一般部署在地面主机或高性能笔记本，在无人机机载计算机算力下，经过测试，测试帧率＜
5Hz
，远远达不到实时性要求；
[0010](2)
基于单阶段检测器的实时目标检测方法，如
YOLO(You Only Look Once)
系列，
SSD(Single Shot Multibox Detector)
等；这些方法采用单个神经网络来直接预测目标的类别和位置，并具有较快的速度和较高的准确率
。
但由于目标检测和分类是同时进行的，所以检测的精度较低，尤其是对于小目标和困难样本；
[0011](3)
基于注意力机制的实时目标检测方法，如
Squeeze
‑
and
‑
Excitation Networks(SENet)
等；这些方法使用注意力机制来学习不同特征图的重要性，从而提高目标检测的准确率，但这类方法计算量较大
。
[0012]针对第二个问题，调研了现有的角度估计方法，主要有以下几种：
[0013](1)
基于霍夫变换的角度估计方法：该方法利用霍夫变换提取直线特征，并通过计算直线之间的角度来估计目标的角度，该方法适用于直线较明显的图像，对于目标边缘不明显的图像效果较差，同时容易受到噪声和干扰的影响；
[0014](2)
基于模板匹配的角度估计方法：该方法需要提前构建一个目标的
2D
模板，然后在输入图像中匹配模板，并通过匹配结果来估计目标的角度
。
该方法对于目标形状规则
、
边缘明显的情况效果较好，但对于目标形状复杂或存在遮挡等情况效果较差，同时，需要提前构建模板，模板质量直接影响估计精度；
[0015](3)
基于卷积神经网络的角度估计方法：该方法利用卷积神经网络对输入图像进行特征提取和分类，然后根据分类结果来估计目标的角度
。
可以自动学习特征，对于目标形状
、
姿态变化较大的情况具有较好的鲁棒性，可以实现端到端的训练和测试
。
但对于数据量和质量要求较高，人工标注成本较高；
[0016](4)
基于
SIFT
特征的角度估计方法：该方法利用
SIFT
算法提取输入图像中的关键点和特征，然后通过匹配关键点和特征来估计目标的角度
。
该方法对于目标形状变化较大或存在遮挡的情况效果较好，可以估计多个目标的角度
。
但
SIFT
算法计算量较大，适用于低速度应用场景，同时对于目标尺度变化较大的情况效果较差
。
[0017]由于上述现有技术都不能满足无人机自动识别抓取
AED
装置的控制需求，本申请人对无人机的控制方案做了深入研究，以期待设计出一种能够解决上述问题，能够准确控制无人机识别并抓取
AED
装置的控制方法
。

技术实现思路

[0018]为了克服上述问题，本专利技术人进行了锐意研究，设计出一种救援无人机自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种救援无人机自动识别抓取
AED
装置的控制方法，其特征在于，该方法包括如下步骤：步骤1，通过机载摄像头实时拍摄获得
AED
装置所在位置的图像，步骤2，将所述图像预处理后输入到大网络模型中，通过大网络模型识别图像中的
AED
装置；步骤3，当大网络模型能够连续地从5帧图像中都识别到
AED
装置后，将后续获得的图像做裁剪及预处理得到小图像；步骤4，将小图像输入到小网络模型中，通过小网络模型识别图像中的
AED
装置；步骤5，基于大网络模型和小网络模型的输出结果控制无人机飞向
AED
装置
。2.
根据权利要求1所述的救援无人机自动识别抓取
AED
装置的控制方法，其特征在于，该方法还包括：步骤6，在无人机邻近
AED
装置时，基于
AED
装置的布置角度控制无人机上的机械手抓取
AED
装置；优选地，在获得小图像后，针对每一帧小图像，对目标外接矩形区域图像进行自适应二值化；对二值化后的图像拟合最小面积外接矩形，并将该外接矩形的方向作为
AED
装置的布置角度
。3.
根据权利要求1所述的救援无人机自动识别抓取
AED
装置的控制方法，其特征在于，在训练所述大网络模型时，训练用的图像分辨率为
1280
×
1280
；在训练所述小网络模型时，训练用的图像分辨率为
640
×
640。4.
根据权利要求1所述的救援无人机自动识别抓取
AED
装置的控制方法，其特征在于，所述大网络模型的结构包括：
Backbone、Neck
和
Head
三个部分；所述
Backbone
包含6个卷积模块
、5
个
C3
模块以及1个
SPPF
模块；所述
Neck
包含6个卷积模块
、6
个
C3
模块
、3
个上采样模块以及6个拼接模块；
Head
目标检测头用于在特征图上预测目标类别并回归目标位置，包含4个
Detect
检测器，即利用基于网格的
anchor
在不同尺度的特征图上进行目标检测；所述卷积模块由卷积层
、BN
层和激活函数组成，通过卷积层提取输入特征中的局部空间信息，通过
BN
层网络归一化，所述激活函数使用
Leaky ReLU
；所述
C3
模块用于增加网络的深度和感受野，由三个卷积层构成，其中第一个卷积层的步长为2，用于将特征图的尺寸减半，第二个卷积层和第三个卷积层的步长为1；
C3
模块中采用的都是
3x3
的卷积核；所述
SPPF
是空间金字塔池化，用于将输入特征图转换成固定大小的特征向量；所述上采样模块用于增加特征图尺寸；所...

【专利技术属性】
技术研发人员：肖军，贾自凯，金忍，褚昭晨，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：