【技术实现步骤摘要】
本专利技术涉及无人机，尤其是涉及一种基于人工智能无人机模拟训练的集群方法。
技术介绍
1、在一些应急救援的行动中，通常采用无人机进行救援目标的检测。尤其在一些面积较大的区域，通常采用多台无人机子区域进行目标检测，以提升目标检测和搜救速度。但是由于配备在无人机上的摄像头，无法在特定高度获取到无畸变的全景图，需要采用图像拼接技术来解决这一问题。现有技术中而已有的一些拼接算法，由于时间消耗太大无法满足实时拼接的要求。同时特定目标识别模型存在计算量和参数量较大，在复杂场景和远距离小目标场景中检测效果较差，需要采用轻量级、高效的目标识别模型，以满足无人机远距离和实时目标识别的需要。另外在相邻的边缘区域，尤其在一些不规则的边缘，无人机在航拍时容易存在盲区，同时当检测目标位于边缘附近时，单个无人机检测时容易漏检的现象，因此需要提高边缘区域目标检测的准确率。
2、因此，有必要提供一种基于人工智能无人机模拟训练的集群方法来解决上述技术问题。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例，在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
2、因此，本专利技术的目的在于提供一种基于人工智能无人机模拟训练的集群方法，从而克服上述现有技术中图像拼接技术实时性差、复杂场景和远距离小目标场景中检测效果较差，相邻的边缘区域目标容
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于人工智能无人机模拟训练的集群方法，其特征在于：所述方法包括：
4、检测包括完整结构的目标对象的第一样本图像，得到所述目标对象的关键点信息；
5、根据所述关键点信息裁剪所述第一样本图像，得到针对所述目标对象的多个区域图像，每个区域图像包括所述目标对象的残缺结构；
6、将所述多个区域图像分别与预定背景图像融合，得到多个第二样本图像；以及
7、根据所述多个第二样本图像对所述目标检测模型进行训练，
8、其中，所述对象识别模型还包括目标分类模型；所述方法还包括：根据所述关键点信息裁剪所述第一样本图像，得到针对所述目标对象的完整图像，所述完整图像包括所述目标对象的完整结构；
9、根据所述多个区域图像和所述完整图像，得到多个第三样本图像，每个所述第三样本图像包括表示所述目标对象的结构的实际类别；
10、将多个所述第三样本图像输入所述目标分类模型，得到针对多个所述第三样本图像的多个预测类别；以及
11、根据多个所述第三样本图像包括的多个实际类别和所述多个预测类别，对所述目标分类模型进行训练；
12、还包括多模型任务分配、子区域图像拼接、子区域目标识别、跨区域信息交互、边缘区域图像拼接、边缘区域目标识别；具体步骤如下：
13、s1：所述各无人机模型接收目标识别控制指令；
14、s2：所述各无人机对分配子区域内的图像进行拼接处理；
15、s3：所述子区域目标识别用于所述子区域内的目标进行识别；
16、s4：所述跨区域信息交互用于所述无人机之间，跨区域将图像、地理位置等信息基于边缘区域多参数数据帧结构进行传输；
17、s5：所述无人机进行所述边缘区域图像拼接；
18、s6：所述边缘区域目标识别用于在所述边缘区域内对地面目标进行识别。
19、作为本专利技术所述基于人工智能无人机模拟训练的集群方法的一种优选方案，所述步骤s2的区域内的人工智能模型图像拼接步骤如下：
20、s7：开始计算，获取无人机航拍参数，参数包括图像；
21、s8：通过窗口偏移后图像灰度平均变化值计算图像的角点；
22、s9：采用非极大值抑制获得最优的关键点空间分布；
23、s10：使用代价函数求解进行关键点匹配；
24、s11：采用加权平滑融合计算重叠区域像素值，进行图像合成。
25、作为本专利技术所述基于人工智能无人机模拟训练的集群方法的一种优选方案，所述关键点信息包括描述所述目标对象的多个关键点的位置信息；所述根据所述关键点信息裁剪所述第一样本图像，得到针对所述目标对象的多个区域图像包括：
26、确定所述多个关键点中分别描述所述目标对象的多个目标部位的目标关键点，得到分别对应所述目标对象的多个残缺结构的多个目标关键点组；
27、分别根据所述多个目标关键点组中关键点的位置信息，确定所述第一样本图像中分别针对所述多个残缺结构的多个区域；以及
28、根据所述多个区域裁剪所述第一样本图像，得到所述多个区域图像；
29、其中，所述多个目标关键点组中的每个目标关键点组包括：描述所述每个目标关键点组所对应的残缺结构的关键点；以及描述所述多个目标部位中与所述每个目标关键点组所对应的残缺结构相邻的相邻部位的关键点。
30、作为本专利技术所述基于人工智能无人机模拟训练的集群方法的一种优选方案，所述步骤s3的子区域内目标识别步骤包如下：
31、s12：开始计算，获取拼接后的图像；
32、s13：进行自适应图像增强；
33、s14：通过主干层对输入图片进行特征提取；
34、s15：在颈部层通过自底向顶和自顶向底双路径聚合，对提取的特征进行融合；
35、s16：通过非极大值抑制对多目标框进行筛选；
36、s17：输出置信度值最高的预测类别，并返回目标位置的预测框坐标。
37、作为本专利技术所述基于人工智能无人机模拟训练的集群方法的一种优选方案，所述步骤s4的子区域内目标识别步骤包如下：
38、s18：向相邻子区域无人机发送子区域检测完成和边缘区域所在位置信息；s19：等待相邻子区域无人机飞向的边缘区域；
39、s20：跨区域将目标识别图像、地理位置信息基于边缘区域多参数的数据帧结构进行传输；
40、s21：实时图像拼接和目标识别，相互传输边缘区域目标识别结果。
41、作为本专利技术所述基于人工智能无人机模拟训练的集群方法的一种优选方案，其中，所述第一样本图像包括多个图像，所述多个图像包括标识不同的多个预定对象；所述方法还包括：将多个所述第三样本图像输入所述目标分类模型，得到针对多个所述第三样本图像的多个特征图；
42、将多个所述特征图组成多个第一特征图对和多个第二特征图对；每个所述第一特征图对中的两个特征图所针对的两个第三样本图像具有相同的实际类别；每个所述第二特征图对中的两个特征图所针对的两个第三样本图像具有不同的实际类别；以及
43、根据针对所述第一特征图对的第一差异与针对所述第二特征图对的第二差异之间的差值，对所述目标分类模型进行训练，其中，所述第一差异为所述第一特征图对中两个特征图之间的差异本文档来自技高网...
【技术保护点】
1.一种基于人工智能无人机模拟训练的集群方法，其特征在于：
2.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤S2的区域内的人工智能模型图像拼接步骤如下：
3.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述关键点信息包括描述所述目标对象的多个关键点的位置信息；所述根据所述关键点信息裁剪所述第一样本图像，得到针对所述目标对象的多个区域图像包括：
4.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤S3的子区域内目标识别步骤包如下：
5.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤S4的子区域内目标识别步骤包如下：
6.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：其中，所述第一样本图像包括多个图像，所述多个图像包括标识不同的多个预定对象；所述方法还包括：将多个所述第三样本图像输入所述目标分类模型，得到针对多个所述第三样本图像的多个特征图；
7.根据权利要求1所述的基
8.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤S6的边缘区域目标识别步骤如下：
9.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述将所述多个区域图像分别与预定背景图像融合，得到多个第二样本图像包括：根据预定尺寸比例调整所述多个区域图像，得到多个调整后图像；以及将所述多个调整后图像与所述预定背景图像融合，得到所述多个第二样本图像。
10.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法其特征在于，所述基于边缘区域多参数数据帧结构包括边缘区域航拍图像、地理位置、飞行方向、飞行速度、航拍角度、传输速率数据。
...【技术特征摘要】
1.一种基于人工智能无人机模拟训练的集群方法，其特征在于：
2.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤s2的区域内的人工智能模型图像拼接步骤如下：
3.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述关键点信息包括描述所述目标对象的多个关键点的位置信息；所述根据所述关键点信息裁剪所述第一样本图像，得到针对所述目标对象的多个区域图像包括：
4.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤s3的子区域内目标识别步骤包如下：
5.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：所述步骤s4的子区域内目标识别步骤包如下：
6.根据权利要求1所述的基于人工智能无人机模拟训练的集群方法，其特征在于：其中，所述第一样本图像包括多个图像，所述多个图像包括标识不同的多个预定对象...
【专利技术属性】
技术研发人员：熊芳强，朱皓能，朱纪源，
申请(专利权)人：江苏东蓝信息技术有限公司，
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。