本发明专利技术公开了一种基于深度学习的自动破除阻绝墙方法及系统。系统包括无人机的视频图像采集与传输模块、无人机数传模块、深度学习目标检测与中心点定位模块、导航定位模块和自动控制模块等多个模块。主要包括以下步骤：首先通过图传模块将无人机下视镜头拍摄的图像数据传输至后方数据处理站；然后将图像数据输入目标检测网络，得到对应特征图；通过建议框网络在特征图上得到建议区域；对建议区域的特征图进行卷积压缩和池化等操作后，传进全连接层网络，输出对目标阻绝墙的目标检测及中心点定位结果，并绘制在原图像上，自动控制模块依据该结果通过数传模块实时控制无人机，实现破除阻绝墙的炸药的精准投放。本发明专利技术利用了计算机视觉、深度学习等理论，检测速度快，精度高，同时将有较大算力支持需求的深度学习目标检测与中心点定位模块与自动控制模块放在后方数据处理站中，能够低风险、低成本且高效率地完成对阻绝墙的识别与定位。
【技术实现步骤摘要】
本专利技术涉及计算机图像目标检测领域，特别涉及一种基于深度学习的自动破除阻绝墙方法及系统。
技术介绍
1、计算机图像目标检测领域，深度神经网络经过良好的训练能够定位和辨别图像中不同类别的物体，并且展现出优越的性能。阻绝墙是一种构筑在易登陆地段或者开阔地及高地支撑点周围，用来阻止或迟滞敌方行动的墙式拦障类障碍物。破除阻绝墙任务兵力机动困难工作强度大、作业时限短、技术要求高且受敌火力威胁大，进入21世纪，传统应对阻绝墙的破障手段和装备已经不能适应新的战场需求，急需一种高效的自动化破障技术。
2、目前，国内外对于图像目标检测的研究投入较多，如，专利“一种新的基于深度学习的无人机目标检测方法”[cn115705700a]针对无人机目标检测任务场景，优化了目标检测网络yolov3-tiny的基础网络，实现了相比较原网络更高的检测精度与检测速度。专利“一种目标检测方法及装置”[cn115705715a]将目标对象所在场景图像作为训练样本，以目标对象在图像中的位置信息作为训练标签进行训练，对训练标签和预测结果的差值计算得到损失函数值，并根据使损失值下降的原则更新目标检测模型的参数，最终便可以通过目标检测模型从图像中确定目标对象的位置信息。但是对于阻绝墙的自动识别与定位，目前还没有很成熟的方案和技术。
技术实现思路
1、1)本专利技术的目的是提出一种基于深度学习的自动破除阻绝墙方法及系统，以克服现有人工破除阻绝墙障碍存在的问题，为后续的高效的全自动破障技术研究提供新的思路。
>2、2)实现本专利技术目的的技术解决方案为：3、3)系统包括无人机的视频图像采集与传输模块、无人机数传模块、深度学习目标检测与中心点定位、导航定位模块和自动控制模块等多个模块；系统实现破障的过程中，对算力有大量需求的任务及模块均由后方数据处理站提供，无人机本身只保留少量必要算力。无人机自动飞临目标阻绝墙上方空域，通过机载下视摄像机获取高空俯视的阻绝墙阵地图像；目标检测算法采用两阶段目标检测算法，先生成建议区域框(一个有可能包含待检物体的预选框)，再通过深度学习网络进行识别阻绝墙并定位其中心点。无人机根据中心点定位自动降落在目标阻绝墙上，并投放破障炸药。
4、4)一种基于深度学习的自动破除阻绝墙方法及系统，其特征在于包括以下步骤：
5、5)s1：后方数据站通过数传模块自动控制无人机飞临待破障阻绝墙阵地上方预设空域；
6、6)s2：无人机通过机载下视摄像头采集视频图像；
7、7)s3：通过图传模块将视频图像实时传输至后方数据站；
8、8)s4：将视频的每一帧图像输入深度学习目标检测网络，得到对目标待破障阻绝墙的识别与中心点定位；
9、9)s5：自动控制模块依据中心点定位及无人机自身状态参数规划好的降落方案，并将实时控制信号通过数传模块传送给无人机；
10、10)s6：无人机依据通过数传模块接收到的控制信号实现精准降落至目标待破障阻绝墙中心点，并投放破障炸药。
11、11)本专利技术与现有技术相比，其显著优点为：
12、12)本专利技术结合深度学习和计算机视觉，实现了对阻绝墙的自动化检测与定位，并基于此实现自动化破障，与传统人工破障相比，更安全，更高效。对于信息化和工业化的融合，实现对阻绝墙破障的智能化、自动化具有深远影响。
13、13)本专利技术将无人机载摄像机采集到的阻绝墙阵地图像传输至后方数据站处理，而不是通过机载算力模块处理，不仅可以实现无人机的轻量化，以此实现更长的续航时间和续航里程，而且降低了系统的整体风险性，就算无人机被击落，后方算力模块依然可以继续使用，同时有助于后方实时监控控制无人机的行动，获得更好的破障效果。
本文档来自技高网...
【技术保护点】
1.一种基于深度学习的自动破除阻绝墙方法及系统，其特征在于：阻绝墙识别与定位系统包括无人机的视频图像数据采集与传输模块、无人机数传模块、深度学习目标检测与中心点定位模块、导航定位模块和自动控制模块等多个模块。
2.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：系统实现破障的过程中，对算力有大量需求的任务及模块均由后方数据处理站提供，无人机本身只保留少量必要算力。
3.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：所述图像数据采集模块利用无人机载摄像头在高空对待破障阻绝墙阵地进行拍摄，将拍摄的视频通过机载图传系统传输至后方数据处理站。所述无人机数传模块用于数据站和无人机间高度、姿态、位置及操纵控制信号等数据的传输和通信。
4.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：所述深度学习目标检测与中心点定位模块通过深度学习算法实现对待破障阻绝墙的识别与中心点定位，该模块完全依靠后方数据站算力支持。所述导航定位模块通过卫星定位信号确认无人机当前位置，为自动导航至待破障导航阵地附件提供信号。
5.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：所述自动控制模块也完全由后方数据站提供算力支持，其实现任务分为两个阶段，第一阶段为破障任务开始时结合上述导航定位模块提供的信号自动控制无人机飞行至待破障导航阵地上方待定空域，第二阶段为深度学习目标检测与中心点定位模块得到目标阻绝墙中心点后，结合无人机数传模块传回的无人机当前数据，实现自动控制无人机精准降落至目标阻绝墙上。
6.一种基于深度学习的自动破除阻绝墙方法及系统，其特征在于包括以下步骤：
7.根据权利要求4所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：通过深度学习算法实现对待破障阻绝墙的目标检测及中心点定位，主要步骤如下：
...
【技术特征摘要】
1.一种基于深度学习的自动破除阻绝墙方法及系统，其特征在于：阻绝墙识别与定位系统包括无人机的视频图像数据采集与传输模块、无人机数传模块、深度学习目标检测与中心点定位模块、导航定位模块和自动控制模块等多个模块。
2.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：系统实现破障的过程中，对算力有大量需求的任务及模块均由后方数据处理站提供，无人机本身只保留少量必要算力。
3.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：所述图像数据采集模块利用无人机载摄像头在高空对待破障阻绝墙阵地进行拍摄，将拍摄的视频通过机载图传系统传输至后方数据处理站。所述无人机数传模块用于数据站和无人机间高度、姿态、位置及操纵控制信号等数据的传输和通信。
4.根据权利要求1所述的基于深度学习的自动破除阻绝墙方法及系统，其特征在于：所述深度学习目标检测与中心点定位模块通过深...
【专利技术属性】
技术研发人员：王志华，孙鹏程，金柱成风，徐志恒，李雨昕，
申请(专利权)人：南京理工大学，
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。