System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无人机应用,具体涉及一种基于yolov7-tiny的雾天空中加油的视觉引导方法。
技术介绍
1、随着我国无人机技术飞速发展,无人机技术逐渐走进我们的生活,并且具有很高的研究价值和使用价值。以高效、便利、灵活、廉价为特点的无人机技术,已经在我国的多个领域得到了广泛的应用,例如军事通信、电路巡检、水利水电工程、测绘测量、农业方面等领域。在这些领域内的无人机都希望可以飞行更长的时间来达到更高的工作效率,因此空中加油的视觉引导技术就尤为重要。
2、目前的视觉引导技术主要通过目标检测算法检测到有关的位置并进行实时跟踪,但是在一些恶劣天气(例如雾天)的环境就会造成检测的精度下降,无法准确地进行视觉引导。因此在雾天的空中加油任务中,精准的检测到油管是一个具有挑战性的问题。此外,将算法部署在无人机上,更多的情况是将算法部署在嵌入式设备上,算法的设计和选择需要同时保证实时性和准确性。
3、现有的图像去雾算法大多分为:传统图像去噪算法和基于深度学习的图像去噪算法。其中,传统的图像去噪算法虽然效果还不错,但是处理速度较慢实时性差,并且处理过程中消耗大量的内存,在体积较小的嵌入式设备来说不具备实际应用性。此外,基于深度学习的图像去噪算法在网络方面可以选择较为轻型且快速的网络,适合于部署在嵌入设设备上对图像实时进行处理,达到具有实时性的去雾效果。
4、现有的基于卷积神经网络的目标检测算法可以分为两大类,分别是基于候选区域的两阶段目标检测器和基于回归的一阶段目标检测器。其中,两阶段目标检测器通过rpn(re
5、与两阶段系列算法不同的一阶段检测算法,例如ssd、yolov3、yolov4、yolov5和yolov7,它们的计算量和参数量较少,并且具有很高的实时性,yolov7-tiny算法在teslav100上的推理速度可达到惊人的284fps,并且仅仅只有6.8mb的参数量,因此更适合部署在空中加油系统的嵌入式设备上,并且包含有三个不同尺度的检测头,在距离较远待检测目标较小的情况下也具有一定的优势。
技术实现思路
1、鉴于现有技术中的上述缺陷或不足,期望提供一种基于yolov7-tiny的雾天空中加油的视觉引导方法。
2、本申请实施例提供了一种基于yolov7-tiny的雾天空中加油的视觉引导方法,该方法包括:
3、s1:获取油管口的原始数据集,将原始数据集分成第一部分数据集和第二部分数据集;
4、s2:对第一部分数据集进行加雾处理,得到加雾数据;同时,对第二部分数据集进行标注处理,得到目标检测数据集;
5、s3:对加雾数据进行降噪处理得到降噪数据集;同时,将目标检测数据集中的训练集输入到设置好的训练参数的yolov7-tiny网络进行训练得到目标检测验证集
6、s4:对降噪数据集进行训练得到训练好的降噪网络;同时,将目标检测验证集输入到训练好的目标检测网络中评估性能,得到训练好的目标检测网络;
7、s5:通过训练好的降噪网络和训练好的目标检测网络识别有雾待检测图像。
8、在其中一个实施例中,在步骤s1中,所述获取油管口的原始数据集包括:
9、在第一无人机上加装油管口模拟器;
10、在第二无人机上加装相机;
11、通过第二无人机对第一无人机进行跟飞,相机在预设时间段内拍摄油管口模拟器得到油管口的原始数据集。
12、在其中一个实施例中,在步骤s2中,所述对第一部分数据集进行加雾处理包括:
13、通过python中的imgaug库对进行加雾处理,与原始图像组成图像降噪数据集;
14、使用labelimg对原始图像进行标注,得到目标检测数据集。
15、在其中一个实施例中,在步骤s4中,所述对降噪数据集进行训练得到训练好的降噪网络,包括:
16、将降噪数据集分成图像降噪训练集和图像降噪验证集;
17、对图像降噪训练集通过卷积处理得到训练u型实时降噪网络;
18、判断训练u型实时降噪网络的降噪性能,若降噪性能达到阈值,则得到训练好的降噪网络。
19、在其中一个实施例中,所述判断训练u型实时降噪网络的降噪性能,包括:
20、将图像降噪验证集输入到训练好的u形实时降噪网络中;
21、图像降噪验证集中根据预设条件确定其降噪性能是否达到阈值。
22、在其中一个实施例中,所述将目标检测数据集中的验证集输入到设置好的训练参数的yolov7-tiny网络进行验证,包括:
23、将目标检测数据集分成目标检测训练集和目标检测验证集;
24、将目标检测训练集输入到设置好的训练参数的yolov7-tiny网络中;
25、目标检测验证集判断训练完后的yolov7-tiny网络的检测性能,若检测性能达到要求,则得到训练好的目标检测网络。
26、在其中一个实施例中,在步骤s4中,所述将目标检测验证集输入到训练好的目标检测网络中评估性能,得到训练好的目标检测网络,包括:
27、将验证集输入到训练完成后的yolov7-tiny网络中;
28、使用目标检测验证集判断训练完成后的模型的检测性能,若检测性能达到要求,则得到训练好的目标检测网络。
29、本申请的有益效果包括:
30、本申请提供的一种基于yolov7-tiny的雾天空中加油的视觉引导方法,通过将油管口数据集分成第一部分数据集和第二部分数据集,然后利用人工加雾的方式在第一部分数据集上模拟雾天的场景,降低目标的可见度,此时就可以得到了原始图像和有雾图像两种不同的数据集,即第二部分数据集和加雾数据。然后将加雾数据划分成训练集和验证集,训练图像降噪网络并在验证集上验证降噪网络的去雾性能。同时,在第二部分数据集上训练yolov7-tiny目标检测模型,并在验证集上验证检测网络的精度。最后将有雾图像通过训练好的降噪网络和训练好的目标检测网络处理得出检测结果验证方法的准确性。本申请联合了图像降噪和目标检测两种算法,解决了雾天空中加油时油管检测不到的问题,并且具有较高的推理速度和精度。
本文档来自技高网...【技术保护点】
1.一种基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤S1中,所述获取油管口的原始数据集包括:
3.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤S2中,所述对第一部分数据集进行加雾处理包括:
4.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤S4中,所述对降噪数据集进行训练得到训练好的降噪网络,包括:
5.根据权利要求4所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,所述判断训练U型实时降噪网络的降噪性能,包括:
6.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,所述将目标检测数据集中的验证集输入到设置好的训练参数的yolov7-tiny网络进行验证,包括:
7.根据权利要求6所述的基于yolov7-tiny的雾天
...【技术特征摘要】
1.一种基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,该方法包括:
2.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤s1中,所述获取油管口的原始数据集包括:
3.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤s2中,所述对第一部分数据集进行加雾处理包括:
4.根据权利要求1所述的基于yolov7-tiny的雾天空中加油的视觉引导方法,其特征在于,在步骤s4中,所述对降噪数据集进行训练得到训练好的降噪网络,包括...
【专利技术属性】
技术研发人员:周继开,张静波,马永潮,韩娇娇,张志东,唐增辉,
申请(专利权)人:西安因诺航空科技有限公司,
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。