YOLO-TME:一种无人机着陆检测算法,适用于极地冰层基站
Songwei Zhang1,2, Yu Zhang3,4, Yinke Dou5,6
1Shanxi Energy Internet Research Institute, Taiyuan, 030024, China. zsw13543660@163.com.
本研究介绍了YOLO-TME,这是一种用于在极地地区无人机 (UAV) 导航的增强深度学习模型. 它在具有挑战性的低可见性条件下显著提高了目标检测的准确性和速度.
科学领域:
- 机器人技术和自主系统
- 计算机视觉 计算机视觉
- 环境监测 环境监测
背景情况:
- 极地环境对无人驾驶飞行器 (UAV) 导航构成独特的挑战,因为冰层漂移会影响GPS/RTK信号.
- 现有的深度学习模型与低对比度,雾/雪遮蔽和高海拔极地图像作斗争,阻碍了UAV返回和降落等关键任务.
- 准确的实时目标检测对于在这些极端条件下进行自主操作至关重要.
研究的目的:
- 开发一个改进的深度学习模型,用于在极地环境中强大的目标检测.
- 提高在极地条件下运行的无人机监控系统的准确性和实时性能.
- 为了解决当前处理低可见度和高空图像的方法的局限性,用于无人机导航.
主要方法:
- 将基于变压器的卷积 (TransConv) 集成到YOLOv11架构中,以增强全球信息建模.
- 引入雾全球特征金字塔网络 (MistGFPN) 以改善小目标特征在高空提取.
- 关于一个高效的不对称检测头 (EADH) 的建议,以提高每秒 (FPS) 和实时检测能力.
主要成果:
- 拟议的YOLO-TME模型显示了与原来的YOLOv11.1相比的显著改进.
- 精度增加了4.2%,回忆增加了5.8%,平均精度增加了5.5%,F1得分增加了5.1%.
- 该模型保持了高检测速度,满足极地操作的实时要求.
结论:
- 在复杂的极地环境中,YOLO-TME提供了大大提高的检测准确度,并保持了高的检测速度.
- 该模型有效地解决了雾,雪和高海拔对无人机作业所带来的挑战.
- YOLO-TME满足极地无人机在极地地区的关键实时着陆信号检测要求.
更多相关视频
07:14Tracking Infiltration Front Depth Using Time-lapse Multi-offset Gathers Collected with Array Antenna Ground Penetrating Radar
Published on: May 1, 2018
06:19Low-Cost Automated Flight Intercept Trap for the Temporal Sub-Sampling of Flying Insects Attracted to Artificial Light at Night
Published on: December 29, 2021
相关概念视频
Errors in Global Positioning System
Polar Coordinates
Types of Global Positioning System Surveys
Buoyancy and Stability for Submerged and Floating Bodies
Uniform Depth Channel Flow: Problem Solving
Relative Motion Analysis using Rotating Axes-Problem Solving
Here, in order to determine the magnitude of velocity and acceleration for point...
