依据YOLO的无人机技能：研讨总述及其运用-亚洲ca88官方网站

  现在，无人机（UAV）或空中机器人正处于快速开展时期，依据YOLO算法的方针检测功能在工业上已达到较高水平，该算法仍需求不断改善。无人机能够带着各种设备来完结不同的使命。这些使命的比如包含喷洒液体药物，测绘，物流运送，灾祸办理，航空摄影以及耕种肥料或种子。依据YOLO算法的物体检测技能现已能够完结人类行为剖析，面罩辨认，医疗确诊剖析，主动驾驶，交通评价，多方针盯梢和机器人视觉。但是，无人机面对杂乱的场景或作业需求与地上操控终端坚持杰出的数据通讯，因而无人机技能的创新和开展可能会遭到某些运用环境的束缚。但是，无人机面对杂乱的场景或作业需求与地上操控终端坚持杰出的数据通讯，因而无人机技能的创新和开展可能会遭到某些运用环境的束缚。此外，依据YOLO算法的方针检测技能需求布置到高功能处理器中，并与图画或视频数据结合运用，这对运用场景提出了必定的要求。这两种技能能够结合起来，创造出一种新技能——依据YOLO的无人机技能（YBUT）。无人机为YOLO算法供给了更多的运用场景，YOLO算法能够帮忙无人机完结更多新颖的使命。经过这种办法，无人机技能和YOLO算法能够进一步促进人们的日常日子，一起为各自职业的生产力做出奉献。

  跟着无人机技能的不断老练，世界各国的无人机数量每年都在添加，依据全球商用无人机的年销量和销量核算，如图1所示，到2025年，全球将有约679，000架无人机，市场规模约为5亿美元。全球无人机数量如此之多，假如无人机能够作为空中渠道布置YOLO算法，就有可能使无人机更有价值。

  YOLO是一种广泛运用的深度学习算法，因为它是一种依据分类/回归的方针检测办法，赋予算法中心优势：结构十分简略，模型体积小，核算速度快。自引进YOLO以来（到2023年2月）经过七年的开展，研讨人员发布了YOLO算法的七个版别。依据YOLO的方针检测算法的机制是将输入图画调整为相同的巨细，然后将图画分红巨细持平的S×S网络单元，每个独自的网络单元都能够检测其间的方针。假如检测到的方针的中心落入网络像元中，则该网络像元将对方针进行猜测。每个网络小区可能有N个检测框，每个检测框不只核算自己的方位，还做出猜测分数。分数标明检测方针存在于猜测网络单元中的可能性。因为网络单元中可能有多个框，YOLO将主动挑选得分最高的方针类别进行猜测，如图2所示。

  图2 依据YOLOv7的无人机技能架构图（BN：批量归一化层;AF：激活函数层）

  运用中英文搜索引擎（如Web of Science、我国国家常识基础设施）对检索成果进行剖析，得到中英文期刊在相关范畴的首要研讨主题。迄今为止，核算机视觉技能现已开发了各式各样的算法，其间YOLO算法是在2016年提出的，然后在2017年由Jiang等人初次运用，他们将YOLO算法与无人机相结合。尔后，YOLO算法和无人机交融技能不断开展，相关研讨成果或运用激增。该技能也已从探究性试验转变为学术研讨抢手（见图3）。

  依据咱们对YBUT运用范畴的查询，英文期刊中该范畴抢手话题的信息汇总为饼图，如图4中的查询成果所示。从饼图能够看出，抢手话题首要会集在技能研讨、工程和运送等职业，宣布的论文或会议文献的数量代表了研讨人员的爱好。咱们还查询了该范畴抢手话题的我国期刊，发现它们更重视技能研讨、工程和主动化范畴。跟着无人机技能和YOLO算法的不断开展，这项技能开端在大多数范畴进行探究，在少量范畴，现已取得了一些成功。YBUT的开展和研讨一直是尖端期刊和会议的抢手话题，现在该技能的实践运用正逐渐引起他们的爱好。

  图4 YBUT的运用范畴查询：（a）英文期刊的抢手范畴，（b）中文期刊的抢手范畴

  在YBUT运用的前期阶段，首要作业机制是经过无人机搜集图画或视频数据，然后由运转依据YOLO的方针检测算法的核算机进行方针检测，辨认和分类。为了探究从无人机捕获的图画中检测车辆的办法，以运用于交通监控和办理，而且因为深度学习算法在方针检测中显现出明显的优势，研讨人员测验将依据YOLO的方针检测算法运用于无人机图画中的车辆检测。Jiang等在无人机上集成了热红外成像传感器和可见光成像传感器，构建了多源数据搜集体系，经过特征点提取和单呼应矩阵办法对图画进行校正和对齐，然后对多源数据进行图画交融。最终，他们运用深度学习YOLO算法进行数据练习和车辆检测（见图5）。

  此外，Ruan等人企图运用深度学习和依据视觉的drogue检测和定位办法来处理杂乱环境中无人机自主空中加油雾滴的精确检测和定位问题。他们运用经过练习的YOLO算法进行锥形轨道检测，在确认基准方位后运用最小二乘椭圆拟合来确认椭圆的长半轴，最终运用单目视觉相机进行椎体下垂定位（见图6）。

  跟着YBUT的不断开展，新一代无人机装备了丰厚的核算资源高功能处理器，其间布置了依据YOLO的方针检测算法，答应处理器在无人机搜集数据时实时检测，辨认和分类使命方针。Zhang等人为了探究新一代技能的可行性，将YOLOv3算法嵌入到资源有限的NVIDIA Jason TX1渠道环境中（见图7），并让无人机带着嵌入式渠道进行实时行人检测验验。

  Alam等人为了减轻无人机机载嵌入式处理器的核算压力，增强YBUT的实用性，提出了一种高性价比的空中监督体系，该体系保留了机载嵌入式处理器Movidius VPU上有限的Tiny-YOLO核算需求，将大型Tiny-YOLO核算使命转移到云端，并坚持无人机与云之间的最小通讯。与其他最先进的办法比较，该体系在每秒帧数的方针检测处理速度方面快六倍，一起机载嵌入式处理器技能的运用降低了端到端推迟和网络资源耗费（见图8）。

  Doukhi等人运用了装备Nvidia Jetson TX2高功能嵌入式处理器和PID操控器的无人机。然后，他们将YOLOv3算法布置在嵌入式处理器中，运用依据YOLO的方针检测算法直观地引导无人机盯梢检测到的方针，一起运用PID操控器操控无人机飞翔。试验成果标明，所提办法仅经过鱼眼相机成功完结了定位和无人机盯梢飞翔的视觉SLAM，无需外部定位传感器或引进GPS信号（见图9）。

  图9 依据深度学习的运动操控软件架构。图中赤色圆圈标明YOLOv3算法中的输入RGB图画，橙色圆圈标明YOLOv3算法的核算进程，蓝色圆圈标明YOLOv3算法检测到的方针和鸿沟框数据

  Afifi等人提出了一个用于多场景行人检测的强壮结构，该结构运用YOLO-v3物体检测作为主干检测器（见图10），并在无人机上的Nvidia Jetson TX2嵌入式处理器上运转。来自多个室外行人检测场景的试验成果标明，与YOLOv3算法比较，跟着嵌入式处理器核算资源的添加，所提出的检测结构在mAP和FPS方面表现出更好的功能。

  YBUT已运用较为老练的研讨范畴是输电线路检测、修建外表检测、动方针盯梢、外表显现读数、光伏组件检测、修建辨认与分类。依据现在的查询，YBUT在工程范畴的运用研讨中，研讨人员更喜爱传输线检测的方向。在杂乱环境中能够精确辨认、分类和定位电力线杆、绝缘子、电气元件、配电线杆、输电塔、鸟巢和断路器等物体。例如，Bao等人提出了一种端到端并行混合注意力检测YOLO网络（PMA-YOLO），经过无人机搜集传输线减振器数据，然后创立一个数据集来练习和测验模型;成果标明，该模型能够检测反常减振器，精确率为93.8%（见图11）。

  图11 PMA-YOLO网络检测反常减振器的试验成果。“生锈”、“有缺点”和“正常”阻尼器的地上实况框和猜测框别离以黄色、赤色、蓝色和绿色显现

  最近，Alsanad等人提出了一种改善的YOLOv3算法，用于低空空域的小型无人机检测;试验标明，所揭露的改善算法模型能够有用检测杂乱环境下的低空无人机（见图12），并可成功运用于反无人机研讨范畴办理低空空域无人机。依据已有研讨，该办法进一步提高了YBUT的低空小型无人机勘探功能。

  为了进一步办理和束缚日子中的各种运送办法，BUT在运送范畴进行了屡次测验。例如，Feng等人提出了一种依据YOLOv3的无人机检测办法（见图13）。

  Omar等人提出了一种依据YOLOv4算法的航拍图画车辆检测办法（见图14）。

  城市交通办理运用和城市路途办理都是YBUT技能运用的重要方向。Silva等人规划了一个分布式无人机渠道，布置YOLOv4来检测路途损坏（见图15）。

  Zhao等人提出了一种依据YOLOv3的无人机高速公路中心符号检测算法，YOLO-Highway（见图16）。

  在农业范畴，许多扎手的作业现已有了依据YBUT的新处理方案。跟着YBUT的不断开展和扩展，现在能够检测大型植物物种中的不同方针和特征，例如在枯树检测，松枯萎病线），松树枯萎病检测，油棕树果实检测和其他使命。

  图17（a，b）是患病树木检测区域的原始图画，（c，d）是MobileNetv2-YOLOv4算法检测该区域病树的成果

  此外，YBUT还可用于触及小型植物的剖析，例如豌豆和草莓周围的杂草检测（见图18），田间小麦表型监测和西红柿发芽器检测。

  跟着无人驾驶概念的添加，某些运用已敏捷完结主动化。Kraft等人提出了一种依据YOLOv4的办法，经过运用无人机在公园中定位废物。试验成果标明，无人机能够检测废物，而且能够在固定区域内搜集废物方位数据，一起在地图上符号废物方位，以便打扫人员检查，以便于清洁（见图20）。

  未来，该体系还能够与其他设备合作定位并主动打扫废物，完全削减打扫车的作业量。Liao等人提出了一种依据无人机的海洋废物检测体系，该体系运用具有改善的YOLO算法的无人机进行海洋废物检测;他们的体系经过互联网将成果传输到地上监测渠道，以帮忙政府机构施行办理方案（见图21）。

  除了上面评论的YBUT运用的首要范畴外，一些研讨人员还探究了全新的范畴，测验了新的办法，并运用这些办法来促进和增强YBUT的适用性和实用性。Jing等人提出了一种依据YOLOv5s-ViT-BiFPN的神经网络，该网络能够运用无人机图画评价自然灾祸后乡村房子的损坏状况（见图22）。

  到现在为止，YBUT的开展在工程，运送，农业和主动化方面的运用更多，而在其他范畴的实践较少;该技能的传达仍然是一个应战。未来的技能开展需求考虑这四个问题。