一种利用改进YOLOv8的无人机激光充电跟踪系统

本发明涉及无人机激光充电技术，具体涉及一种基于机器视觉实现的无人机激光充电跟踪系统。

背景技术：

1、随着无人机技术的日益发展和广泛应用，已广泛应用于军事、农业、交通、娱乐等多个领域，其续航时间、稳定性及实用性已成为制约无人机发展的主要瓶颈。传统的无人机电池技术因其固有的电池容量限制，往往无法满足长时间、高强度的使用需求，而充电时间的长短直接影响了无人机的作业效率。

2、近年来，激光充电技术因其快速、高效、远距离的特点逐渐受到关注。与传统的接触充电方式不同，激光充电技术实现了真正意义上的远距离无线充电。但采用激光充电存在的问题是，无人机在空中运动时具有速度变化迅速、目标尺度变化大以及飞行背景复杂等特点，运动轨迹极其复杂。如何快速检测到无人机，实时精准地跟踪并对准快速移动的无人机，以保证激光光束能够精准照射在无人机的接收模块上，从而实现高效充电，是一项十分具有挑战性的任务。目前机器视觉在目标检测方面有着不错的表现，但是现有的通用机器视觉目标检测网络对距离较远的无人机小目标检测精度较低，针对不同背景下且形态各异的无人机，目标检测的鲁棒性较差，易受到环境变化的干扰。

3、随着计算机视觉技术的进步，目标检测与跟踪算法也在持续优化中，但多数算法针对静态或低速动态目标，对于高速移动且形态各异的无人机目标，如何实现精准跟踪依然是一个挑战。尤其是在复杂环境下，如何保证跟踪算法的鲁棒性和实时性是研究的重点。卡尔曼滤波算法(kf)在过去的研究中已被广泛应用于各种跟踪系统中，凭借其对噪声数据的强大过滤能力以及对系统状态的预测能力，使得该技术成为目前的主流选择。但传统的卡尔曼滤波算法在处理非线性动态系统时，往往难以满足实时性与准确性的双重要求。无迹卡尔曼滤波(ukf)被认为是处理非线性系统的一种高效且准确的方法，在处理动态无人机跟踪的问题上能够提供比卡尔曼滤波更准确的估计。

4、通过对当前的无人机充电技术及机器视觉技术的深入研究，发现现有的跟踪充电方法在实际应用中存在多种局限性。例如，当无人机飞行过高或过远时，难以捕捉到无人机图像，丢失目标。激光射入光伏电池阵列时，形成的光斑较大，若激光光束不是集中打在光伏电池阵列中心，则会有一部分光能未被接收，降低了激光充电的效率。

5、本发明基于深入的研究和多次试验，提出了一种新的无人机激光充电跟踪系统。既能够准确识别和跟踪飞行中的无人机，又能确保光伏电池阵列最大限度地接收到光能，从而实现快速且稳定的充电过程，具有重要的实际应用价值。

技术实现思路

0、技术实现要素：

1、本发明的目的是为了克服传统无人机激光充电追踪系统的不足，提供一种新的无人机激光充电跟踪系统。该系统采用改进的yolov8目标检测网络对小目标无人机进行精确快速的检测，无迹卡尔曼滤波与pid控制策略相结合实现对无人机的实时跟踪，采用光敏传感器定位激光光斑位置以调整光伏电池阵列到合适的角度接收激光，以实现对无人机的激光高效充电。

2、为了实现上述发明的目的，本发明解决其技术问题所采用的技术方案包括：

3、s1、机载gps模块向地面端发送无人机定位信息，控制地面追踪云台实现对无人机的初级定位；

4、s2、开启摄像头模块捕获无人机目标所在区域视频图像,树莓派利用改进yolov8模型对图像进行推理检测，获得无人机的精确位置信息；

5、s3、树莓派根据无人机位置信息通过无迹卡尔曼滤波结合pid控制策略控制地面追踪云台对准无人机，打开激光发射器，实现对无人机实时跟踪；

6、s4、光伏电池阵列接收到激光光束,将光能转换为电能通过最大功率跟踪模块对无人机电池模块进行充电；

7、s5、分布在光伏电池阵列四周的光敏传感器感应到不同强度的光照产生大小不同的电信号，无人机mcu接收电信号进行比较分析定位激光光斑的位置，控制机载追踪云台，调整光伏电池阵列到合适的角度接收激光。

8、在更具体的技术方案中，步骤s1中,机载gps模块获取无人机的当前的gps位置信息并通过通信模块发送到地面端，地面端树莓派根据接收到的信息驱动地面跟踪云台转动使摄像头对准无人机所处空域，实现对无人机的初级跟踪。

9、在更具体的技术方案中，步骤s2中包括：

10、s2-1、基于机器视觉检测无人机运动时的目标特性，在yolov8目标检测网络的基础上进行改进和优化；

11、s2-2、采集无人机数据集，分为训练数据集和测试数据集，并将其导入到改进yolov8网络模型进行训练；

12、s2-3、将迭代训练后的权重参数载入目标检测改进网络，将改进网络载入树莓派；

13、s2-4、提取摄像头拍摄的图像，将图像送入目标检测网络，进行检测推理；

14、s2-5、解析网络输出的特征，获得无人机目标的坐标值和置信度，获得无人机的检测识别结果。

15、在更具体的方案中，步骤s2-1包括：

16、s2-1-1、在原yolov8网络的head部分中三个检测头的基础上新增一个极小目标检测头以获得更好的小目标无人机识别精度；

17、s2-1-2、在原yolov8网络的backbone部分，融入了swin transformer模块来进一步增强其性能。这一改进利用了swin transformer在处理局部信息时的高效性，利用swintransformer的多层次和窗口合并设计为模型带来了更强的特征提取和融合能力，加强了网络对图像的全局信息的处理能力，增强了yolov8网络在复杂的场景中的鲁棒性。

18、本发明基于当前机器视觉的发展，对现有的最高性能目标检测网络yolov8的网络结构进行了改进与优化。特别地，针对运动中的无人机在捕获图像中的特性，如其所占比例较小、特征不尽明显以及其占比尺度的变化较大等问题，对yolov8的主干网络(backbone)以及头部结构(head)进行了专门的改进。显著地提高了对飞行中无人机小目标的识别精度，并在复杂背景下增强了无人机检测的准确性与鲁棒性。

19、在更具体的方案中，步骤s3中包括：

20、s3-1、根据目标检测结果，采用无迹卡尔曼滤波算法(ukf)对数据进行处理，无迹卡尔曼滤波算法是一种递归的状态估计算法，用于处理具有非线性动态的系统，通过选择一组sigma点来近似非线性变换的效果，从而避免了线性化过程中的误差，更准确地估计当前无人机的位置参数；

21、s3-2、使用pid控制算法控制地面追踪云台的转动。使用无迹卡尔曼滤波器的输出(即更准确的无人机位置估计)来为pid控制器提供输入，开启激光发射器，实现对无人机的准确跟踪充电。

22、在更具体的方案中，步骤s4中，光伏电池阵列接收到激光光束将光能转换为电能，同时,为了确保电能的最佳存储与利用效率，最大功率跟踪模块持续调整工作参数，使光伏电池阵列始终在最大功率点工作。不仅提高了充电效率，还确保了无人机电池模块接收到最优化的电流和电压，实现快速且稳定的充电过程。

23、在更具体的方案中，步骤s5中包括：

24、s5-1、四个光敏传感器均匀分布在光伏电池阵列的四个方向，每个传感器都能够独立地感应到其所在位置的光照强度，并根据这些信息产生与感应光照强度对于的模拟电信号；

25、s5-2、无人机主控制单元(mcu)接受来自四个光敏传感器产生的模拟电信号，立即对信号进行比较和分析，精确定位出激光光斑与光伏电池阵列中心的位置；

26、s5-3、mcu模块根据光伏电池阵列中心与光斑的相对位置，判断机载追踪云台是否需要进行调整，并且指导云台的进行转动，确保激光光束始终照射在光伏电池阵列的中心位置。

27、本发明的一种无人机激光充电跟踪系统相比现有技术具有以下优点：

28、(1)在原网络三个检测头的基础上添加一个极小检测头，强化了对小目标无人机的检测能力，在backbone中融合swin transformer模块提高了在复杂背景下无人机检测的高准确性和鲁棒性；

29、(2)结合了改进的yolov8网络、无迹卡尔曼滤波算法和pid控制策略，实现了地面对在飞无人机的实时、高精度的跟踪；

30、(3)通过光敏传感器的实时反馈和无人机mcu模块的智能处理，控制机载追踪云台调整光伏电池阵列到合适的角度，确保激光光束始终发射在光伏电池阵列的中心，提高充电效率和稳定性。