基于视觉与地图联合检测的无人机紧急降落点检测方法

本发明属于航空技术和计算机，进一步涉及计算机视觉技术和地图信息处理，具体为一种基于视觉与地图联合检测的无人机紧急降落点检测方法，可用于无人机紧急降落点的快速查找和异常判断。

背景技术：

1、近年来，随着计算机技术的飞速发展，无人机行业也获得了飞速的发展，逐渐应用在多个行业之中。随着无人机应用领域的增加，无人机自主降落安全性较低的问题也逐渐暴露出来。在经典的无人机控制系统中，降落时是以gps为基础对无人机的位置进行定位，但由于gps信号会受到自身精度以及信号强度的影响，系统降落时只能降落到以标定点为圆心，半径为一米左右的圆内，在很多场景中这些偏差都无法忽视，甚至会成为无人机降落的重大隐患。提高无人机自主降落的安全性能可以保障其的安全回收和循环作业，同时也让无人机在降落环境严苛的场合中可以得以应用。

2、目标检测算法yolov5(you only look once version 5)用于实时高效地检测图像或视频中的对象，并准确定位它们的边界框。该算法通过一次前向传递即可同时预测多个对象的类别和位置，具有目标检测、实时识别、高精度分析等主要功能，因此其速度比较快，适用于需要实时响应的场景。能够在图像或视频中检测出多个不同类别的对象，如行人、汽车、飞机等，并用边界框准确地框定它们的位置。相较于其他目标检测算法，yolov5在保持较高准确率的情况下，具有更快的处理速度，能够实现实时的目标检测。通过改进网络结构和训练策略，可以进一步提高检测准确率。

3、目前无人机大多采用全球定位系统(global positioning system,gps)和惯性组合导航，但由于gps信号不稳定，且误差较大，而惯性测量单元又容易造成误差积累进而导致精度下降，均无法满足无人机自主降落的精度要求。相比于惯性导航，视觉导航能够获取外部环境的运动信息；相比于gps导航，其具有更强的独立性与抗干扰性能力；相比于激光测距系统，其具有更低的成本与较高的探测范围，在系统配置上也更为灵活。因此视觉导航是无人机自主降落的绝佳导航方式。当前的无人机降落点选择方案主要存在以下不足之处：1、依赖人工干预：大部分现有方案需要人工干预，无法实现完全自主的降落点选择，这增加了操作复杂性和飞行员的负担，同时也限制了无人机在紧急情况下的应急能力。2、无人机紧急降落时降落点的查找效率问题：无人机遇到紧急情况需要进行降落时，效率是至关重要的。传统的降落点查找方法耗费大量时间和资源。无人机飞行速度较快，如果在短时间内无法找到适合的降落点，可能会增加飞行风险。3、紧急降落点查找的准确性不足：部分方案对降落点的准确性有限，可能会选择不够安全或不合适的降落点，存在一定的风险。特别是在复杂地形或环境下，传统的方法往往无法有效应对。4、降落前对与降落点的异常检测问题：现有方案中的障碍物检测能力有限，无法准确识别潜在的障碍物，导致无人机在降落过程中可能受到阻碍或发生碰撞，致事故发生。

技术实现思路

1、本发明目的在于针对上述现有技术的不足，提出一种基于视觉与地图联合检测的无人机紧急降落点检测方法，可用于解决无人机紧急降落点的快速查找和异常判断问题。首先，将地点信息储存到无人机的数据库中，对潜在的降落点进行提前划分。然后利用层次分析法计算权重，确定一个可以安全降落的相对距离，以无人机所处位置为中心，考量相对距离半径中各个降落点的情况，建立预测模型，选择最合适的降落点。其次，在靠近预备降落点时，通过摄像头返回的图像，利用yolov5算法进行降落点的障碍检测，判断此降落点是否异常。最后，若检测结果显示降落点存在异常情况，立即进行紧急降落，确保无人机飞行的安全性。整个流程实现了无人机紧急降落点的快速查找及异常判断，有效提高了无人机飞行安全性和应急能力。

2、本发明实现上述目的具体步骤如下：

3、(1)通过网络资源及地区实拍照片获取覆盖多种不同环境场景的图像，并使用标注工具对图像进行标记，得到标注空地位置并添加分类标签后的图像样本数据；对图像样本数据进行增强，再将增强后数据其转换为yolov5目标识别模型所需格式，划分训练集、验证集和测试集；

4、(2)根据识别目标的类型和数据集大小配置训练参数，利用训练集对yolov5目标识别模型进行训练，并根据损失函数进行参数更新，得到训练好的模型；

5、(3)使用验证集对训练好的模型进行评估，即使用训练好的模型对验证集中的图像进行目标识别，检测图像中的像素位置并输出相应的结果和坐标；若验证通过，则得到训练完成的神经网络f；反之，返回执行步骤(2)继续训练；

6、(4)使用练完成的神经网络f得到用于进行降落的区域图像坐标，利用高斯投影正算公式将大地平面坐标转换为高斯平面坐标，再将高斯平面坐标与高度构成一个三维空间坐标；根据相机成像原理将像素正中心坐标与相机中心坐标分别作为一个空间坐标，过这两点的直线与高斯平面的交点确定该像素点所对应的实际位置，并将该位置转换为地图上的实际经纬度坐标；

7、(5)通过地图信息或者gps数据确定无人机可能进行降落的区域，并对降落点进行管理和标记，将每个区块的地点信息储存到无人机的数据库中；

8、(6)假设需要降落的无人机当前位置坐标为(xd,yd)，计算其与i第个预设降落点(xi,yi)之间的相对距离l，并利用层次分析法对不同降落点的相对距离进行权重计算，确定用于安全降落的相对距离；

9、

10、(7)以无人机当前位置为中心，根据多旋翼飞行器的飞行时间计算其最大飞行距离，设定该距离为相对距离半径，即降落点范围，构建降落点预测模型；对降落点范围内的每个降落点进行预测评估，确定最佳降落点，并将其为作为紧急降落目标点；

11、(8)对降落目标点进行障碍检测：

12、(8.1)无人机在接近目标点时，通过发送指令激活自身携带的摄像头设备，实时捕捉周围环境的图像数据，并将其传输回无人机的控制系统；

13、(8.2)控制系统将捕获的实时图像数据输入到神经网络f，获取目标点的障碍物检测结果；

14、(8.3)根据障碍物检测结果对目标点进行评估,若检测结果显示目标点存在障碍物遮挡或地面不平坦，则判定当前紧急降落目标点异常，执行步骤(9)；反之，判定当前当前紧急降落目标点无异常，执行步骤(10)；

15、(9)根据如下步骤寻找新的降落目标点：

16、(9.1)根据无人机的实时位置信息和地图数据，生成一组候选的降落点；所述候选点位于无人机附近，且满足预设条件；

17、(9.2)对于每个候选降落点重新进行障碍物检测，即执行步骤(8.2)进行障碍物检测，根据检测结果重新评估每个候选点的可行性，并选择最合适的降落点作为新的降落目标点；

18、(10)控制系统向无人机发出在降落目标点进行紧急降落的指令，无人机根据指令完成降落操作。

19、本发明与现有技术相比具有以下优点：

20、第一、本发明将地点信息储存到无人机的数据库中，并结合计算机视觉技术，能够快速准确地查找无人机的紧急降落点。相比传统方法，能够更快速地做出决策，减少紧急情况下的响应时间，实现快速查找紧急降落点。

21、第二、本发明利用相对距离计算和建立预测模型的方法，能够综合考虑降落点的距离、地形特征、气象条件等因素，选择最合适的降落点。提高降落点的安全性和准确性，减少事故发生的可能性。

22、第三、本发明引入yolov5算法进行降落点的障碍检测，能够及时发现降落点周围是否存在障碍物，如车辆、建筑物等，从而在降落前及时发现潜在的风险，确保无人机安全降落，提高了无人机紧急降落的安全性和可靠性。

23、第四、本发明采用先进的计算机视觉技术结合实时数据分析方法，具有较高的灵活性和适用性。可以根据不同的环境和情况进行调整和优化，适用于各种复杂的飞行场景和紧急情况。同时，能够实现对无人机紧急降落点的自动检测和判断，减少人为干预，提高操作的便捷性和自动化程度。