Nylig har et forskerteam støttet av de tekniske ressursene til Huirui -teknologi (https: //www.huirui - ir.com/) oppnådd et sentralt gjennombrudd innen UAV - basert søk og redning etter fanget personell i delvis okklagde miljøer. Ved å konstruere et dedikert infrarødt termisk avbildningsdatasett, forbedre måldeteksjonsalgoritmer og utvikle et intelligent søkesystem, har teamet effektivt adressert smertepunktene med lav effektivitet og utilstrekkelig nøyaktighet av tradisjonell UAV -søk og redning i komplekse okkluderte scenarier som tett skog, og gir en intelligent teknisk løsning på felt som inkluderer out Out Outitors inkludert out Out Outoos som militære skoger.
FoU -bakgrunn: presserende etterspørsel etter utendørs søk og redning, flaskehalser i tradisjonelle teknologier
Med popularisering av utendørs eventyraktiviteter og hyppig forekomst av naturkatastrofer og større ulykker, har kravene til aktualitet og nøyaktighet av søk og redning for fanget personell betydelig økt. I følge "China Outdoor Adventure Accident Report" (2020 - 2023) utgitt av China Adventure Association, har antallet utendørs eventyrulykker og skader i Kina økt år for år. Tradisjonelle søke- og redningsmetoder som søke- og redningshunder og manuelt søk er imidlertid ineffektive og svært utsatt for miljøforstyrrelser. Tradisjonelle termiske lmaging-kjerner utstyrt med synlige lys-kameraer har begrensede gjenkjennelsesegenskaper i scenarier med tett skog okklusjon og utilstrekkelig lys. Selv om infrarøde termiske avbildningskameraer kan fange menneskelig termisk stråling, må deres gjenkjennelsesnøyaktighet for delvis okkluderte mål fortsatt forbedres. På denne bakgrunnen forsket teamet på viktige teknologier forTermisk lMing -kjerne- basert på deteksjon av personell i delvis okkluderte miljøer.
● Core Achievement 1: Konstruksjon av en UAV - basert infrarød termisk avbildningsdatasett for delvis okkluderte menneskelige mål
For å løse problemet med at eksisterende datasett mangler tilpasningsevne til okkluderte scenarier, konstruerte teamet en dedikert termisk LMaging Core - -basert infrarød termisk avbildningsdatasett for delvis okkludert human måldeteksjon. Dette datasettet består av infrarøde termiske bilder samlet av termisk lMaging -kjerne i tre flyhøyder (ca. 30 m, 50 m og 70 m) og under fire værforhold (skyet, overskyet, tåkete og solrike), totalt 8,768 infrarøde termiske bilder, delvis okkelte humane mål i forskjellige kompliserte miljøer.
Datasettkonstruksjonsprosessen fulgte strengt den "systematiske anskaffelsen - omhyggelig merknad - streng validering" arbeidsflyt, og til slutt dannet 25 811 bekreftede avgrensende bokser. Gjennom statistiske metoder som Kruskal - Wallis Test, Mann - Whitney U -test, og Bonferroni -korreksjon, klargjorde teamet virkningen av okklusjonshastighet og flyhøyde på deteksjonsytelse, og gir kjernetatstøtte for påfølgende algorithm -forbedringer. Sammenlignet med eksisterende offentlige datasett (for eksempel Visdrone, HIT - UAV og AOS -datasett), viser dette datasettet betydelige fordeler i okkklaget scenario tilpasningsevne, datamangfold og merknadsnøyaktighet, og fyller gapet i dedikerte datasett for uav {{9} basert infrar.
● Kjerneprestasjon 2: Forbedring av måldeteksjonsalgoritme for å forbedre nøyaktigheten av okkludert måldeteksjon
Med sikte på begrensningene i YOLOV10 -nettverket for å oppdage små og delvis okkluderte mål, foreslo teamet en forbedret måldeteksjonsmodell, som optimaliserer ryggradsnettverket, nakkestrukturen og deteksjonshodet fra tre aspekter:
Ryggradnettverksoptimalisering: En repmsattn -modul blir introdusert for å forbedre multi - skala -funksjonsutvinningsmuligheter og forbedre effektiviteten ved å fange lokale funksjoner i okkluderte mål;
Optimalisering av nakkestruktur: En fullscaleconnect -modul blir tatt i bruk for å oppnå i - dybdefusjon av multi - skalafunksjoner og redusere funksjonstap forårsaket av okklusjon;
Deteksjonshodeoptimalisering: En SCDetect -modul er integrert for å realisere delingen av klassifiseringsinformasjon og redusere falsk deteksjon og tapte deteksjonshastighet i okkluderte scenarier.
Eksperimentelle data viser at på selv - konstruert datasett, er map@0.5: 0,95 -indeksen for den forbedrede modellen 3 prosentpoeng høyere enn for Yolov10s og 4 prosentpoeng høyere enn for Yolov8s, og demonstrerer sterkere robust og tilpasningsevne i delvis okkludert og liten måldeteksjon.
● Core Achievement 3: Utvikling av et intelligent søkesystem for å realisere teknisk applikasjon
Basert på den forbedrede måldeteksjonsmodellen designet og implementerte teamet et intelligent søkesystem for fanget personell i delvis okkluderte miljøer. Systemet har kjernefunksjoner som automatisk deteksjon av UAV -bilder/videoer og visuell visning av resultater, som dekker to hovedmoduler: administrator forretningsprosess og brukervirksomhetsprosess, og støtteoperasjoner som måldeteksjon, historisk post -spørring og brukerstyring.
Systemets utviklingsmiljø er kompatibelt med mainstream -programvare og maskinvarearkitekturer, med portabilitet og skalerbarhet. Eksperimentell verifisering viser at systemet raskt kan svare på infrarød termisk avbildningsdata samlet inn av UAV -er, realisere ekte - Tidsposisjonering og anerkjennelse av fanget personell, og oppfylle applikasjonsbehovene til sivile scenarier som Post {Resid.
Søknadsverdi og fremtidig planlegging
Denne FoU -prestasjonen bryter ikke bare gjennom de tekniske flaskehalsene til UAV -søk og redning i delvis okkluderte miljøer, men fremmer også In - dybdeintegrasjonen av infrarød termisk avbildningsteknologi, dype læringsalgoritmer og UAV -systemer. I fremtiden, avhengig av Huirui Technology sin tekniske plattform, vil teamet optimalisere inferenshastigheten til den forbedrede måldeteksjonsmodellen, utvide systemets applikasjonsscenarier i ekstremt vær (kraftig regn, kraftig snø) og kompleks terreng (fjell, ruiner) og fremme industrien - bred deling av selvkonstruksjonen {{{{} Teknologi.
