提出一种基于石墨烯膜片的非本征型光纤法布里-珀罗干涉仪(extrinsic Fabry-Perot interferometer based on optical fiber,EFPI)声传感器,结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆网络(long short term memor...提出一种基于石墨烯膜片的非本征型光纤法布里-珀罗干涉仪(extrinsic Fabry-Perot interferometer based on optical fiber,EFPI)声传感器,结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆网络(long short term memory network,LSTM)级联模型,用于多种类小型旋翼无人机探测与识别,并对实验过程中的提取特征、采集装置、声源种类数量进行了进一步的细化分析。通过实验对比,发现用梅尔倒谱系数(Mel frequency cepstral coefficient,MFCC)作为特征提取时,识别效果明显优于短时傅里叶变换(short-time Fourier transform,STFT)、梅尔频谱(Mel spectrogram)特征,而且使用该传感器进行无人机探测与识别的效果比电学式麦克风的准确率高约2%。此外,对多种类小型旋翼无人机声源的识别准确率均在95.33%以上,证实该方法可对多类无人机进行有效探测识别。展开更多
在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第...在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。展开更多
针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标...针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标复合特征质量提升;通过重建模型颈部结构,提高目标细节特征的保留比例;通过设计DRHead检测头,实现多尺度特征检测图融合,增强多尺度目标检测适应性;通过采用Wise-IoU损失函数提升模型收敛速度。相比于基准算法,改进后的CM-YOLOv8s算法参数量仅为3.5×10^(6),参数量降低了69%。实验结果表明,提出的CM-YOLOv8s算法在数据集VisDrone2019上的mAP50显著提升了6.8个百分点;同时,在UAV-DT和DIOR数据集上验证了提出算法的泛化性和有效性。展开更多
低空无人机可以扩展通信网络的覆盖范围,并增强其通信和感知功能。近年6G、低空飞行技术、低空经济发展较为迅速,通信感知一体化(Integrated Sensing and Communication,ISAC)中的低空无人机相关理论与技术成为研究热点,带来了新的机遇...低空无人机可以扩展通信网络的覆盖范围,并增强其通信和感知功能。近年6G、低空飞行技术、低空经济发展较为迅速,通信感知一体化(Integrated Sensing and Communication,ISAC)中的低空无人机相关理论与技术成为研究热点,带来了新的机遇和挑战。梳理并归纳了面向6G的ISAC低空无人机研究成果。首先介绍ISAC低空无人机领域的研究背景,然后梳理了近几年来国内外对ISAC低空无人机领域的相关研究,从波形设计、雷达成像、干扰管理、资源管理与轨迹设计、人工智能技术应用5个方面展开综述,最后对低空无人机的ISAC技术未来发展趋势及相关挑战进行展望。展开更多
文摘提出一种基于石墨烯膜片的非本征型光纤法布里-珀罗干涉仪(extrinsic Fabry-Perot interferometer based on optical fiber,EFPI)声传感器,结合卷积神经网络(convolutional neural networks,CNN)和长短期记忆网络(long short term memory network,LSTM)级联模型,用于多种类小型旋翼无人机探测与识别,并对实验过程中的提取特征、采集装置、声源种类数量进行了进一步的细化分析。通过实验对比,发现用梅尔倒谱系数(Mel frequency cepstral coefficient,MFCC)作为特征提取时,识别效果明显优于短时傅里叶变换(short-time Fourier transform,STFT)、梅尔频谱(Mel spectrogram)特征,而且使用该传感器进行无人机探测与识别的效果比电学式麦克风的准确率高约2%。此外,对多种类小型旋翼无人机声源的识别准确率均在95.33%以上,证实该方法可对多类无人机进行有效探测识别。
文摘在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。
文摘针对目前无人机航拍图像小目标检测算法存在的漏检、误检、精度与速度不平衡等问题,提出复合特征与多尺度融合的无人机小目标检测算法CM-YOLOv8s(composite and multi-scale YOLOv8s)。通过在空间金字塔池化模块引入通道特征,实现目标复合特征质量提升;通过重建模型颈部结构,提高目标细节特征的保留比例;通过设计DRHead检测头,实现多尺度特征检测图融合,增强多尺度目标检测适应性;通过采用Wise-IoU损失函数提升模型收敛速度。相比于基准算法,改进后的CM-YOLOv8s算法参数量仅为3.5×10^(6),参数量降低了69%。实验结果表明,提出的CM-YOLOv8s算法在数据集VisDrone2019上的mAP50显著提升了6.8个百分点;同时,在UAV-DT和DIOR数据集上验证了提出算法的泛化性和有效性。
文摘低空无人机可以扩展通信网络的覆盖范围,并增强其通信和感知功能。近年6G、低空飞行技术、低空经济发展较为迅速,通信感知一体化(Integrated Sensing and Communication,ISAC)中的低空无人机相关理论与技术成为研究热点,带来了新的机遇和挑战。梳理并归纳了面向6G的ISAC低空无人机研究成果。首先介绍ISAC低空无人机领域的研究背景,然后梳理了近几年来国内外对ISAC低空无人机领域的相关研究,从波形设计、雷达成像、干扰管理、资源管理与轨迹设计、人工智能技术应用5个方面展开综述,最后对低空无人机的ISAC技术未来发展趋势及相关挑战进行展望。
