无人机载荷与行业应用 未来展望与挑战.pdfVIP

无人机载荷与行业应用

第六章未来展望与挑战

目录

项目1基于载荷数据的AI识别

项目2载荷数据的深化应用

项目35G网联无人机的机遇

项目4无人机载荷数据仿真

项目1

基于载荷数据的AI识别

无人机可以搭载的载荷十分丰富，包括光电吊舱、正射相机、

倾斜相机、多拼相机、热成像相机、多光谱/高光谱、激光雷达和

合成孔径雷达等。这些载荷获取的数据形式多样，并且包含了不

同的对地观测信息，具有数据量大、价值密度低等特点。如何利

用新兴的人工智能技术，结合传统的遥感数据处理方法，对多种

多样的无人机遥感数据进行处理，高效地识别出关键信息，是基

于无人机载荷数据的AI识别相关技术要解决的重要问题。

任务1基于可见光数据的AI识别

无人机可见光载荷获取的数据包括常见原始RGB图像和正射影像

常见原始RGB图像正射影像

一般是指利用相片集或视频图

是光电吊舱或其他可见光相机

像进行初步拼接或镶嵌，得到

直接获取得到，一般构成无人

更大范围的对地观测可监管数

机视频图像和无人机相片集

据

要完成指定的监管任务，首先要提取上述两种载荷数据中的感兴趣目标

（包括但是不限于人、车、道路、河流、山峰、树木、土地类型等），然后

按照一定的业务逻辑对获取到的感兴趣目标做进一步的处理。

任务1基于可见光数据的AI识别

利用无人机图像提取到感兴趣目标，结合无人机平台和载

荷的相关数据如地理坐标和位姿，计算得到目标的实际地理位

置和范围，可以实现各类应用，比如目标侦测和定位、地面感

兴趣要素提取等，在区域监控、应急测绘、自然资源管理、农

业管理等行业都具备巨大的应用价值。

任务1基于可见光数据的AI识别

从常见无人机RGB图像中提取感兴趣目标的方法有多种，目前主流的方

法是基于卷积神经网络的三大计算机视觉基础任务——分类、检测、分割，

分别对应图像级、对象级、像素级的感兴趣目标提取。

（a）图像分类（b）目标分类（c）语义分割（d）实例分割

目标分类、检测、分割

任务1基于可见光数据的AI识别

基于分类任务的感兴趣目标提取方法由一个卷积网络（结构可根据需求设计）

提取特征，后接一个全连接层组成（如AlexNet、ResNet、GoogleNet

等），输出图像级的感兴趣目标分类结果，通常应用于场景分类（无人机场

景下此类应用较少）

基于检测任务的感兴趣目标提取方法可分为以R-CNN系列为代表的一阶段目

标检测思路和以YOLO系列为代表的两阶段目标检测思路，输出对象级的感

兴趣目标定位与分类结果（在图像中用一个矩形框定位感兴趣目标的位置），

可应用于公路巡检、海洋巡检、环境监测等多个无人机的行业应用场景。

任务1基于可见光数据的AI识别

基于分割任务的感兴趣目标提取方法根据是否区分同类目标个体，可分

为语义分割与实例分割，但无论是语义分割网络还是实例分割网络，大多

都采用encoder-decoder结构（如U-Net、deeplab等），输出像素级的

感兴趣目标像素分类结果（将图像中属于感兴趣目标的像素与其他像素作

区分），可以看作是更精细的检测结果，一般用于对检测结果要求更为细

致的场景（如裸露土地分割、农作物面积统计等）。

任务1气体传感器简介

正射影像由相片集或视频图像拼接而成，其分辨率远远大

于常见的RGB图像。因此正射影像不能