Um das Problem der autonomen Hindernisvermeidung von Drohnen beim Realflug im Freien zu lösen, wird ein leichtgewichtiger Algorithmus zur Hindernisvermeidung für binokulares Sehen basierend auf einer Ghost-Verbesserung von YOLOv5 vorgeschlagen. Zuerst wird das Ghost-Modul eingeführt, um die CBL- und CSP_X-Einheiten in YOLOv5 zu verbessern, indem <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi mathvariant="normal">C</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><msub><mrow><mi mathvariant="normal">U</mi></mrow><mrow><mi mathvariant="normal">l</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">s</mi><mi mathvariant="normal">s</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M001.jpg"/><?fx-imagestate width="11.17599964" height="3.21733332"?><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M001c.jpg"/><?fx-imagestate width="11.17599964" height="3.21733332"?></graphic></alternatives></inline-formula> als Regressionsverlustfunktion verwendet, und die Nicht-Maximum-Unterdrückung<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><mi mathvariant="normal">C</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><msub><mrow><mi mathvariant="normal">U</mi></mrow><mrow><mi mathvariant="normal">n</mi><mi mathvariant="normal">m</mi><mi mathvariant="normal">s</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M002.jpg"/><?fx-imagestate width="11.34533310" height="3.21733332"?><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M002c.jpg"/><?fx-imagestate width="11.34533310" height="3.21733332"?></graphic></alternatives></inline-formula> in <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"><mi mathvariant="normal">D</mi><mi mathvariant="normal">I</mi><mi mathvariant="normal">O</mi><msub><mrow><mi mathvariant="normal">U</mi></mrow><mrow><mi mathvariant="normal">n</mi><mi mathvariant="normal">m</mi><mi mathvariant="normal">s</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M003.jpg"/><?fx-imagestate width="11.51466751" height="3.21733332"?><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/1FD0B5C7-E27B-4eea-9521-E8BA2BE2F14A-M003c.jpg"/><?fx-imagestate width="11.51466751" height="3.21733332"?></graphic></alternatives></inline-formula> geändert, um die Verlustfunktion zu optimieren; zweitens wurde die Kalibrierung und Korrektur der binokularen Kamera durchgeführt; mit ORB-Merkmalspunktextraktion und gleitendem Fenstermatching-Algorithmus wurde der Disparitätswert des erkannten Ziels ermittelt, dann wurde anhand des Disparitätswerts und der Kameraintrin­sik die Entfernungsinformation des Hindernisses berechnet; zuletzt wurde eine autonome Hindernisvermeidung des Drohnen basierend auf Position und Entfernung des Hindernisses realisiert. Der Algorithmus erreicht eine durchschnittliche FPS von 14,3 im eingebetteten System und die Machbarkeit des Algorithmus wurde durch Drohnenflugtests zum Hindernisvermeiden bestätigt; die durchschnittliche Erkennungsgenauigkeit des verbesserten Netzwerks beträgt 76,88%, im Vergleich zu YOLOv5 ist der durchschnittliche Erkennungsgenauigkeitswert um 0,37% gesunken, jedoch ist die Erkennungszeit um 22% gesunken und die Parameteranzahl um 25% reduziert. Dieser Algorithmus hat einen wichtigen Anwendungswert für die autonome Hindernisvermeidung von Drohnen.

Objekterkennung;Leichtgewicht;Merkmalsabgleich;Drohnen-Hindernisvermeidung