Pour résoudre le problème d'évitement autonome d'obstacles des drones lors du vol réel en extérieur, un algorithme d'évitement d'obstacles de drone à vision stéréoscopique légère basé sur une amélioration Ghost de YOLOv5 a été proposé. Tout d'abord, le module Ghost a été introduit pour améliorer les unités CBL et CSP_X dans YOLOv5, en utilisant <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> comme fonction de perte de régression, et la suppression des non-maxima <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> a été modifiée en <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> pour optimiser la fonction de perte ; deuxièmement, la calibration et la correction de la caméra stéréoscopique ont été effectuées ; l'extraction des points de caractéristiques ORB et l'algorithme de correspondance à fenêtre glissante ont permis d'obtenir la valeur de disparité de la cible détectée, puis la distance à l'obstacle a été calculée en fonction de la disparité et des paramètres internes de la caméra ; enfin, l'évitement autonome d'obstacles du drone a été réalisé en fonction de la position et de la distance de l'obstacle. Cet algorithme s'exécute sur un système embarqué avec une FPS moyenne de 14,3 et sa faisabilité a été confirmée par un test de vol d'évitement d'obstacles avec drone ; la précision moyenne de détection du réseau amélioré est de 76,88%, comparé à YOLOv5, la précision moyenne de détection est légèrement diminuée de 0,37%, mais le temps de détection a diminué de 22%, et le nombre de paramètres a diminué de 25%. Cet algorithme a une importante valeur d'application pour l'évitement autonome d'obstacles des drones.

détection d'objets;légèreté;correspondance de caractéristiques;évitement d'obstacles pour drone