Para resolver o problema de evasão autônoma de obstáculos de drones durante o voo real ao ar livre, propõe-se um algoritmo de evasão de obstáculos para drones com visão binocular leve baseado no YOLOv5 aprimorado pelo Ghost. Primeiramente, foi introduzido o módulo Ghost para melhorar as unidades CBL e CSP_X no YOLOv5, utilizando <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> como função de perda de regressão, e a supressão de não máximos <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> foi modificada para <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> para otimizar a função de perda; em segundo lugar, a calibração e correção da câmera binocular foram realizadas; foi utilizada a extração de pontos de características ORB e o algoritmo de correspondência de janela deslizante para obter o valor de disparidade do alvo detectado e, em seguida, resolver as informações de distância do obstáculo com base no valor de disparidade e nos parâmetros internos da câmera; finalmente, foi implementada a evasão autônoma de obstáculos do drone com base na posição e distância dos obstáculos. Este algoritmo de evasão apresenta uma média de 14,3 FPS em sistemas embarcados e a viabilidade do algoritmo foi comprovada por testes de voo de evasão de obstáculos com drones; a precisão média de detecção da rede aprimorada é 76,88%, em comparação com o YOLOv5, a precisão média de detecção diminuiu 0,37%, mas o tempo de detecção diminuiu 22% e o número de parâmetros diminuiu 25%. Este algoritmo tem um valor de aplicação importante para a evasão autônoma de obstáculos em drones.

Detecção de objetos;Leveza;Correspondência de características;Evasão de obstáculos para drones