Para resolver el problema de evasión autónoma de obstáculos de drones durante el vuelo real al aire libre, se propone un algoritmo de evasión de obstáculos para drones con visión binocular ligero basado en YOLOv5 mejorado con Ghost. En primer lugar, se introduce el módulo Ghost para mejorar las unidades CBL y CSP_X en 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 función de pérdida de regresión, y se modificó la supresión no máxima <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 <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 optimizar la función de pérdida; en segundo lugar, se calibró y corrigió la cámara binocular; se utilizó la extracción de puntos característicos ORB y el algoritmo de coincidencia de ventana deslizante para obtener el valor de disparidad del objetivo detectado, luego se resolvió la información de distancia del obstáculo según el valor de disparidad y los parámetros internos de la cámara; finalmente, se realizó el evitamiento autónomo de obstáculos del dron según la posición y distancia del obstáculo. El algoritmo de evitamiento se ejecuta en un sistema embebido con un FPS promedio de 14.3 y se verificó la viabilidad del algoritmo mediante pruebas de vuelo de evitamiento de obstáculos de drones; la precisión media de detección de la red mejorada es del 76.88%, en comparación con YOLOv5, la precisión media de detección disminuyó en un 0.37%, pero el tiempo de detección disminuyó en un 22%, y la cantidad de parámetros disminuyó en un 25%. Este algoritmo tiene un importante valor de aplicación para el evitamiento autónomo de obstáculos en drones.

Detección de objetivos;ligereza;coincidencia de características;evitación de obstáculos para drones