[发明专利]一种基于改进YOLOv5算法的无人机降落方法

权利要求书

1.一种基于改进YOLOv5算法的无人机降落方法，其特征在于，所述无人机的无人机机架底部安装有电动推杆，无人机机架上安装有摄像头模块、数据图形传输模块、机载电脑和飞控板，包括如下步骤：

步骤1，摄像头模块拍摄无人机所处环境的视频，之后通过数据图形传输模块传输至机载电脑；

步骤2，机载电脑采用YOLOv5s算法，基于Mosaic数据增强模型，并运用自适应锚框计算和自适应图片缩放方法检测数据图形传输模块传入的实时视频流是否对应平地环境、坡地环境、坑地环境或楼梯环境；

步骤3，若步骤2的检测结果是无人机的降落环境，则机载电脑结合地面站与飞控板生成用于控制无人机降落的偏航角；若步骤2的检测结果不是无人机的降落环境，则重复进行步骤1和步骤2，直到检测结果是无人机的降落环境为止，机载电脑结合地面站与飞控板生成用于控制无人机降落的偏航角；

步骤4，地面站将步骤3得到的偏航角通过数据图形传输模块传入飞控板，飞控板控制无人机降落，待无人机距离地面1～2m后，若降落环境为平地，无人机自然降落，若降落环境为坡地、坑地或楼梯时，飞控板驱动电动推杆外伸，协助无人机在对应降落环境降落。

2.根据权利要求1所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，所述的步骤2包括如下具体的分步骤：

步骤2a，先将数据图形传输模块传入的实时视频流提取为一帧一帧的图片，再将这些图片标注后分成平地环境、坡地环境、坑地环境和楼梯环境，最后进行转化、格式调整，得到统一尺寸的标注图片文件；

步骤2b，将步骤2a所述的标注图片文件送入YOLOv5s的输入端，依次进行Focus操作和Ghost操作，得到融合后的图片，将融合后的图片进行信息的融合和特征的提取，输出3种特征预测图；

步骤2c，将步骤2b所述的特征预测图进行非极大值抑制操作，得到与真实框概率最接近的预测框，得到训练好的网络模型；

步骤2d，机载电脑先将数据图形传输模块传入的实时视频流提取为一帧一帧的图片，再将这些图片标注后进行转化、格式调整，最后将得到的统一尺寸的标注图片文件送入步骤2c训练好的网络模型中，判断该实时视频流是否对应平地环境、坡地环境、坑地环境或楼梯环境。

3.根据权利要求2所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，所述的步骤2c在进行非极大值抑制操作时，采用CIoU_Loss作为边界框的损失函数，CIoU_Loss如下式所示：

其中，IoU为预测框和真实框的交集与预测框和真实框的并集的比值，b,b^gt分别代表预测框和真实框的中心点，ρ为预测框中心点和真实框中心点间的欧式距离，c为同时包含预测框和真实框的最小闭包区域的对角线距离，α为权重函数，v是影响因子。

4.根据权利要求2所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，所述的步骤2b依次用FPN结构和PAN结构对融合后的图片进行信息的融合和特征的提取，输出3种特征预测图。

5.根据权利要求1所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，所述的摄像头模块为RER-USB4K02AF-V100。

6.根据权利要求1所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，所述的摄像头模块通过数据图形传输模块连接在机载电脑的输入端，机载电脑的输出端连接在飞控板的输入端，数据图形传输模块的一端连接在飞控板的输入端，数据图形传输模块的型号为HM30。

7.根据权利要求1所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，还包括航模电池，航模电池通过5V2A BEC供电型电流计分别与机载电脑的供电端和飞控板的供电端连接。

8.根据权利要求1所述的基于改进YOLOv5算法的无人机降落方法，其特征在于，还包括连接在飞控板输入端的GPS定位模块，GPS定位模块用于将采集到的无人机实时位置信息通过通讯模块传输至地面站。