跨界 · 融合 · 服務 · 創新
圖7 四旋翼監測無人機
Alam等人為了減輕無人機機載嵌入式處理器的計算壓力，增強YBUT的實用性，提出了一種高性價比的空中監視系統，該系統保留了機載嵌入式處理器Movidius VPU上有限的Tiny-YOLO計算需求，將大型Tiny-YOLO計算任務轉移到云端，并保持無人機與云之間的最小通信。與其他最先進的方法相比，該系統在每秒幀數的目標檢測處理速度方面快六倍，同時機載嵌入式處理器技術的應用降低了端到端延遲和網絡資源消耗（見圖8）。
圖8 由Alam等人完成系統設計
Doukhi等人使用了配備Nvidia Jetson TX2高性能嵌入式處理器和PID控制器的無人機。然后，他們將YOLOv3算法部署在嵌入式處理器中，利用基于YOLO的目標檢測算法直觀地引導無人機跟蹤檢測到的目標，同時使用PID控制器控制無人機飛行。實驗結果表明，所提方法僅通過魚眼相機成功實現了定位和無人機跟蹤飛行的視覺SLAM，無需外部定位傳感器或引入GPS信號（見圖9）。
圖9 基于深度學習的運動控制軟件架構。圖中紅色圓圈表示YOLOv3算法中的輸入RGB圖像，橙色圓圈表示YOLOv3算法的計算過程，藍色圓圈表示YOLOv3算法檢測到的目標和邊界框數據
Afifi等人提出了一個用于多場景行人檢測的強大框架，該框架使用YOLO-v3物體檢測作為骨干檢測器（見圖10），并在無人機上的Nvidia Jetson TX2嵌入式處理器上運行。來自多個室外行人檢測場景的實驗結果表明，與YOLOv3算法相比，隨著嵌入式處理器計算資源的增加，所提出的檢測框架在mAP和FPS方面表現出更好的性能。
圖10 行人檢測框架的工作流程
YBUT已應用較為成熟的研究領域是輸電線路檢測、建筑表面檢測、動目標跟蹤、儀表顯示讀數、光伏組件檢測、建筑識別與分類。根據目前的調查，YBUT在工程領域的應用研究中，研究人員更喜歡傳輸線檢測的方向。在復雜環境中可以準確識別、分類和定位電力線桿、絕緣子、電氣元件、配電線桿、輸電塔、鳥巢和斷路器等物體。例如，Bao等人提出了一種端到端并行混合注意力檢測YOLO網絡（PMA-YOLO），通過無人機收集傳輸線減振器數據，然后創建一個數據集來訓練和測試模型;結果表明，該模型能夠檢測異常減振器，準確率為93.8%（見圖11）。
圖11 PMA-YOLO網絡檢測異常減振器的實驗結果。“生銹”、“有缺陷”和“正常”阻尼器的地面實況框和預測框分別以黃色、紅色、藍色和綠色顯示
最近，Alsanad等人提出了一種改進的YOLOv3算法，用于低空空域的小型無人機檢測;實驗表明，所公開的改進算法模型能夠有效檢測復雜環境下的低空無人機（見圖12），并可成功應用于反無人機研究領域管理低空空域無人機。基于已有研究，該方法進一步提高了YBUT的低空小型無人機探測性能。
圖12 改進的YOLOv3無人機檢測算法結果
為了進一步管理和約束生活中的各種運輸方式，BUT在運輸領域進行了多次嘗試。例如，Feng等人提出了一種基于YOLOv3的無人機檢測方法（見圖13）。
圖13 基于城市道路視頻的車輛檢測結果
Omar等人提出了一種基于YOLOv4算法的航拍圖像車輛檢測方法（見圖14）。
圖14 （a）無人機采集圖像，（b）無人機圖像檢測結果
城市交通管理應用和城市道路管理都是YBUT技術應用的重要方向。Silva等人設計了一個分布式無人機平臺，部署YOLOv4來檢測道路損壞（見圖15）。
圖15 道路損壞檢測結果
Zhao等人提出了一種基于YOLOv3的無人機高速公路中心標記檢測算法，YOLO-Highway（見圖16）。
圖16 各種環境條件下道路標志的檢測結果
在農業領域，許多棘手的工作已經有了基于YBUT的新解決方案。隨著YBUT的不斷發展和擴展，現在可以檢測大型植物物種中的不同目標和特征，例如在枯樹檢測，松枯萎病線蟲病檢測（見圖17），松樹枯萎病檢測，油棕樹果實檢測和其他任務。
圖17（a，b）是患病樹木檢測區域的原始圖像，（c，d）是MobileNetv2-YOLOv4算法檢測該區域病樹的結果
此外，YBUT還可用于涉及小型植物的分析，例如豌豆和草莓周圍的雜草檢測（見圖18），田間小麥表型監測和番茄發芽器檢測。
圖18 豌豆作物面積和草莓作物面積的雜草鑒定結果
移動目標，如動物，也可以高精度地檢測、分類和計數（見圖22）。
圖19 使用YOLOv5s改進模型檢測馴鹿和梅花鹿的計數
隨著無人駕駛概念的增加，某些應用已迅速實現自動化。Kraft等人提出了一種基于YOLOv4的方法，通過使用無人機在公園中定位垃圾。實驗結果表明，無人機可以檢測垃圾，并且可以在固定區域內收集垃圾位置數據，同時在地圖上標記垃圾位置，以便清掃人員查看，以便于清潔（見圖20）。
圖20 使用 YOLOv4 檢測無人機數據集的結果
