跨界 · 融合 · 服務 · 創新
目前，無人機（UAV）或空中機器人正處于快速發展時期，基于YOLO算法的目標檢測性能在工業上已達到較高水平，該算法仍需要不斷改進。無人機可以攜帶各種設備來完成不同的任務。這些任務的例子包括噴灑液體藥物，測繪，物流運輸，災害管理，航空攝影以及播種肥料或種子。基于YOLO算法的物體檢測技術已經能夠實現人類行為分析，面罩識別，醫療診斷分析，自動駕駛，交通評估，多目標跟蹤和機器人視覺。然而，無人機面臨復雜的場景或工作需要與地面控制終端保持良好的數據通信，因此無人機技術的創新和發展可能會受到某些應用環境的限制。然而，無人機面臨復雜的場景或工作需要與地面控制終端保持良好的數據通信，因此無人機技術的創新和發展可能會受到某些應用環境的限制。此外，基于YOLO算法的目標檢測技術需要部署到高性能處理器中，并與圖像或視頻數據結合使用，這對使用場景提出了一定的要求。這兩種技術可以結合起來，創造出一種新技術——基于YOLO的無人機技術（YBUT）。無人機為YOLO算法提供了更多的應用場景，YOLO算法可以幫助無人機完成更多新穎的任務。通過這種方式，無人機技術和YOLO算法可以進一步促進人們的日常生活，同時為各自行業的生產力做出貢獻。
隨著無人機技術的不斷成熟，世界各國的無人機數量每年都在增加，根據全球商用無人機的年銷量和銷量統計，如圖1所示，到2025年，全球將有約679，000架無人機，市場規模約為5億美元。全球無人機數量如此之多，如果無人機可以作為空中平臺部署YOLO算法，就有可能使無人機更有價值。
圖1 全球商用無人機年銷量和銷量統計
YOLO是一種廣泛使用的深度學習算法，因為它是一種基于分類/回歸的對象檢測方法，賦予算法核心優勢：結構非常簡單，模型體積小，計算速度快。自引入YOLO以來（截至2023年2月）經過七年的發展，研究人員發布了YOLO算法的七個版本。基于YOLO的目標檢測算法的機制是將輸入圖像調整為相同的大小，然后將圖像分成大小相等的S×S網絡單元，每個單獨的網絡單元都可以檢測其中的對象。如果檢測到的目標的中心落入網絡像元中，則該網絡像元將對目標進行預測。每個網絡小區可能有N個檢測框，每個檢測框不僅計算自己的位置，還做出預測分數。分數表示檢測目標存在于預測網絡單元中的可能性。由于網絡單元中可能有多個框，YOLO將自動選擇得分最高的目標類別進行預測，如圖2所示。
圖2 基于YOLOv7的無人機技術架構圖（BN：批量歸一化層;AF：激活函數層）
利用中英文搜索引擎（如Web of Science、中國國家知識基礎設施）對檢索結果進行分析，得到中英文期刊在相關領域的主要研究主題。迄今為止，計算機視覺技術已經開發了各種各樣的算法，其中YOLO算法是在2016年提出的，然后在2017年由Jiang等人首次應用，他們將YOLO算法與無人機相結合。此后，YOLO算法和無人機融合技術不斷發展，相關研究成果或應用激增。該技術也已從探索性實驗轉變為學術研究熱點（見圖3）。
圖3 在頂級期刊和會議上發表的論文數量（2017-2022）
根據我們對YBUT應用領域的調查，英文期刊中該領域熱門話題的信息匯總為餅圖，如圖4中的調查結果所示。從餅圖可以看出，熱門話題主要集中在技術研究、工程和運輸等行業，發表的論文或會議文獻的數量代表了研究人員的興趣。我們還調查了該領域熱門話題的中國期刊，發現它們更關注技術研究、工程和自動化領域。隨著無人機技術和YOLO算法的不斷發展，這項技術開始在大多數領域進行探索，在少數領域，已經取得了一些成功。YBUT的發展和研究一直是頂級期刊和會議的熱門話題，現在該技術的實際應用正逐漸引起他們的興趣。
圖4 YBUT的應用領域調查：（a）英文期刊的熱門領域，（b）中文期刊的熱門領域
在YBUT應用的早期階段，主要工作機制是通過無人機采集圖像或視頻數據，然后由運行基于YOLO的目標檢測算法的計算機進行目標檢測，識別和分類。為了探索從無人機捕獲的圖像中檢測車輛的方法，以應用于交通監控和管理，并且由于深度學習算法在目標檢測中顯示出顯著的優勢，研究人員嘗試將基于YOLO的目標檢測算法應用于無人機圖像中的車輛檢測。Jiang等在無人機上集成了熱紅外成像傳感器和可見光成像傳感器，構建了多源數據采集系統，通過特征點提取和單響應矩陣方法對圖像進行校正和對齊，然后對多源數據進行圖像融合。最后，他們利用深度學習YOLO算法進行數據訓練和車輛檢測（見圖5）。
圖5 Jiang等人提出的方法流程圖
此外，Ruan等人試圖使用深度學習和基于視覺的drogue檢測和定位方法來解決復雜環境中無人機自主空中加油霧滴的準確檢測和定位問題。他們使用經過訓練的YOLO算法進行錐形軌跡檢測，在確定基準位置后使用最小二乘橢圓擬合來確定橢圓的長半軸，最后使用單目視覺相機進行椎體下垂定位（見圖6）。
圖6 Drogue檢測方法
隨著YBUT的不斷發展，新一代無人機配備了豐富的計算資源高性能處理器，其中部署了基于YOLO的目標檢測算法，允許處理器在無人機收集數據時實時檢測，識別和分類任務對象。Zhang等人為了探索新一代技術的可行性，將YOLOv3算法嵌入到資源有限的NVIDIA Jason TX1平臺環境中（見圖7），并讓無人機攜帶嵌入式平臺進行實時行人檢測實驗。
