基于改進YOLOv5s的四旋翼自主降落標(biāo)識檢測算法

李曉軒，甄子洋，劉 彪，梁永勛，黃祎聞

（1.南京航空航天大學(xué) 自動化學(xué)院，南京 210016；2.沈陽飛機設(shè)計研究所 揚州協(xié)同創(chuàng)新研究院，江蘇 揚州 225006）

0 引言

隨著無人機技術(shù)的飛速發(fā)展，大量難題已被解決，但仍然還存在一些需要解決的問題，其中就包括無人機回收技術(shù)［1-2］。在無人機導(dǎo)航領(lǐng)域中，無人機自主降落系統(tǒng)已成為研究熱點。傳統(tǒng)的導(dǎo)航方式有GPS 全球衛(wèi)星定位導(dǎo)航、慣性導(dǎo)航、無線電導(dǎo)航等。GPS采用的是多衛(wèi)星單程測距系統(tǒng)，如果接收機測量到了其與空間中至少四顆導(dǎo)航衛(wèi)星之間的距離，那么就可以通過計算從而確定接收機的位置。但GPS受制于美軍，且信號接收容易受到無人機所處環(huán)境的影響。因此，在無人機自主降落時僅使用GPS是非常受限的。慣性導(dǎo)航的應(yīng)用是最廣泛的，它不依賴于外界信息，僅通過其內(nèi)部的加速度計以及陀螺儀就可以確定自身導(dǎo)航信息。但是隨著時間增加會導(dǎo)致它的估計誤差積累，所以它往往與其他導(dǎo)航方法結(jié)合使用。無線電導(dǎo)航利用了電磁波的傳播特性，缺點在于無線電信號容易被干擾且需要自身主動發(fā)射電磁波信號，這就容易暴露自身位置。

由于傳統(tǒng)導(dǎo)航方式有上述的各種缺點，利用計算機視覺信息作為導(dǎo)航信息實現(xiàn)無人機自主降落已成為熱點。計算機視覺是多學(xué)科交叉的產(chǎn)物，是包含大量信息的被動信息源。無人機的計算機視覺導(dǎo)航通過在無人機上安裝機載相機，從而通過相機捕捉到實時圖像，并輸入到機載計算機中，通過各種算法計算出無人機的各項導(dǎo)航參數(shù)，然后將這些導(dǎo)航信息提供給控制系統(tǒng)從而完成各項任務(wù)。相機是一種成本相對較低的傳感器，且可以提供豐富的環(huán)境信息。相對于其他傳感器，基于視覺的自主降落技術(shù)能夠捕獲大量的環(huán)境信息，且不依賴外部的其他設(shè)備，不易受干擾，在電子對抗時有較大優(yōu)勢，因此使用計算機視覺已經(jīng)成為國內(nèi)外的無人機自主降落技術(shù)以及著艦技術(shù)的主流［3-4］。

確定了計算機視覺的導(dǎo)航方式后，就要考慮選擇合適的目標(biāo)檢測算法。傳統(tǒng)的目標(biāo)檢測算法一般由人工提取目標(biāo)特征，由于檢測過程比較復(fù)雜，這就導(dǎo)致了目標(biāo)檢測的效率不高，精度較低，效果較差。近年來，由于深度學(xué)習(xí)技術(shù)的研究取得了一定的突破，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）［5］在目標(biāo)檢測中的應(yīng)用也取得了長足的進展，人們已經(jīng)開始逐漸拋棄傳統(tǒng)的人工提取圖像中特征的方式，而使用卷積神經(jīng)網(wǎng)絡(luò)來自動提取圖像中的特征并進行分析?；谏疃葘W(xué)習(xí)的目標(biāo)檢測算法大大提高了目標(biāo)檢測效果，且范化能力更強，應(yīng)用范圍更廣，在實際情況下更容易應(yīng)用，已應(yīng)用于自動駕駛［6］、人臉識別［7］、智慧醫(yī)療［8-9］、工業(yè)檢測［10］、活動識別［11］等領(lǐng)域中。目前，基于深度學(xué)習(xí)的檢測算法最常見的兩種方法分別是基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列為代表的基于候選框的二階段目標(biāo)檢測算法和以YOLO（You Only Look Once）系列為代表的基于回歸的單階段目標(biāo)檢測算法。二階段目標(biāo)檢測算法雖然在精度上有著較好的表現(xiàn)，但檢測速度較慢不適用于實時檢測系統(tǒng)。而單階段目標(biāo)檢測算法在有著較快檢測速度的同時，在檢測精度上也表現(xiàn)不俗。

二階段目標(biāo)檢測算法的代表是R-CNN 系列算法。美國的工程師R.Girshick在2013年第一次將CNN 應(yīng)用到目標(biāo)檢測領(lǐng)域，即R-CNN［12］。它使用CNN 自動提取圖片中的特征信息，在訓(xùn)練網(wǎng)絡(luò)時先采用大樣本進行有監(jiān)督的預(yù)訓(xùn)練，再通過小樣本進行微調(diào)，以此來解決模型訓(xùn)練過度產(chǎn)生過擬合的問題。這種做法相對于傳統(tǒng)方式極大地提升了檢測性能，但它需要對圖像中的候選區(qū)域的卷積特征進行很多重復(fù)的計算。為了解決圖片縮放后會產(chǎn)生形變，提出了SSP Net網(wǎng)絡(luò)［13］，它的特點是無論輸入什么尺寸的圖片，輸出的大小都是固定的，這就令SSP Net可以提取不同尺度的特征，且僅需提取一次圖片中候選區(qū)域的卷積特征，大大節(jié)省了計算資源的浪費，加快了檢測速度。在此基礎(chǔ)上又提出了Fast R-CNN［14］，它在R-CNN 中結(jié)合了SSP Net的思想，不但提高檢測的精度還提高了檢測的速度。之后又提出了Faster R-CNN［15］，它引入了RPN（region proposal networks，區(qū)域檢測網(wǎng)絡(luò)），進一步提升了檢測的精度與速度。然而檢測速度與單階段目標(biāo)檢測算法相比仍有一定差距。

單階段目標(biāo)檢測算法主要包括YOLO 系列算法以及SSD（single shot multibox detector）算法［16］。2015年，單階段目標(biāo)檢測算法的開山之作YOLO 系列算法被首次提出［17］。YOLO 算法最后采用全連接層得到檢測結(jié)果，而SSD算法直接使用卷積提取不同尺度的特征圖來得到檢測結(jié)果。YOLOv2［18］在YOLOv1的基礎(chǔ)上進行改進，它在引入錨框機制的同時還引入了批標(biāo)準(zhǔn)化（BN，batch normalization，）的概念。YOLOv3［19］又進行了進一步改進，它的骨干網(wǎng)絡(luò)（Backbone）使用darknet53，并將錨框的大小擴增到3種類型，此外使用sigmoid函數(shù)作為邏輯分類器將輸出限制在0和1之間，這大大提高了YOLOv3的推理速度。在此基礎(chǔ)上改進又提出了YOLOv4算法［20］，它用Mish函數(shù)代替原先的ReLU 函數(shù)作為激活函數(shù)，因為Mish的函數(shù)圖像比ReLU 更加平滑，在檢測速度與精度之間做到了較好權(quán)衡。而YOLOv5將之前版本的優(yōu)點融會貫通，無論是在精度還是速度上，都有了較大的進步［21］。YOLOv5算法包 括 YOLOv5n，YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x五個版本，他們的參數(shù)量逐漸增加，檢測精度也隨之升高，但檢測速度會逐漸減慢。YOLOv5s在有著良好檢測精度的同時速度也較快［22］，適用于無人機自主降落實時系統(tǒng)中，但在一些獨特場景下對小目標(biāo)的檢測仍有一些不足。

本研究以二維碼構(gòu)成的降落標(biāo)識物為檢測目標(biāo)，如圖1所示，采集一千多張不同高度不同角度無人機拍攝的降落標(biāo)識物圖片，構(gòu)建降落標(biāo)識物檢測數(shù)據(jù)集。基于YOLOv5s檢測網(wǎng)絡(luò)，為了增強對小目標(biāo)檢測的能力，做出如下改進：

圖1 降落標(biāo)識物

1）增加小目標(biāo)檢測層，即增加了一個預(yù)測頭來檢測更小尺度的目標(biāo)；

2）采用BiFPN 加權(quán)雙向特征金字塔網(wǎng)絡(luò)代替原先PANet結(jié)構(gòu)，快速進行多尺度特征融合；

3）將EIoU Loss替換CIoU Loss作為算法的損失函數(shù)，在提高邊界框回歸速率的同時提高模型整體性能。

1 YOLOv5s算法原理

YOLOv5 算法的速度快，靈活性高，該算法在YOLOv4的基礎(chǔ)上做出了一些改進，使得其速度與精度都有了一定提高。它由4個部分組成，分別是輸入端、Backbone、Neck和Head。YOLOv5s的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入端起到預(yù)處理輸入數(shù)據(jù)集的作用，包括自適應(yīng)錨框計算、Mosaic數(shù)據(jù)增強等步驟。在網(wǎng)絡(luò)訓(xùn)練時，模型首先會在初始錨點框的基礎(chǔ)上輸出得到的預(yù)測框，然后計算預(yù)測框與真實框的差值，接下來就可以反向更新網(wǎng)絡(luò)中的各項參數(shù)，因此設(shè)定初始錨點框也是比較關(guān)鍵的一環(huán)。在之前的YOLO 系列檢測算法中，訓(xùn)練不同的數(shù)據(jù)集時，為了獲得初始錨點框，需要運行單獨的程序來獲得，而YOLOv5s的代碼集成了此項功能，每次訓(xùn)練時，依賴數(shù)據(jù)集的名稱，它可以進行自適應(yīng)的計算，從而得到最佳的錨點框。Mosaic數(shù)據(jù)增強借鑒了CutMix增強的方法，只不過本方法采用了4張圖片，對其進行了隨機裁剪、縮放、旋轉(zhuǎn)等操作，從而合成了1張圖像，采用Mosaic數(shù)據(jù)增強的方法，不僅使圖片能豐富檢測目標(biāo)的背景，而且能夠提高小目標(biāo)的檢測效果。并且在Batch Normalization計算的時候一次性會處理四張圖片。

Backbone用于提取輸入圖像的信息特征，它使用了CSPDarknet53網(wǎng)絡(luò)。Backbone作為YOLOv5s的骨干結(jié)構(gòu)，還包含F(xiàn)ocus、Conv、C3、SPP等模塊。其中Focus結(jié)構(gòu)在YOLOv1-YOLOv4中沒有引入，F(xiàn)ocus模塊重要的是切片操作，它從縱向和橫向兩通道對輸入進行切片后重新拼接；Conv中主要的操作有卷積、正則化和激活層；C3中包括N個殘差網(wǎng)絡(luò)Bottleneck，輸入的特征圖首先經(jīng)過1×1的卷積層，再經(jīng)過3×3的卷積層，然后將得到的結(jié)果直接與輸入特征相加；SPP 是空間金字塔池化層，它用于解決輸入不是固定尺寸的情況，它能將任意大小的特征圖轉(zhuǎn)換成固定大小的特征向量，它在3 種尺度上進行最大池化操作，然后將輸出結(jié)果進行拼接。

Neck是為了實現(xiàn)不同尺度特征信息的融合，它包括特征金字塔（FPN）［23］結(jié)構(gòu)和路徑聚合網(wǎng)絡(luò)（PAN）［24］結(jié)構(gòu)。由于高層的語義特征比低層的要強，為了增強整個金字塔的語義特征，F(xiàn)PN 自頂向下的將高層的強語義特征傳遞下來，但是它并沒有傳遞定位信息。PAN 針對這一點不足，為了將低層較強的定位特征傳遞到上層，它在FPN 的基礎(chǔ)上又添加了一個自底向上的金字塔，彌補了FPN 的不足。

Head是YOLOv5s的檢測部分，它繼承了YOLOv4的Head進行多尺度預(yù)測，提高了對不同尺寸目標(biāo)的檢測性能，它可以輸出大、中、小3種不同尺寸的特征圖，分別用于檢測小、中、大3種目標(biāo)。

2 改進的YOLOv5s算法

本文以YOLOv5s網(wǎng)絡(luò)為基礎(chǔ)進行了如下3種改進：通過增加一個小目標(biāo)檢測頭來提升對小尺度目標(biāo)的檢測能力；采用BiFPN 加權(quán)雙向特征金字塔網(wǎng)絡(luò)代替原先PANet結(jié)構(gòu)，快速進行多尺度特征融合；損失函數(shù)使用EIoU Loss，提高邊界框回歸速率的同時提高模型整體性能。下面分別從以上3個方面進行詳細(xì)介紹。

2.1 小目標(biāo)檢測頭

原來的YOLOv5s骨干網(wǎng)絡(luò)為了檢測大中小3種尺度的目標(biāo)使用了3種大小的特征圖，這3種不同大小的特征圖分別來自網(wǎng)絡(luò)對原始輸入圖像進行8倍、16倍和32 倍下采樣，如圖3所示，得到這3種特征圖后將其輸入到特征融合網(wǎng)絡(luò)中進行特征融合。雖然經(jīng)過卷積次數(shù)越多的特征圖的語義信息越豐富，但是代價是目標(biāo)的位置信息也會慢慢丟失，這樣就不利于檢測小目標(biāo)。相反的，雖然卷積次數(shù)越少，特征圖語義信息不足，但是目標(biāo)的位置信息更加準(zhǔn)確。因此為了提升小目標(biāo)的檢測效果，本文在YOLOv5s原有的網(wǎng)絡(luò)上將4 倍下采樣得到的特征圖也輸入到特征網(wǎng)絡(luò)中，從而得到新的大小的特征圖，此特征圖的感受野小，且擁有更加豐富的位置信息，能對更小尺度的目標(biāo)有更好的檢測效果，如圖4所示。

圖3 原始YOLOv5s目標(biāo)檢測層

圖4 改進算法的目標(biāo)檢測層

2.2 BiFPN結(jié)構(gòu)

BiFPN 是加權(quán)雙向特征金字塔，BiFPN 有兩個主要思想：1）高效的雙向跨尺度連接；2）加權(quán)特征融合。BiFPN構(gòu)造了自上而下、自下而上的雙向通道，對主干網(wǎng)絡(luò)中的不同尺度信息進行融合。在融合時，通過上采樣和下采樣將不同尺度信息變?yōu)橥怀叨?，并在同一特征的原始輸入?jié)點和輸出節(jié)點之間添加橫向連接，這樣不僅不增加成本還能融合更多特征。相比于PANet，它還移除了單輸入邊的結(jié)點，因為單輸入邊的結(jié)點沒有進行特征融合，故具有的信息比較少，對于最后的融合沒有什么貢獻度，相反，移除還能減少計算量。加權(quán)特征融合簡單來說，就是針對融合的各個尺度特征增加一個權(quán)重，調(diào)節(jié)每個尺度的貢獻度，這其實是注意力機制與FPN 的碰撞。此外，還可以將BiFPN 看成一個基本單元，通過重復(fù)堆疊幾次此單元的方式可以融合更多特征，它的網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 BiFPN 結(jié)構(gòu)

2.3 EIoU Loss

本文采用EIoU Loss替代原始模型的CIoU Loss作為損失函數(shù)。EIoU Loss的收斂速度更快，評價也更加準(zhǔn)確，不但可以提高模型整體性能，而且在一定程度上可以彌補多尺度特征融合模塊增加導(dǎo)致的訓(xùn)練時間增加、收斂速度變慢的問題。EIoU Loss是針對CIoU Loss進行改進的，CIoU Loss的計算公式為：

式中，I為真實框與預(yù)測框的交并比，bgt與b分別代表真實框的中心點與預(yù)測框的中心點；ρ代表真實框的中心點與預(yù)測框的中心點之間的歐式距離；c代表可以同時包含真實框和預(yù)測框的最小外接四邊形的對角線長度；θ是一個權(quán)重系數(shù)，其表達式為：

式中，v是兩框長寬比的距離，其表達式為：

式中，wgt、hgt分別為真實框的長和寬；w、h分別為預(yù)測框的長和寬。

從公式可以看出CIoU Loss的優(yōu)點在于同時兼顧了真實框與預(yù)測框的交并比即重疊面積、中心點距離和縱橫比，但缺點是其公式中的v反映的是兩框長寬比的差異，沒有考慮到寬度和高度分別與其置信度的真實差異，所以有時會降低模型優(yōu)化的速率。而EIoU Loss繼承了CIoU Loss的優(yōu)勢，沿用了交并比損失LIoU、中心點距離損失Ldis，而寬高損失Lasp直接設(shè)置為真實框和預(yù)測框之間的寬度和高度最小差，使收斂速度更快。計算公式如下：

式中，cw和ch為可以包含真實框與預(yù)測框的最小外接矩形框的寬和高。

經(jīng)過上述3 種改進后，算法的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 改進的YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

3 實驗

3.1 數(shù)據(jù)集

本文主要針對無人機自主降落場景下的降落標(biāo)識進行視頻采集，共計采集1 350張圖片，其中80%用于訓(xùn)練集，15%用于驗證集，5%用于測試集，其中部分?jǐn)?shù)據(jù)如圖7所示，他們是在不同天氣，不同背景，不同角度，以及不同高度下拍攝的二維碼降落標(biāo)識的圖片。采集完數(shù)據(jù)集后，下一步就需要對數(shù)據(jù)集進行標(biāo)注，以便網(wǎng)絡(luò)學(xué)習(xí)，利用Make Sense網(wǎng)頁對數(shù)據(jù)集進行在線標(biāo)注，標(biāo)注成YOLO 格式，共有一個標(biāo)記類別，是QRcode（降落標(biāo)識）。完成標(biāo)注后，每一張圖片都會生成一個txt文件，文件名與圖片名相同。txt文件中共有n行5列，每一行都代表一個檢測目標(biāo)的標(biāo)記框，其中第一列代表該框的類別，第二列代表框中心的橫坐標(biāo)與圖片寬度之比，第三列代表框中心的縱坐標(biāo)與圖片高度之比，第四列代表框的寬度與圖片的寬度之比，最后一列代表框的高度與圖片的高度之比。因為采集的降落標(biāo)識數(shù)據(jù)集有限，改進后的算法與原算法的map值相差不大，在驗證改進算法性能的優(yōu)越性時，使用自制數(shù)據(jù)集并不太合適，所以采用VOC2012數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)作為數(shù)據(jù)集，將幾種算法同時用在此數(shù)據(jù)集上，從而對比不同算法之間的性能。

圖7 數(shù)據(jù)集中部分圖片

3.2 實驗環(huán)境與模型訓(xùn)練

實驗環(huán)境如下：操作系統(tǒng)為Ubuntu18.04，使用Ge-Force GTX 1660顯卡進行運算，顯存大小為6GB，CPU 配置為Intel（R）Core（TM）i5-9400F＠2.90GHz，CUDA的版本為11.1.0，Python的版本為3.8.12，Pytorch 的版本為1.8.0。本實驗的一些參數(shù)設(shè)置如下：總迭代次數(shù)設(shè)置為100次，迭代批量大小設(shè)置為16，優(yōu)化器使用的是SGD算法。

3.3 評估指標(biāo)

本文介紹3種常見的評估指標(biāo)：平均精度AP（average precision）、平均精度均值mAP（mean AP）和每秒檢測圖片的幀數(shù)fps（frames per second）。其中，平均精度由精確率（precision）和查全率（recall）所決定。精確率是相對于預(yù)測結(jié)果而言的，它表示的是預(yù)測為正的樣本中有多少是預(yù)測對的，所以用預(yù)測對的正樣本數(shù)除以模型預(yù)測的正樣本總數(shù)。查全率是相對于樣本而言的，即樣本中有多少正樣本被預(yù)測正確，所以用預(yù)測對的正樣本數(shù)除以實際樣本總數(shù)。上述每種指標(biāo)的計算公式如下：

式中，AP是指精度-回歸曲線（Precision＿Recall，P＿R）的面積。mAP是通過對所有類別的AP進行平均得到的。N表示檢測到的類別總數(shù)。如果mAP值越大，那么算法的識別準(zhǔn)確率就越高，檢測效果就越好；TP表示預(yù)測正確的正樣本框的數(shù)量，F(xiàn)P表示預(yù)測錯誤的正樣本框的數(shù)量，F(xiàn)N表示遺漏的樣本框的數(shù)量。

3.4 改進后模型的性能分析

在VOC2012數(shù)據(jù)集上，改進后模型的P-R 曲線如圖8所示。改進后的模型性能與改進前的模型以及YOLOv4算法的對比如表1所示，改進后算法對所有類別的檢測精準(zhǔn)率、查全率、FPS、mAP＠0.5和mAP＠［0.5：0.95］分別達到77.8%，128，71.9%和48.2%。

表1 不同算法性能對比結(jié)果

圖8 P-R曲線

圖8顯示了VOC 數(shù)據(jù)集中20個不同的類別以及所有類別的P-R曲線，圖中以“aeroplane 0.838”為例，“aeroplane”表示類別名，“0.838”表示將IoU 設(shè)為0.5時，該類別的AP值。由于P-R曲線只是宏觀上展示模型性能，不同模型之間的性能差異主要通過mAP 來衡量，且用VOC數(shù)據(jù)集僅是為了驗證改進算法在性能上的優(yōu)越性，并不用關(guān)注各個類別，只用關(guān)注所有類別的P-R曲線即可。

實驗結(jié)果證明，改進后的算法在VOC2012數(shù)據(jù)集上比原算法有更好的檢測效果，在精度與速度上的權(quán)衡是最好的，雖然FPS略有降低但精度卻得到了提升，在無人機自主降落時，F(xiàn)PS的略微降低的影響基本可以忽略不計，但精度每提升一點，無人機自主降落的安全性就會提升一點。由于YOLOv4的網(wǎng)絡(luò)參數(shù)要多于YOLOv5s，所以YOLOv4算法在精度上會有一定優(yōu)勢，但是FPS卻較低，即檢測速度比較慢，若將YOLOv4算法部署在無人機上的機載計算機系統(tǒng)中，系統(tǒng)會缺乏實時性，因此不適合應(yīng)用于無人機上進行自主降落任務(wù)。

3.5 實飛實驗

為了驗證改進算法在無人機上的實際性能如何，將改進算法應(yīng)用到如圖9所示的無人機上。采用的無人機的軸距為410mm，使用碳纖維機身，同時兼顧了機身的重量與續(xù)航。它還包含有Pixhawk4基礎(chǔ)套件，用來完成PX4最基本的飛行功能；同時配備有單目視覺相機用于獲取視覺信息，作為改進算法的輸入；機載計算機采用NVIDIA TX2，它作為無人機自主降落任務(wù)的核心用來運行改進的目標(biāo)檢測算法來處理單目相機獲取到的原始數(shù)據(jù)，并通過相關(guān)算法計算出無人機與降落標(biāo)識物之間的相對位姿關(guān)系，最后通過Mavros將此信息發(fā)送至飛控之中，從而引導(dǎo)無人機安全的自主降落到降落標(biāo)識物上。

圖9 實驗所用無人機

在無人機上的實際檢測效果如圖10所示。

圖10 降落標(biāo)識檢測效果圖

實驗結(jié)果證明，當(dāng)無人機的高度越來越高時，如果視野中同時存在一個大目標(biāo)和一個小目標(biāo)，原YOLOv5s算法只能檢測到大目標(biāo)卻不能檢測到小目標(biāo)，而改進后的算法能同時檢測到兩種大小的目標(biāo)，證明了改進后的算法在二維碼數(shù)據(jù)集中對小目標(biāo)有更好的檢測效果。同時改進后的算法在TX2上的FPS約為32，也滿足嵌入式部署的實時性要求。

4 結(jié)束語

改進YOLOv5s算法首先通過增加小目標(biāo)檢測層來提升對小目標(biāo)特征的檢測能力；然后采用BiFPN 加權(quán)雙向特征金字塔網(wǎng)絡(luò)代替原先PANet結(jié)構(gòu)，快速進行多尺度特征融合；最后損失函數(shù)使用EIoU Loss，使收斂更快。實驗表明，改進算法相較于原算法有更好的小目標(biāo)檢測能力，能夠獲得較好的檢測準(zhǔn)確度和比較快的檢測速度，可以滿足無人機自主降落的準(zhǔn)確性和實時性的需求。由于在實際應(yīng)用中場景是多種多樣的，本文選取的降落標(biāo)識可能在某些背景中不是特別明顯，后續(xù)工作可以選取不同的降落標(biāo)識物，并采集更多的數(shù)據(jù)集，通過實驗結(jié)果來選擇合適的降落標(biāo)識物，且可以在提升檢測的實時性上作進一步研究。