中国海军无人机应用前景展望

所谓海军无人机,是指囊括各种任务功能,可由水面舰艇甚至潜艇携带、施放和回收的舰载无人驾驶飞行器。随着现代科学技术的飞速发展和更多高新技术在这一领域的广泛应用,人们不仅已经初步实现了在航空母舰上部署无人机,执行战区侦察、通信中继、甚至对特定目标实施攻击等军事任务,而且无人机的种类、性能及型号也越来越多,在体积、重量、航程、施放及回收方式、携带设备以及特定任务功能等方面越来越满足一般水面作战舰艇甚至潜艇的使用条件,从而开始显示出影响和改变未来海战场的作战方式直至战争形态的巨大潜力。毋庸置疑,随着海军无人机技术的持续发展,其技术水平、任务功能乃至作战用途必将在不太长的时期内趋于成熟,也必将促使现代海军以及海战场发生一次新的革命性。[编者按]     

Web前端性能优化下的多无人机协同任务自动化分配

传统多无人机协同任务自动化分配方法存在分配不均匀的问题,无法满足复杂的无人机集群工作需求,为此,基于Web前端性能优化设计了任务自动化分配算法,构建了分配模型,实现了多无人机协同任务自动化分配.实验结果表明,所设计方法分配更均匀,自动化分配效果较好,具有较好的有效性.     

无人机三维实景建模技术在路堑边坡地质信息提取中的应用

简述了无人机摄影技术和三维实景建模技术的基本原理和工作流程,选取南宁市大明山保护区三宝至天坪区公路的2段路堑边坡,采用无人机三维实景建模技术,通过航拍和影像数据处理,构建三维实景模型,提取岩体结构面参数、危岩体尺寸等几何信息,工程实例研究和验证表明,无人机三维实景地质建模可视化效果良好,较好地保留和反映了相关地质信息和空间位置信息,对边坡几何信息的识别度和准确性较高,实现了地质信息的数字化、可存储性、可溯性和可度量性,可为公路边坡稳定性分析评价和地质灾害防治提供依据。     

基于潮汐模型和DEM的海岸线提取方法研究

近年来随着卫星遥感和无人机测量等技术的飞速发展,通过遥感影像提取海岸线替代人工实地测量逐步得到了应用,目前遥感影像判绘主要是根据影像上海岸线的痕迹,或直接用水涯线代替,提取方式、提取结果存在一些不足。文章提出了一种基于潮汐模型和DEM的海岸线提取方法,通过无人机航摄影像构建海岸带DEM,利用潮汐模型计算海岸线高、水涯线高及其差值,在DEM中提取水涯线高程并根据潮汐模型计算的差值反算出海岸线高,进而在DEM模型利用反算的海岸线高快速、准确地确定出海岸线位置。最后通过实测数据验证了这种提取方法效率较高、精度较为均匀,尤其适用于海岛礁、陡崖险滩等人工测量困难的区域。     

基于蚁群算法的无人机舰机协同任务规划

随着近年来计算机与无人控制技术的不断发展,无人机逐渐成为军事作战领域中不可缺少的战略力量,舰载无人机技术已经成为打击、侦察等任务的重要手段。本文研究的重点是无人机舰机任务的协同与控制技术,充分结合蚁群算法和传感器技术等,实现了舰载无人机与舰船的任务协同控制。后期的大量试验数据表明,基于蚁群算法的无人机舰机协同具有良好的效果。     

海巡无人机遥感图像畸变校正方法研究

现有海巡无人机遥感图像畸变校正方法存在畸变校正效果差的问题。为了解决上述问题,提出海巡无人机遥感图像畸变校正方法。根据遥感图像畸变校正需求,构建遥感图像畸变校正框架,以此为基础,通过粗加工确定遥感图像成像方程,以确定的方程为依据,采用多项式法构建遥感图像畸变校正公式,校正遥感图像像素坐标,利用三次卷积算法重采样遥感图像像素值,实现了海巡无人机遥感图像畸变的校正。实验结果显示,与现有海巡无人机遥感图像畸变校正方法相比,提出的海巡无人机遥感图像畸变校正方法极大地提升了畸变校正效果,充分说明提出的海巡无人机遥感图像畸变校正方法具备更好的性能。     

日耳曼亮眼——德国KZO无人机

~~日耳曼亮眼——德国KZO无人机@予阳     

无人机摄影测量技术在公路工程勘测中的应用

无人机摄影测量技术具有成本低、分辨率高、操作灵活、几何精度高等特点,它可有效避免空管、天气的限制,克服常规摄影测量成本高、时效性差等缺点。结合某公路工程勘测实例,依据无人机摄影测量技术特点和平台构成,通过分析空中三角测量精度和野外控制点布设方法的关系、影像匹配算法、数据处理软件功能需求,构建了无人机摄影测量方法。     

基于形态分析的无人机视频车辆自动识别算法

为从广域的视角准确全面地采集连续交通流信息,针对悬停无人机视频提出了基于形态分析的车辆自动识别方法。首先,人工勾画视频帧图像的感兴趣区域,并进行灰度化处理;其次,基于感兴趣区域的Canny边缘检测结果生成亚像素级骨架图像,并对图像骨架进行分解和重构处理;然后,综合应用形态学运算(膨胀、腐蚀、填充、闭运算)和连通域形态特征(面积、矩形度、等效椭圆长轴与短轴)识别车辆目标;最后,对548帧无人机视频图像分别进行算法检测和人工识别,并计算车辆识别的正检率、重检率、漏检率和错检率。结果表明:该算法具有较高的正检率(均值95.02%),较低的重检率(均值2.20%)、漏检率(均值2.77%)和错检率(均值8.24%);同时,正检率、重检率、漏检率和错检率标准差分别为2.09%、1.67%、1.67%和2.56%,表明算法性能指标值离散程度较小、稳定性较高。