买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于无人机的红火蚁蚁巢检测定位方法，包括：构建红火蚁蚁巢数据集；搭建特征提取网络，所述特征提取网络采用改进后的SSD网络；将特征提取网络连接特征强化网络，构建SSD‑特征强化网络；利用红火蚁蚁巢数据集，对SSD‑特征强化网络架构采用迁移学习的方法进行训练，得到训练好的红火蚁蚁巢检测模型；将整个红火蚁蚁巢检测模型移植到无人机内部，无人机在预设的飞行高度飞行时获取实时视频流，截取视频流中每帧图像，利用红火蚁蚁巢检测模型对每帧图像进行红火蚁蚁巢检测，输出红火蚁蚁巢位置信息和分布图。本方法能高效、准确地检测出红火蚁蚁巢，提高野外勘探效率，实现蚁巢检测的智能化。

主权项：1.一种基于无人机的红火蚁蚁巢检测定位方法，其特征在于，包括以下步骤：S1，利用无人机进行红火蚁蚁巢图像的收集，构建红火蚁蚁巢数据集；S2，搭建特征提取网络，用以对红火蚁蚁巢图像进行特征提取；所述特征提取网络采用改进后的SSD网络，具体为：修改SSD网络的VGG16主干网络，将其替换为MobileNetV2网络；网络调整后从前至后依次为SSD网络原有的Conv_1卷积层、MobileNetV2网络的Conv_2卷积层到Conv_13卷积层、SSD网络原有的Conv_14卷积层至Conv_16卷积层；在SSD网络的第一层中的Conv_1卷积层后增加CBAM通道注意力机制，同时将Conv_1设为1×1的卷积方式进行特征处理；在SSD网络的Conv_1与MobileNetV2网络的Conv_2之间依次加入CBAM注意力机制、深度卷积层、点态卷积层；MobileNetV2网络的Conv_2与Conv_3之间依次加入CBAM注意力机制、点态卷积层、深度卷积层、点态卷积层；Conv_3与Conv_4之间、Conv_4与Conv_5之间均依次加入CBAM注意力机制、深度卷积层和点态卷积层；Conv_5与Conv_6之间、Conv_7与Conv_8之间、Conv_8与Conv_9之间、Conv_9与Conv_10之间、Conv_11与Conv_12之间均依次加入点态卷积层、深度卷积层和点态卷积层，Conv_6与Conv_7之间、Conv_12与Conv_13之间均分别加入深度卷积层和点态卷积层；将SSD网络内的特征提取层Conv_13卷积层至Conv_16卷积层进行尺寸调整；S3，将特征提取网络连接特征强化网络，构建SSD-特征强化网络；所述特征强化网络从前至后结构依次为：3×3卷积层、全连接Dense、LeakyReLU激活函数、最大池化层、全连接Dense、最大池化层；将改进后的SSD网络的Conv_14卷积层至Conv_16卷积层连接特征强化网络第一层的3×3卷积层，组建SSD-特征强化网络架构；利用红火蚁蚁巢数据集，对SSD-特征强化网络架构采用迁移学习的方法进行训练，得到训练好的红火蚁蚁巢检测模型；S4，将整个红火蚁蚁巢检测模型移植到无人机内部，无人机在预设的飞行高度飞行时获取实时视频流，截取视频流中每帧图像，利用红火蚁蚁巢检测模型对每帧图像进行红火蚁蚁巢检测，输出红火蚁蚁巢位置信息和分布图；所述利用无人机进行红火蚁蚁巢图像的收集，构建红火蚁蚁巢数据集，包括：利用无人机在红火蚁分布区域采集图像，控制无人机以预设的飞行高度和飞行速度匀速飞过红火蚁蚁巢存在区域；通过遥控器调节无人机内的摄像头拍摄角度，水平转动方向为0度至360度，竖直旋转方向为0度至180度，选取不同遮挡、不同光照、不同角度的图像，拍摄并存储在无人机内；将图片进行数据增强处理，构建红火蚁蚁巢数据集；将红火蚁蚁巢数据集中的红火蚁蚁巢图像进行人工标注，并按照PASCALVOC2007的格式来存放；所述对SSD-特征强化网络架构采用迁移学习的方法进行训练，包括：采用迁移学习的方法对SSD-特征强化网络架构进行训练，通过冻结和解冻的操作来实现：设置训练迭代数为200，前50次冻结训练，设批处理大小为32，学习速率调为0.0005，后150次解冻训练，设批处理大小为16，学习速率调为0.0001，参数设置完毕后利用红火蚁蚁巢数据集开始训练SSD-特征强化网络，得到训练好的红火蚁蚁巢检测模型；所述无人机上搭载有飞行模块、图像模块、后台模块，其中：飞行模块负责无人机飞行过程中对环境的感知，控制飞行的平稳姿态，并设计无人机的飞行轨迹，图像模块用于无人机飞行过程中的自动避障、对视频流的获取和对视频流每帧图像中红火蚁蚁巢的检测，并有存储功能；后台模块负责与无人机飞行过程中的实时信息交互，并将检测结果可视化显示以及存储。

全文数据：

权利要求：

百度查询： 华南农业大学 基于无人机的红火蚁蚁巢检测定位方法