Nyligen har ett forskarteam som stöds av de tekniska resurserna för Huirui-teknik (https://www.huirui-ir.com/) uppnått ett viktigt genombrott inom området UAV-baserad sökning och räddning för fångad personal i delvis ockluderade miljöer. By constructing a dedicated infrared thermal imaging dataset, improving target detection algorithms, and developing an intelligent search system, the team has effectively addressed the pain points of low efficiency and insufficient accuracy of traditional UAV search and rescue in complex occluded scenarios such as dense forests, providing an intelligent technical solution for fields including outdoor rescue and military search and rescue.
FoU -bakgrund: brådskande efterfrågan på utomhussökning och räddning, flaskhalsar inom traditionell teknik
Med popularisering av utomhusäventyrsaktiviteter och ofta förekomst av naturkatastrofer och större olyckor har kraven för aktualitet och noggrannhet i sökning och räddning för fångad personal ökat avsevärt. Enligt "China Outdoor Adventure Accident Report" (2020-2023) som släpptes av China Adventure Association har antalet utomhusäventyrolyckor och skador i Kina ökat år efter år. Traditionella sök- och räddningsmetoder som sök- och räddningshundar och manuell sökning är emellertid ineffektiva och mycket mottagliga för miljöinterferens. Traditionella termiska lmaging-kärnor utrustade med synligt ljuskameror har begränsade erkännandefunktioner i scenarier med tät skogsluskning och otillräckligt ljus. Även om infraröda termiska avbildningskameror kan fånga mänsklig termisk strålning, måste deras erkännande noggrannhet för delvis ockluderade mål fortfarande förbättras. Mot denna bakgrund bedrev teamet forskning om nyckeltekniker förTermisk lmaging-Baserad fångad personalupptäckt i delvis ockluderade miljöer.
● Kärnprestation 1: Konstruktion av en UAV-baserad infraröd termisk avbildningsdatasätt för delvis ockluderade mänskliga mål
För att lösa problemet som befintliga datasätt saknar anpassningsförmåga till ockluderade scenarier konstruerade teamet en dedikerad termisk LMaging-kärnbaserad infraröd termisk avbildningsdatasätt för delvis ockluderad mänsklig måldetektering. Detta datasätt består av infraröda termiska bilder som samlats in av termisk lmaging -kärna i tre flyghöjder (cirka 30 m, 50 m och 70 m) och under fyra väderförhållanden (molniga, mulen, dimmiga och soliga), totalt 8 768 infraröda termiska bilder, som täcker delvis ockluderade mänskliga mål i olika komplexa miljöer.
Datasättets konstruktionsprocess följde strikt "Systematic Acquisition - Nichulous Annotation - Rigorous Validation" arbetsflöde och bildade slutligen 25 811 verifierade avgränsningsboxar. Genom statistiska metoder som Kruskal-Wallis-test, Mann-Whitney U-test och Bonferroni-korrigering klargjorde teamet effekterna av ocklusionshastighet och flyghöjd på detekteringsprestanda, vilket gav kärndatastöd för efterföljande algoritmförbättringar. Jämfört med befintliga offentliga datasätt (såsom visdron, HIT-UAV och AOS-datasätt) visar detta datasätt betydande fördelar i ockluderad scenario-anpassningsförmåga, datadiversitet och annoterings noggrannhet, fyllning av gapet i dedikerade datasätt för UAV-baserad infraröd termisk avbildning av mänsklig upptäckt i delvis ockluderade miljöer.
● Kärnprestation 2: Förbättring av måldetekteringsalgoritm för att förbättra noggrannheten för ockluderad måldetektering
Siktet på begränsningarna i YOLOV10 -nätverket för att upptäcka små och delvis ockluderade mål föreslog teamet en förbättrad måldetekteringsmodell, som optimerar ryggradenätverket, nackstrukturen och detekteringshuvudet från tre aspekter:
Ryggradsnätverksoptimering: En REPMSATTN-modul introduceras för att förbättra extraktionsfunktioner med flera skala och förbättra effektiviteten för att fånga lokala funktioner i ockluderade mål;
Nackstrukturoptimering: En fullscaleconnect-modul antas för att uppnå en djupgående sammansmältning av multi-skala funktioner och minska funktionsförlust orsakad av tilltäppning;
Detekteringshuvudoptimering: En SCDETECT -modul är integrerad för att inse delningen av klassificeringsinformation och minska falsk upptäckt och missade detekteringsgraden i ockluderade scenarier.
Experimentella data visar att på det självkonstruerade datasättet, MAP@0.5: 0,95 index för den förbättrade modellen är 3 procentenheter högre än för Yolov10s och 4 procentenheter högre än för Yolov8-talet, vilket visar starkare robusthet och anpassningsförmåga i delvis ockluderade och små måldetekteringsscenarier.
● Kärnprestation 3: Utveckling av ett intelligent söksystem för att förverkliga teknisk applikation
Baserat på den förbättrade måldetekteringsmodellen designade och implementerade teamet ett intelligent söksystem för fångad personal i delvis ockluderade miljöer. Systemet har kärnfunktioner som automatisk upptäckt av UAV -bilder/videor och visuell visning av resultat, som täcker två huvudmoduler: administratörsaffärsprocess och användarföretagsprocess och stödjande verksamhet som måldetektering, historisk postfråga och användarhantering.
Systemets utvecklingsmiljö är kompatibel med mainstream -programvara och hårdvaruarkitekturer, med portabilitet och skalbarhet. Experimentell verifiering visar att systemet snabbt kan svara på infraröda termiska avbildningsdata som samlats in av UAV: er, realisera positionering och erkännande av fångad personal i realtid och tillgodose tillämpningsbehovet i civila scenarier som efterdiskaster räddning och vildmarkssökning, såväl som militära scenarier som Battlefield Search and Rescue, vilket ger en tillförlitlig teknik för en av manlig sökning.
Ansökningsvärde och framtida planering
Denna FoU-prestation bryter inte bara igenom de tekniska flaskhalsarna för UAV-sökning och räddning i delvis ockluderade miljöer utan främjar också en djupgående integration av infraröd termisk avbildningsteknik, djupa inlärningsalgoritmer och UAV-system. I framtiden, som förlitar sig på Huirui Technology: s tekniska plattform, kommer teamet ytterligare att optimera inferenshastigheten för den förbättrade måldetekteringsmodellen, utvidga systemets applikationsscenarier i extremt väder (kraftigt regn, kraftig snö) och komplex terräng (berg, ruiner) och främja branschens delning av de självkonstruerade datasatserna för att bidra till standardisering och industriella sökning och rescue-teknik.
