随着人工智能的飞速发展,深度学习方法的大量改进及应用,对目标识别的发展越来越多。但是由于个人能力不足和时间有限,仅仅针对在工业运输领域的工程车辆识别算法发展,并以工业无人机为数据采集平台,结合深度学习,实现工程车辆类别的识别。但是,工业无人机后期的工作中还需要重点发展以下方面内容:

1、提升识别率

在工程车辆类别识别实验中,车辆暴露在自然环境下,存在着遮挡、阴影等严重影响检测和识别的不利因素,如何进一步改进深度学习模型,提高识别准确率,这是以后的发展任务。

2、抗干扰能力

无人机采集工程车辆视频数据,经过模型训练,实现识别特定目标的要求。对于将改进算法应用在其他种类车辆,如何有效提高识别准确率仍是发展的难点,特别是在复杂环境下的识别技术发展,准确率要求更高,识别难度更大。对于在真实环境中的工业无人机,干扰因素很多,例如:天气恶劣、磁场变化等都会影响无人机的识别效果,如何提升无人机的抗干扰能力也是发展的热点。

3、自主飞行

保证算法的准确率和实时性的同时,无人机可用于目标跟踪和定位,但是这方面的算法发展目前偏向于SLAM的发展,可以结合该技术,实现工业无人机的航径规划与自主飞行,准确地自由识别、跟踪目标。把测试数据传送给无人机采集数据后,如何高效地提高传送的实时性,采用无线网络传输还是新兴的5G网络传输,都是发展的热点。

工业无人机目标识别是深度学习领域的重要方向之一,而工程车辆类别识别算法在目标识别中有着重要的研究意义。就当前的研究情况来看,目前做到工程车辆识别的算法较少,且工程车辆类别识别缺乏一个科学合理的标准。目标识别算法对工程车辆类别的识别有很大的研究和应用价值。