登录社区云，与社区用户共同成长
邀请您加入社区
针对低空无人机（drone）的检测需求，本文基于YOLOv8目标检测算法构建了一个无人机识别系统。实验采用自建无人机数据集，包含训练集1012张图像、验证集347张图像，类别为单一目标“drone”。模型训练过程中，损失函数收敛稳定，未出现过拟合现象。最终模型在验证集上的平均精度（mAP@0.5）达到0.93，F1分数为0.91，对无人机的识别准确率达94.6%，误检和漏检率均处于较低水平。实验结
目前市面上绝大多数无人机检测系统，运行在较高程度的自动化水平——能沿预设航线飞、能识别预设的目标，但如果遇到预设之外的情况——比如临时出现的障碍、突变的天气、模糊的指令——系统就会“卡壳”。在学术端，研究者已提出Agentic UAV的五层架构（感知、推理、行动、集成、学习），大语言模型也开始被用于无人机的意图理解和任务分解。但我们常常听到的“智能无人机”，到底离真正的“智能体”还有多远？与其等待
针对低空无人机黑飞、违规飞行等安全隐患日益突出的问题，本文基于YOLO26目标检测算法构建了一套可见光条件下的无人机识别检测系统。系统采用单类别（无人机）检测方案，使用共计6252张可见光图像进行模型训练与验证，其中训练集5019张，验证集1233张。实验结果表明，模型在验证集上取得了0.992的精确率、0.908的召回率以及0.957的mAP50，最佳F1分数达到0.95。混淆矩阵分析显示，无人
无人机技术在安防监控、灾害救援、交通管理等领域得到了广泛应用。然而，在夜间或低能见度环境下，传统的可见光摄像头难以有效捕捉目标，而红外成像技术能够通过热辐射信息清晰地呈现目标，成为解决这一问题的关键技术。目标多样性：车辆和行人的形状、大小、姿态各异，增加了检测难度。环境复杂性：红外图像中可能存在噪声、遮挡、背景干扰等问题。实时性要求：无人机应用场景通常需要实时检测，对算法的速度和精度提出了更高要求
本文基于SpringBoot框架开发物流无人机配送调度服务平台，分析了现有平台特点和SpringBoot技术优势。通过面向对象方法实现系统功能，包括无人机信息管理、公告资讯浏览等模块。重点阐述了系统需求分析、关键技术实现及测试验证，证明平台具有可行性和有效性。管理员可通过系统便捷管理操作员、客户及无人机信息，实现高效的数据处理和决策支持，为物流配送提供智能化解决方案。
针对红外场景下无人机目标检测任务，本文基于YOLO26框架构建了一套高精度识别系统。实验采用包含5019张训练图像与1233张验证图像的红外无人机数据集，类别为单一目标drone。模型训练后，在验证集上取得了mAP50为0.981、Precision为0.986、Recall为0.949的优异性能，F1-score最高达0.97。混淆矩阵显示，无人机识别准确率达96%，背景误检率仅为4%。实验结果
本项目基于YOLOv8深度学习目标检测算法，开发了一套适用于无人机红外影像的实时检测系统，能够精准识别车辆（Car）、其他车辆（OtherVehicle）、行人（Person）以及无效检测区域（DontCare）等4类目标。系统采用大规模红外数据集进行训练，其中训练集10,128张、验证集715张、测试集355张，确保模型在复杂环境下的鲁棒性和泛化能力。YOLOv8作为当前最先进的实时检测算法之一
本文分享一套完整版商用无人机综合管控系统源码，全面适配国内低空经济合规管理标准，支持私有化内网部署、全维度二次开发，集成2D/3D实景建模、稠密点云解析、多机智能任务调度、空域合规审批、AI智能隐患预警、多路实时视频直播、设备全生命周期管理等核心能力，完全适配电力、水利、矿山、城市安防、轨道交通等政企落地场景，可直接部署落地、快速完成项目交付
本项目基于目标检测算法，开发了一套高效、精准的无人机识别检测系统，专门用于实时检测和定位无人机目标。系统仅针对单类别（drone）进行优化，确保在复杂背景下仍能保持较高的检测精度和实时性能。数据集包含1359张标注图像，其中训练集1012张验证集347张，涵盖了不同光照条件、飞行姿态及背景干扰场景，以提高模型的泛化能力。该系统可广泛应用于低空安防、禁飞区监控、机场防护、军事侦察等领域，实现对无人机
摘要： CVPR 2026发表的AnyVisLoc是首个针对真实低空无人机多视角视觉定位的统一基准数据集，突破传统高空俯视限制，覆盖6-500米高度、5°-90°俯仰角的复杂场景。该数据集包含24个场景、20,077张全分辨率无人机图像，提供航空图与卫星图双参考源及DSM高程数据，支持图像检索、跨视角匹配和PnP位姿估计全流程评测。通过整合城市、乡村、山地等多样化环境及季节光照变化，AnyVisL
我们基于图论和一致性理论，设计了带虚拟领航者的分布式控制律，并利用ROS2的分布式计算特性和PX4的稳定飞控，搭建了一个可扩展的工程框架。缺失任何一点，AI生成的代码都可能无法运行，或违背“分布式”的初衷（例如退化为全局广播）。每架飞机只和身边有限的“邻居”沟通（比如前后左右的飞机），再结合一个共同的“虚拟目标”（虚拟领航者），自己决定怎么飞。，它们会努力向领航者靠拢，并通过邻居间的“一致性”作用
无人机维修工具，无人机核心板编程器，消错。无人机维修工具，无人机核心板编程器，云台标定，视觉标定，激光雷达，消错，无法起飞。
无人机四种动物目标检测YOLO数据集。
本数据集专为多色系、多场景、小目标检测设计，可显著提升复杂环境下目标识别精度，快速支撑交通、基建、航空、航海一体化视觉检测系统开发。
摘要： 摆线针轮减速器是一种精密减速装置，基于摆线齿轮与针轮啮合实现高减速比，具有高刚性、零背隙和大扭矩特性，广泛应用于工业机器人关节驱动。其原理是通过偏心轮带动摆线齿轮产生摆动，与固定针齿啮合实现减速。C++代码示例展示了减速比建模、背隙补偿和扭矩保护等核心控制逻辑。减速比定义为输入输出转速比，需考虑效率修正和多级系统建模。背隙补偿通过机械预紧或电子算法消除运动间隙，扭矩保护则通过实时监测和阈值
YOLOv10无人机识别检测系统 是一个基于YOLOv10（You Only Look Once version 10）目标检测算法的智能系统，专门用于检测和识别无人机（drone）。该系统能够自动识别并定位无人机，适用于空域监控、无人机管理、安防监控等场景。通过该系统，用户可以实时检测无人机的存在和位置，帮助维护空域安全、防止非法无人机入侵，并为无人机管理提供技术支持。
本项目基于YOLOv11深度学习框架，开发了一套针对无人机的实时识别与检测系统，适用于安防监控、空域管理等领域。系统以单类别（drone）为目标，通过优化模型结构和训练策略，实现了对无人机目标的高精度检测。项目采用轻量化设计，兼顾计算效率与准确性，可部署于边缘设备（如Jetson系列）或无人机管控平台，为低空安全提供智能化解决方案。
在运行ROS2的树莓派4B中通过Mavros读取并打印pixhawk/ardupilot的IMU数据
无人机
——无人机
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
亚马逊云科技技术品牌专区
深开鸿 技术专区
DAMO开发者矩阵
