[发明专利]一种基于神经网络图像识别的无人机系统及控制方法

权利要求书

1.一种基于神经网络图像识别的无人机系统，其特征在于，包括：摄像模块、图像处理模块、飞行模块和处理器，所述摄像模块用于目标图片，所述图像处理模块基于所述摄像模块拍摄的目标图片进行图像识别处理，所述图像处理模块是基于改进卷积神经网络CNN后得到掩码辅助R-CNN训练协议，通过所述掩码辅助R-CNN训练协议进行图片识别，所述处理器接收所述图像处理模块处理的图像，建立三维模型并进行分析，并获取飞行模块的飞行状态，以调整飞行模块的飞行模式；所述图像处理模块包括：图像接收单元、模型训练单元和识别结果输出单元，所述图像接收单元用于接收所述摄像模块拍摄的第一原始图像信息，将所述第一原始图像信息输送到所述模型训练单元，通过所述模型训练单元进行分割确定第一目标对象，将所述第一目标对象发送给所述处理器；所述图像接收单元用于接收所述摄像模块拍摄的第二原始图像信息，将所述第二原始图像信息输送到所述模型训练单元，通过所述模型训练单元进行分割确定第二目标对象，将所述第二目标对象发送给所述处理器；所述图像接收单元用于接收所述摄像模块拍摄的第三原始图像信息，将所述第三原始图像信息输送到所述模型训练单元，通过所述模型训练单元进行分割确定第三目标对象，将所述第三目标对象发送给所述处理器；所述处理器根据所述第一目标对象、第二目标对象和第三目标对象建立三维模型，所述第一原始图像信息、所述第二原始图像信息和所述第三原始图像信息为三个不同角度的图片；所述模型训练单元通过训练获得掩码辅助R-CNN训练协议，所述掩码辅助R-CNN训练协议是在一级或二级目标检测器中添加掩码头实现目标分割，提高检测和分类的准确性，具体包括如下步骤：

步骤S1）、训练一个基本的掩码 R-CNN模型用于分割任务；

步骤S2）、使用软像素级标签增强分割任务的训练集；

步骤S3）、对于检测和分割任务训练一个掩码辅助R-CNN模型，所述步骤S2）自身进行多次重复训练；所述步骤S1）具体包括如下步骤：

步骤S11）、训练分割任务集；

步骤S12）、获得第一掩码R-CNN模型；

步骤S13）、获得第一检测任务训练集

步骤S14）、通过软像素获得第一标签训练样本；

所述步骤S2）具体包括如下步骤：

步骤S21）、获得第一分割任务的增强训练集；

步骤S22）、获得第二掩码R-CNN模型；

步骤S23）、获得第二检测任务训练集

步骤S24）、通过软像素获得第二标签训练样本；

所述步骤S3）具体包括如下步骤：

步骤S31）、获得第二分割任务的增强训练集；

步骤S32）、获得掩码辅助R-CNN模型；

步骤S33）、获得整体训练结果；

步骤S34）、通过整体训练结果分别获得检测任务和分割任务；

所述步骤S21）接收步骤S14）的输出，所述步骤S31）接收步骤S24）的输出，所述步骤S22）的第二掩码R-CNN模型接收所述步骤S12）的第一掩码R-CNN模型的第一参数进行调节，所述步骤S32）的掩码辅助R-CNN模型接收步骤S22）的第二掩码R-CNN模型的第二参数进行调节。

2.如权利要求1所述的基于神经网络图像识别的无人机系统，其特征在于，所述飞行模块包括：四个飞行旋翼、四个水平飞行旋翼支撑杆、一个竖直飞行旋翼支撑杆和指令接收单元，所述四个水平飞行旋翼支撑杆能够水平伸缩，且上侧内部设置有功飞行旋翼滑动的凹槽，所述一个竖直飞行旋翼支撑杆设置在所述四个水平飞行旋翼支撑杆的交点处，且具备设置有竖直方向的四个卡扣，能够将所述四个飞行旋翼卡接在竖直方向上同时旋转，所述飞行旋翼的下侧设置有所述凹槽匹配的工字形，工字形底部的凸起嵌入到所述凹槽中，以使得飞行旋翼通过所述工字形底部的凸起在所述凹槽能够滑动到所述竖直飞行旋翼支撑杆上，所述竖直飞行旋翼支撑杆上设置竖直的四个卡扣，所述工字形内侧设置贯通的中空，使得所述工字形为外侧为工字形结构，内侧能够使得所述竖直飞行旋翼支撑杆贯通，当所述飞行旋翼滑动到所述竖直飞行旋翼支撑杆上时，所述竖直飞行旋翼支撑杆伸出一部分将所述飞行旋翼通过卡扣卡接住所述工字形结构的内侧，当所述竖直飞行旋翼支撑杆伸出一部分后，带动所述水平飞行旋翼支撑杆也同步上升一部分，方便其他飞行旋翼通过水平飞行旋翼支撑杆滑动到前一个飞行旋翼的上部。