无人机识别比赛记录与分析

原创 已于 2025-07-16 13:43:09 修改 · 485 阅读 · 3 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#无人机 #YOLO

于 2025-07-10 16:10:36 首次发布

芜湖大赛-算法赛道-基于视觉的反无人机检测与预警（出题方：大连理工大学）

评测标准

针对参赛队伍提交的算法模型，组委会将从准确性、效率、资源消耗等维度进行综合评估，常用量化指标包括：

  1. 检测性能指标

    （1）Precision / Recall（精确率 / 召回率）：用于评估误报与漏报情况；

    （2）F1-score：综合考察模型平衡性。

  2. 跟踪与行为识别指标（复赛/决赛）

    (1) MOTA、IDF1：评估多目标跟踪准确性；

    (2) 行为识别准确率 / 预警正确率：评估异常行为识别与预警机制的有效性；

    (3) 预警延迟：衡量系统响应的实时性。

  3. 模型运行效率与复杂度

    (1) 推理速度（FPS）：模型在指定设备上的帧处理速度；

    (2) 模型大小（MB）：模型存储所需空间；

    (3) 参数量（Params）与FLOPs：衡量计算资源消耗和推理复杂度；

yolov11-n-C3k2-WL

在这里插入图片描述


import sys
import os

#sys.path.append('.')  # 将当前目录添加到系统路径
from ultralytics.models.yolo.model import YOLO


def train_yolo12():
    # 1. 加载模型配置文件（yolo12.yaml）
    model = YOLO("/mnt/Virgil/YOLO/yolo11-SOD/ultralytics/cfg/models/11/yolo11-C3k2-WT.yaml")  # 从当前目录加载模型结构
    # model = YOLO("C3k2-fix.yaml", task='detect')  # 从当前目录加载模型结构

    # 2. 手动加载预训练权重（yolo12n.pt）
    model.load("yolo11n.pt")  # 确保权重文件在当前目录或指定路径

    # 3. 配置训练参数
    results = model.train(
        # data="ppq_dataset.yaml",  # 数据集配置文件
        data="/mnt/Virgil/YOLO/drone_dataset/drone_dataset.yaml",  # 数据集配置文件
        imgsz=640,  # 输入图像尺寸
        epochs=140,  # 训练轮次
        batch=32,  # 批次大小（根据GPU内存调整）
        workers=0,  # 数据加载线程数（设为0避免多线程问题）
        pretrained=False,  # 已手动加载权重，此处设为False
        device='0',  # 指定使用GPU 0（空字符串为自动选择）
        seed=0,  # 随机种子，确保结果可复现
        optimizer='SGD',  # 优化器选择
        amp=False,  # 关闭混合精度训练
        project='runs/C3k2-WT',  # 训练结果保存项目名
        resume=False,  # 不恢复训练
        name='C3k2-WT',  # 训练任务名称
#        warmup_epochs=2, # 前2个epoch使用较小学习率预热
#         patience=20 # 早停机制，连续20个epoch无提升则停止
    )
    return results


if __name__ == "__main__":
    train_yolo12()

在这里插入图片描述
在这里插入图片描述

YOLO（You Only Look Once）是一种目标检测算法，在训练完成后会输出一系列文件，这些文件用于评估模型性能、观察训练过程中的状态等，以下是对图中常见输出文件的解释：

  1. weights 文件夹 通常存放训练好的模型权重文件，可能包含不同训练阶段（比如最后一轮训练得到的权重，以及中间表现最好的权重等 ）的.pt文件。在后续使用模型进行推理、预测目标时，就会加载这个文件夹中的权重文件。

  2. args.yaml 记录了训练时使用的所有参数配置，包括数据集路径、模型架构、训练轮数（epochs）、批量大小（batch size）、学习率、数据增强方式等。它有助于复现训练过程，或者在后续分析时了解训练的具体设置。

  3. 混淆矩阵相关文件 - confusion_matrix.png 和 confusion_matrix_n... ：混淆矩阵是评估分类和目标检测模型性能的重要工具。它展示了模型预测结果与真实标签之间的关系，每一行代表真实类别，每一列代表预测类别。通过混淆矩阵，可以直观地看出模型在不同类别上的分类准确性，以及错分类的情况。 在这里插入图片描述

  4. 性能曲线相关文件

    • F1_curve.png：F1值是精确率（Precision）和召回率（Recall）的调和平均值，F1曲线展示了在不同阈值下模型的F1值变化情况，帮助找到最佳的预测阈值。
    • P_curve.png：精确率曲线，显示了模型预测为正类的样本中，真正正类的比例随某个条件（如置信度阈值）变化的情况。
    • PR_curve.png：精确率 - 召回率曲线，以召回率为横轴，精确率为纵轴，直观展示模型在不同召回率水平下的精确率表现，用于评估模型的性能优劣。
    • R_curve.png：召回率曲线，反映了模型能够正确检测出的正样本占所有正样本的比例随某个条件变化的趋势。 在这里插入图片描述

  5. 标签相关文件

    • labels_correlogram.jpg：可能展示了标签之间的相关性，帮助了解数据集中不同目标类别之间的出现关系，比如某些类别是否经常同时出现等。
    • labels.jpg：可能是数据集中标签分布的可视化文件，比如不同类别目标在数据集中出现的数量统计图表，有助于判断数据集是否存在类别不均衡问题。 在这里插入图片描述

  6. results.csv 和 results.png

    • results.csv：以表格形式记录了训练过程中的各种指标数据，比如每个训练轮次（epoch）的损失值（包括目标检测损失、分类损失等）、验证集上的精确率、召回率、F1值等，方便进行详细的数据对比和分析。
    • results.png：通常是对results.csv中数据的可视化，以折线图等形式展示训练和验证过程中关键指标的变化趋势，便于直观地观察模型的训练效果和是否出现过拟合等情况。在这里插入图片描述

  7. 训练和验证批次相关图片文件

    • train_batch*.jpg：展示了训练过程中部分批次（batch）的图像及其对应的真实标签，通过这些图片可以观察模型在训练时输入数据的样子，以及标注情况是否正确。 在这里插入图片描述
    • val_batch*_labels.jpg 和 val_batch*_pred.jpg：分别展示了验证集上部分批次图像的真实标签和模型预测结果。对比这两种图片，可以直观地评估模型的预测效果，比如查看模型是否正确检测出目标、定位是否准确等。在这里插入图片描述

yolov11-n-C3k2-DBB

训练集用了大概1万7千张

在这里插入图片描述

def train_yolo12():
    # 1. 加载模型配置文件（yolo12.yaml）
    model = YOLO("/mnt/Virgil/YOLO/yolo11-SOD/ultralytics/cfg/models/11/yolo11-C3k2-DBB.yaml")  # 从当前目录加载模型结构

    # 2. 手动加载预训练权重（yolo12n.pt）
    model.load("yolo11l.pt")  # 确保权重文件在当前目录或指定路径

    # 3. 配置训练参数
    results = model.train(
        data="/mnt/Virgil/YOLO/drone_dataset/drone_dataset.yaml",  # 数据集配置文件
        imgsz=640,  # 输入图像尺寸
        epochs=160,  # 训练轮次
        batch=12,  # 批次大小（根据GPU内存调整）
        workers=0,  # 数据加载线程数（设为0避免多线程问题）
        pretrained=False,  # 已手动加载权重，此处设为False
        device='0',  # 指定使用GPU 0（空字符串为自动选择）
        seed=0,  # 随机种子，确保结果可复现
        optimizer='SGD',  # 优化器选择
        amp=False,  # 关闭混合精度训练
        project='runs/C3k2-DBB',  # 训练结果保存项目名
        resume=False,  # 不恢复训练
        name='C3k2-DBB',  # 训练任务名称
#        warmup_epochs=2, # 前2个epoch使用较小学习率预热
        patience=20 # 早停机制，连续20个epoch无提升则停止

    )
    return results

在这里插入图片描述
在testA2000张跑的结果提交得到的分数

在这里插入图片描述
可视化了一下结果，发现非常准，我看都很准但置信度分数score都是0.7左右。
尝试把csv文件中的score列全部调整为1，看看线上测评分数有没有上升。但反而更低了。
在这里插入图片描述
不信邪，把昨天提交的0.8多分数的DBB_result.csv文件重新提交一份，看看分数更低。奇怪了
在这里插入图片描述
这么小的目标都能检测出来，但分数还这么低，why?
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

yolov11-l

同样的数据集训练，但是由于将模型scale从n换成了l，参数量变大很多，之前的配置显存不够用了，就改变了一些超参数。

def train_yolo12():
    # 1. 加载模型配置文件（yolo12.yaml）
    model = YOLO("/mnt/Virgil/YOLO/yolo11-SOD/ultralytics/cfg/models/11/yolo11l.yaml")  # 从当前目录加载模型结构

    # 2. 手动加载预训练权重（yolo12n.pt）
    model.load("yolo11l.pt")  # 确保权重文件在当前目录或指定路径

    # 3. 配置训练参数
    results = model.train(
        data="/mnt/Virgil/YOLO/drone_dataset/drone_dataset.yaml",  # 数据集配置文件
#        imgsz=1280,  # 输入图像尺寸
	   imgsz=640,  # 输入图像尺寸
        epochs=300,  # 训练轮次
        batch=0.8,  # 批次大小（根据GPU内存调整）
        
        workers=0,  # 数据加载线程数（设为0避免多线程问题）
        pretrained=False,  # 已手动加载权重，此处设为False
        device='0',  # 指定使用GPU 0（空字符串为自动选择）
        seed=0,  # 随机种子，确保结果可复现
        optimizer='SGD',  # 优化器选择
        amp=True,  # 混合精度训练
        project='runs/yolo11l_drone',  # 训练结果保存项目名
        resume=False,  # 不恢复训练
        name='yolo11l_drone',  # 训练任务名称
        
        warmup_epochs=2, # 前2个epoch使用较小学习率预热

        patience=15, # 早停机制，连续epoch无提升则停止
        # 数据增强
	   augment=True,  # 启用默认增强组合
	   mosaic=1.0,    # 马赛克增强强度（0-1）
	   mixup=0.2,     # 混合增强概率
    )
    return results

在这里插入图片描述

在这里插入图片描述

yolov11-l-C3k2-DBB

在这里插入图片描述

yolov8l-p2-1280

在这里插入图片描述

import sys
import os

#sys.path.append('.')  # 将当前目录添加到系统路径
from ultralytics.models.yolo.model import YOLO

def train_yolo12():
    # 1. 加载模型配置文件
    model = YOLO("/mnt/Virgil/YOLO/yolov8/ultralytics/cfg/models/v8/yolov8-p2.yaml")  # 从当前目录加载模型结构

    # 2. 手动加载预训练权重
    model.load("yolov8l.pt")  # 确保权重文件在当前目录或指定路径

    # 3. 配置训练参数
    results = model.train(
        data="/mnt/Virgil/YOLO/drone_dataset/drone_dataset.yaml",  # 数据集配置文件
        imgsz=1280,  # 输入图像尺寸
#	   imgsz=640,  # 输入图像尺寸
        epochs=210,  # 训练轮次
        batch=0.8,  # 批次大小（根据GPU内存调整）
        
        workers=0,  # 数据加载线程数（设为0避免多线程问题）
        pretrained=False,  # 已手动加载权重，此处设为False
        device='0',  # 指定使用GPU 0（空字符串为自动选择）
        seed=0,  # 随机种子，确保结果可复现
        optimizer='SGD',  # 优化器选择
        amp=True,  # 混合精度训练
        project='runs/v8l-p2-1280',  # 训练结果保存项目名
        resume=False,  # 恢复训练
        name='v8l-p2-1280',  # 训练任务名称
        
        warmup_epochs=2, # 前2个epoch使用较小学习率预热

        patience=20, # 早停机制，连续epoch无提升则停止
        # 数据增强
	   augment=True,  # 启用默认增强组合
	   mosaic=1.0,    # 马赛克增强强度（0-1）
	   mixup=0.2,     # 混合增强概率
    )
    return results


if __name__ == "__main__":
    train_yolo12()
![请添加图片描述](https://i-blog.csdnimg.cn/direct/700e648a249142a788c57f7646bd355c.png)

训练了10h左右，25epoch，分辨率换成1280后，速度明显满了很多，大概满了有五倍。
请添加图片描述
请添加图片描述
提交结果如下：
在这里插入图片描述

第二天续训。以best为预训练权重，继续训练，数据集把验证集换成了testA补的1000张
在这里插入图片描述

import sys
import os

# 获取ultralytics目录的绝对路径
ultralytics_dir = os.path.abspath("/mnt/Virgil/YOLO/yolov8/ultralytics")
# 将ultralytics目录添加到Python搜索路径
if ultralytics_dir not in sys.path:
    sys.path.insert(0, ultralytics_dir)
    print(f"已添加路径: {ultralytics_dir}")
else:
    print(f"路径已存在: {ultralytics_dir}")

# 验证路径是否生效
print("当前Python搜索路径:")
for path in sys.path:
    print(path)


    

from ultralytics.models.yolo.model import YOLO

def train_yolo():
    # 1. 加载模型配置文件
    model = YOLO("/mnt/Virgil/YOLO/yolov8/ultralytics/cfg/models/v8/yolov8-p2l.yaml")
    
    # 2. 手动加载预训练权重（确保路径正确）
    # 修改：使用绝对路径指定YOLOv8的预训练权重
#    pretrained_weights = "/mnt/Virgil/YOLO/yolov8/yolov8l.pt"  # 需要替换为实际权重文件路径
    pretrained_weights = "/mnt/Virgil/YOLO/yolov8/runs/v8l-p2-1280/v8l-p2-1280/weights/best.pt"  # 指定上次训练的权重
    
    if os.path.exists(pretrained_weights):
        print(f"加载预训练权重: {pretrained_weights}")
        model.load(pretrained_weights)
    else:
        print(f"警告: 预训练权重文件不存在 - {pretrained_weights}")
        print("将使用随机初始化权重")
    
    # 3. 配置训练参数
    results = model.train(
        data="/mnt/Virgil/YOLO/drone_dataset/drone_dataset.yaml",
        imgsz=1280,
        epochs=190,
        batch=0.5,
        workers=0,  # 增加数据加载线程数提高效率
        pretrained=False,  # 已手动加载权重
        device='0',
        seed=0,
        optimizer='SGD',
        amp=True,
        project='runs/v8l-p2-1280',
        
        resume=False,
        name='v8l-p2-1280-续',
#        warmup_epochs=2,
        patience=20,
        augment=True,
        mosaic=1.0,
        mixup=0.2,
    )
    return results

if __name__ == "__main__":
    train_yolo()

训练了8h左右，在testA-补的1000张验证集上效果没有提升。

请添加图片描述
请添加图片描述

Virgil139
关注
综述｜Drones 2024 基于视觉的反无人机综述
我爱计算机视觉
10-18 1215
关注公众号，发现CV技术之美本篇分享论文A Survey on Vision-Based Anti Unmanned Aerial Vehicles Methods，基于视觉的反无人机综述。论文地址：https://www.mdpi.com/2504-446X/8/9/518摘要近年来，由于无人机滥用带来很多问题，许多反无人机方法被引入来解决这些问题。这些方法主要依赖于物理层面，如雷达检测、射频分...
【反无人机目标检测】Vision-based Anti-UAV Detection and Tracking
weixin_44184852的博客
12-12 3939
摘要——无人机在各个领域得到了广泛的应用，其对安全和隐私的侵犯引起了社会的关注。近年来，已经推出了几种用于无人机的检测和跟踪系统，但它们大多基于射频、雷达和其他介质。我们假设计算机视觉领域已经足够成熟，可以检测和跟踪入侵的无人机。因此，我们提出了一个可见光模式数据集，称为大连理工大学反无人机数据集，简称DUT反无人机。它包含一个总共10,000张图像的检测数据集和一个包含20个视频的跟踪数据集，包括短期和长期序列。所有帧和图像都经过精确的手动注释。
视频运动识别市场分析
CobyBryantGiGi的博客
11-30 983
视频运动识别（Video Motion Recognition）是计算机视觉领域中的一项重要任务，广泛应用于安全监控、智能交通、体育分析、娱乐互动等多个领域。以下是视频运动识别技术的应用场景分析，包括每个场景的特点和需求。
物联网无人机：无人机应用实例及分析（基于XBee模块）
weixin_13381789155的博客
11-09 4199
（http://www.bitconn.com/form_1/登记后，购买XBee模块，送USB评估底板及相关中文资料，或者免费申请借用评估套件） 无人机已经存在了很长一段时间，但是看到正在出现的用例是很有趣的，特别是在物联网领域。无人机是有趣的玩具，许多人把它作为一种业余爱好。但随着时间的推移，越来越多的商业和专业无人机正被用于一系列商业应用和关键任务——从体育摄影到科学、研究、军事任务、医疗...
球场比赛中足球识别探讨
jb_mai的专栏
09-18 604
展示了探讨这个AI跟踪运动足球的一些思路与实践
人脸识别国内外现状及发展
热门推荐
喜欢打酱油的老鸟
11-05 1万+
分几个方面分别的论述一下人脸识别的技术和产业发展的相关状况。 第一，人脸识别技术的价值在哪里。我们把人脸作为一个生物学特征，作为一个商业化运用，只是备选的一个方案之一。生物学当中，唯一的判断的标准，其实识别从精准度的角度和不可替代的角度来讲，最精准的是虹膜，但是虹膜的识别采集成本非常高，识别的效率相对不是很高，需要等待的时间。所以这两个条件约束了整个的产业化运用只能局限在相对小众的，对识别要求极...
2024年甘肃省职业院校技能大赛-中职组“无人机操控与维护”赛项-竞赛任务书
君逍遥o
06-28 1608
无人机由于测量仪器变得越来越小，越来越轻，在这些应用场景中变的尤为重要，这些负载仪器设备便可集成到无人机上，通过在无人机上装在高清变焦相机、激光雷达、等设备，对任务区域进行数据快速抓取，有效地执行侦察任务，现有突发场景，需要快速搜索到出现内部燃烧的目标物以及易燃危险物品，为后续的疏散策略起到指导作用。选手根据竞赛设备检查确认单，仔细检查赛位上的设备，并核对数量，核对完成后举手示意，裁判进行签字，签字完成后方可开始无人机装、调、飞赛项竞赛，裁判开始计时。裁判打分完成后， 将任务分数与队员进行确认并双方签字。
【无人机】无人机UAV、穿越机FPV的概念介绍，机型与工具，证书与规定
小哈里的博客
06-04 3503
【无人机】无人机UAV、穿越机FPV的概念介绍，机型与工具，证书与规定 文章目录 1、无人机的定义、概念、技术栈 1.1 无人机的概念 1.2 无人机技术（飞控，动力，通信） 2、无人机机型 2.1 DJI无人机 （航拍） 2.2 穿越机FPV工具 3、无人机证书与管控 3.1 UOM合格证（官方-个人） 3.2 CAAC执照（官方-商用） 3.3 地方飞行规定
【无人机】无人机算法
大雨的博客
08-18 1507
无人机算法将与 5G、物联网、人工智能等前沿技术实现更深度的融合。5G 网络的低延迟、高带宽特性，将使无人机能够实时传输大量的数据，实现更高效的通信和控制。在应急救援中，5G 技术可以让无人机将现场的高清视频和图像实时传输回指挥中心，使救援人员能够及时了解现场情况，做出更准确的决策。同时，物联网技术将为无人机提供更丰富的环境信息，使其能够与周围的设备和系统进行更紧密的交互。在智能工厂中，无人机可以通过物联网与生产线上的设备连接，实时监测设备的运行状态，及时发现故障并进行预警，大大提高了生产效率和设备的可靠性
树莓派与Pixhawk：实时操作系统在无人机控制中的应用分析
[树莓派与Pixhawk：实时操作系统在无人机控制中的应用分析](https://img-blog.csdnimg.cn/img_convert/6a132c712987620c9b01dbdfd0ebbff2.png) # 1. 树莓派与Pixhawk概述 在探索无人机技术的奇妙世界时，我们首先会...
2022年大疆高校合作赛，比赛代码.zip
09-30
【2022年大疆高校合作赛】是一场旨在激发高校学生创新精神和技术实践能力的比赛，参赛者需要通过编程和无人机技术解决实际问题。在本次比赛中，参赛团队提交的代码是他们解决问题的关键所在，因此，了解这些代码的...
【无人机第一人称视频技术】：技术要点与视觉效果深度分析（无人机拍摄艺术）
无人机第一人称视频技术作为新兴的视觉记录手段，结合了先进的视频拍摄、传输和处理技术，为多种应用场景提供了独特的视角和信息获取能力。本文首先概述了无人机第一人称视频技术的基础理论，包括摄像机成像模型、...
【数学建模2025】2025年数学建模国赛A题比赛记录
2403_88610146的博客
09-02 335
本文分享了作者参加2025年全国大学生数学建模竞赛A题的解题过程与经验。作者采用最优控制理论、遗传算法与约束规划等方法，针对无人机烟幕弹投放策略优化问题，提出了五问的解决方案。第一问通过采样目标点建立遮蔽判断模型，得到遮蔽时长1.455秒；第二问采用网格搜索优化四个参数，遮蔽时长提升至4.479秒；第三问将单机单弹扩展为单机多弹，通过遗传算法求解得到6.042秒；第四问优化多机单弹策略，实现25.9秒遮蔽；第五问因变量过多未完成。文章详细介绍了各问的解题思路、数学模型和Python实现，并分享了参考的梯度下
无人机遥控器存储芯片技术要点
YUNZHUO666的博客
11-19 241
例如，FRAM（铁电存储器）具有微秒级的写入速度、近乎无限的擦写次数（高达10万亿次）以及极低的写入功耗，非常适合用于频繁记录关键运行日志和配置参数的场景。MRAM（磁阻随机存储器）则拥有极高的可靠性、快如SRAM的读写速度和10年以上的数据保持能力，甚至能抵御太空级别的辐射干扰，适合用于数据极度敏感或环境极其严苛的高端应用。你可以将FRAM用于需要超高频、小数据量记录的场景（如实时状态、错误码），同时使用高可靠性的SD NAND或eMMC来存储大容量的固件、地图和用户数据。
2025年IEEE TITS SCI2区TOP，具有异质配送与取件服务的多目标多无人机协同路径规划，深度解析+性能实测
Logic_9527的博客
11-19 750
随着电子商务的快速发展，物流服务类型日益多样化。针对城市环境中的物流需求，本文提出了一种由多架无人机与智能快件柜（SPLs）协同作业的物流系统，以为客户提供包裹取件、配送以及城内按需投递服务。不同于传统的取件与配送服务，城内按需投递服务要求无人机从某一客户处取件并配送至另一客户处。为了在具有弹性时间窗的前提下为客户规划合理的服务路线，多无人机协同路径规划问题显得尤为关键。
什么是足球无人机？
beifangqo的博客
11-21 448
摘要：足球无人机是一种将无人机技术与足球运动结合的新型竞技形式，主要包括两种应用：1）无人机足球运动，即通过操控特制无人机在三维空间进行攻防对抗的科技体育赛事，具有教育意义和国际竞赛体系；2）赛事辅助工具，用于足球比赛航拍和灯光表演。其中无人机足球运动是主要发展方向，体现了体育与科技的创新融合。
无人机坐标系转换：从惯性坐标系到本体坐标系的C++实现
最新发布
电脑管家
11-23 40
本文详细介绍了无人机飞控系统中惯性坐标系（NED）与本体坐标系之间的转换方法。首先定义了两个右手坐标系：NED坐标系固定于地面，而本体坐标系固连于无人机。通过欧拉角（滚转、俯仰、航向）和Z-Y-X旋转顺序，推导出完整的旋转矩阵公式。文章提供了C++实现方案，包括数据结构设计、核心转换类以及详细的测试案例，验证了转换的正确性。该方法可应用于风速转换等实际场景，为无人机导航控制提供基础支持。
大疆(DJI)无人机格式化后的恢复方法
CHS实验室
11-21 633
摘要：本文介绍大疆Mini4Pro无人机存储卡格式化后的视频恢复方法。该机型拍摄时会同时生成MP4和LRF两种视频文件，导致文件碎片率高。常规恢复软件因无法重组碎片而失败。通过CHS零壹视频恢复程序高级版，选择"记录仪"扫描模式，成功恢复554条格式化后的视频素材。该方案有效解决了无人机视频碎片化恢复难题，为专业数据恢复提供了可靠方法。
革新传统勘探：视频推流平台EasyDSS无人机推流如何赋能高效安全的地质考察？
EasyDSS官方技术博客
11-21 429
在地质考察这一传统领域，勘探人员常常需要面对崇山峻岭、悬崖峭壁、危险矿区等复杂环境。
基于摄像头识别黑线的飞行器设计与实现
在实际比赛中，参赛队伍不仅要解决摄像头识别黑线的问题，还需完成飞行器的整体建模、姿态解算（常用Mahony或Madgwick算法）、遥控接收、动力分配、电源管理等多个子系统的集成与调试。整个系统属于典型的嵌入式实时...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值