摘要
无人机在获取航空图像方面已被证明非常有效，当配备机载分析工具时，它们可以自动识别感兴趣的对象。用于图像分析的神经网络方法通常需要大量的训练数据集和大量的计算资源。相比之下，算法技术可以使用简单的特征（如像素颜色）来检测对象，从而减少了对大量训练和计算资源的需求。一旦训练完成，这两种类型的系统都可以在短时间内分析图像。在我们的实验中，每种方法都有其独特的优势。基于YOLO的检测器在检测复杂形状的对象（如树木）时更为准确，而基于像素颜色的方法在检测分布较稀疏的对象时表现更好。本文提出了YOLO-C3，这是一种专为无人机机载图像处理设计的混合系统。通过结合基于YOLO和基于像素的方法的优势，YOLO-C3在检测准确性和估计置信度之间取得了平衡。该系统在中地中海地区的图像数据集上进行了训练，优化了其对自然对象（包括柑橘园和树木）的识别能力。为了评估图像分类器的鲁棒性，我们进行了K折交叉验证。与现有模型相比，YOLO-C3能够以高准确率和最低的延迟检测更广泛的自然对象，处理速度达到每张图像0.01秒。通过在本地进行对象检测，无人机可以调整其飞行轨迹以支持紧急响应，帮助绘制安全通道并定位在自然灾害后可能需要救援的人员所在的建筑物。
