图7 四旋翼监测无人机

Alam等人为了减轻无人机机载嵌入式处理器的计算压力，增强YBUT的实用性，提出了一种高性价比的空中监视系统，该系统保留了机载嵌入式处理器Movidius VPU上有限的Tiny-YOLO计算需求，将大型Tiny-YOLO计算任务转移到云端，并保持无人机与云之间的最小通信。与其他最先进的方法相比，该系统在每秒帧数的目标检测处理速度方面快六倍，同时机载嵌入式处理器技术的应用降低了端到端延迟和网络资源消耗（见图8）。

图8 由Alam等人完成系统设计

Doukhi等人使用了配备Nvidia Jetson TX2高性能嵌入式处理器和PID控制器的无人机。然后，他们将YOLOv3算法部署在嵌入式处理器中，利用基于YOLO的目标检测算法直观地引导无人机跟踪检测到的目标，同时使用PID控制器控制无人机飞行。实验结果表明，所提方法仅通过鱼眼相机成功实现了定位和无人机跟踪飞行的视觉SLAM，无需外部定位传感器或引入GPS信号（见图9）。

图9 基于深度学习的运动控制软件架构。图中红色圆圈表示YOLOv3算法中的输入RGB图像，橙色圆圈表示YOLOv3算法的计算过程，蓝色圆圈表示YOLOv3算法检测到的目标和边界框数据

Afifi等人提出了一个用于多场景行人检测的强大框架，该框架使用YOLO-v3物体检测作为骨干检测器（见图10），并在无人机上的Nvidia Jetson TX2嵌入式处理器上运行。来自多个室外行人检测场景的实验结果表明，与YOLOv3算法相比，随着嵌入式处理器计算资源的增加，所提出的检测框架在mAP和FPS方面表现出更好的性能。

图10 行人检测框架的工作流程

YBUT已应用较为成熟的研究领域是输电线路检测、建筑表面检测、动目标跟踪、仪表显示读数、光伏组件检测、建筑识别与分类。根据目前的调查，YBUT在工程领域的应用研究中，研究人员更喜欢传输线检测的方向。在复杂环境中可以准确识别、分类和定位电力线杆、绝缘子、电气元件、配电线杆、输电塔、鸟巢和断路器等物体。例如，Bao等人提出了一种端到端并行混合注意力检测YOLO网络（PMA-YOLO），通过无人机收集传输线减振器数据，然后创建一个数据集来训练和测试模型;结果表明，该模型能够检测异常减振器，准确率为93.8%（见图11）。

图11 PMA-YOLO网络检测异常减振器的实验结果。“生锈”、“有缺陷”和“正常”阻尼器的地面实况框和预测框分别以黄色、红色、蓝色和绿色显示

最近，Alsanad等人提出了一种改进的YOLOv3算法，用于低空空域的小型无人机检测;实验表明，所公开的改进算法模型能够有效检测复杂环境下的低空无人机（见图12），并可成功应用于反无人机研究领域管理低空空域无人机。基于已有研究，该方法进一步提高了YBUT的低空小型无人机探测性能。

图12 改进的YOLOv3无人机检测算法结果

为了进一步管理和约束生活中的各种运输方式，BUT在运输领域进行了多次尝试。例如，Feng等人提出了一种基于YOLOv3的无人机检测方法（见图13）。

图13 基于城市道路视频的车辆检测结果

Omar等人提出了一种基于YOLOv4算法的航拍图像车辆检测方法（见图14）。

图14 （a）无人机采集图像，（b）无人机图像检测结果

城市交通管理应用和城市道路管理都是YBUT技术应用的重要方向。Silva等人设计了一个分布式无人机平台，部署YOLOv4来检测道路损坏（见图15）。

图15 道路损坏检测结果

Zhao等人提出了一种基于YOLOv3的无人机高速公路中心标记检测算法，YOLO-Highway（见图16）。

图16 各种环境条件下道路标志的检测结果

在农业领域，许多棘手的工作已经有了基于YBUT的新解决方案。随着YBUT的不断发展和扩展，现在可以检测大型植物物种中的不同目标和特征，例如在枯树检测，松枯萎病线虫病检测（见图17），松树枯萎病检测，油棕树果实检测和其他任务。

图17（a，b）是患病树木检测区域的原始图像，（c，d）是MobileNetv2-YOLOv4算法检测该区域病树的结果

此外，YBUT还可用于涉及小型植物的分析，例如豌豆和草莓周围的杂草检测（见图18），田间小麦表型监测和番茄发芽器检测。

图18 豌豆作物面积和草莓作物面积的杂草鉴定结果

移动目标，如动物，也可以高精度地检测、分类和计数（见图22）。

图19 使用YOLOv5s改进模型检测驯鹿和梅花鹿的计数

随着无人驾驶概念的增加，某些应用已迅速实现自动化。Kraft等人提出了一种基于YOLOv4的方法，通过使用无人机在公园中定位垃圾。实验结果表明，无人机可以检测垃圾，并且可以在固定区域内收集垃圾位置数据，同时在地图上标记垃圾位置，以便清扫人员查看，以便于清洁（见图20）。

图20 使用 YOLOv4 检测无人机数据集的结果