一、无人机的研究背景
无人机技术的发展经历了从最初的遥控靶机到现代多功能无人机的转变。随着电子技术、通信技术、导航技术以及人工智能技术的进步，无人机的性能得到了显著提升，应用领域也不断拓展。特别是在AI技术的加持下，无人机的自主飞行能力、智能决策能力以及数据处理能力都有了质的飞跃。
二、无人机的应用：
在AI时代，无人机的应用领域得到了极大的扩展，技术的进步使得无人机在多个行业中发挥着越来越重要的作用。以下是无人机在AI时代的一些主要应用：
1、农业监测与植保：无人机可以搭载多光谱传感器，进行作物生长状况监测、病虫害检测和土地测绘。结合AI技术，无人机可以自动规划航线，进行精准喷洒农药和施肥，提高农业生产效率和作物产量。例如，大疆的MG系列农业植保无人机就是专门为农业应用设计的 。
2、物流与配送：在物流领域，无人机可以用于快递和货物的配送，尤其是在偏远地区或交通不便的地方，无人机可以提供快速的配送服务。AI技术的应用使得无人机能够自主规划最佳航线，避开障碍物，确保配送的安全性和准确性。
3、航拍与遥感测绘：无人机搭载高清摄像头，可以进行地理测绘、环境监测和建筑规划等工作。AI技术可以帮助无人机自动拼接图片，生成高精度的地图和三维模型，提高测绘的效率和精度。
4、应急救援与灾害评估：在自然灾害发生时，无人机可以快速进入灾区进行航拍，评估灾害情况，为救援行动提供决策支持。AI技术可以帮助无人机识别受灾区域和受困人员，提高救援的效率和准确性。
5、巡检与监控：无人机可以用于电力线路、输油管道等关键基础设施的巡检工作。AI技术可以帮助无人机识别异常情况，如线路损坏或非法入侵，及时通知管理人员进行处理。
6、交通管理：无人机可以在交通拥堵或事故现场进行空中监控，提供实时的交通信息，帮助交通管理部门进行有效的交通调度和管理。
7、科研与探索：无人机可以用于环境研究、野生动物监测等科研活动。AI技术可以帮助无人机在复杂环境中进行自主飞行，收集和分析数据，为科学研究提供支持。
随着技术的不断发展，无人机的应用领域还在不断扩展，AI技术的应用使得无人机更加智能化、自主化，为各行各业提供了更多的便利和可能性。
数据集：HazyDet|无人机数据集|物体检测数据集
-
创建时间：2024-09-30
-
数据集介绍：HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。
数据集：PDT Dataset|无人机技术数据集|农业应用数据集
-
创建时间：2024-09-24
-
数据集介绍：PDT数据集是由山东计算机科学中心（国家超级计算济南中心）和齐鲁工业大学（山东省科学院）联合开发的无人机目标检测数据集，专门用于检测树木病虫害。该数据集包含高分辨率和低分辨率两种版本，共计5775张图像，涵盖了健康和受病虫害影响的松树图像。数据集的创建过程包括实地采集、数据预处理和人工标注，旨在为无人机在农业中的精准喷洒提供高精度的目标检测支持。PDT数据集的应用领域主要集中在农业无人机技术，旨在提高无人机在植物保护中的目标识别精度，解决传统检测模型在实际应用中的不足。
数据集：HIT-UAV|无人机数据集|红外热成像数据集
-
创建时间：2024-09-24
-
数据集介绍：HIT-UAV数据集包含2898张红外热成像图像，这些图像从43,470帧无人机拍摄的画面中提取。数据集涵盖了多种场景，如学校、停车场、道路和游乐场，在不同的光照条件下，包括白天和夜晚。
数据集：car_augm|目标检测数据集|无人机数据集
-
创建时间：2024-09-12
-
数据集介绍：该数据集专注于单一类别的目标检测，具体为"坦克"。通过这一数据集的构建与应用，旨在提升无人机在复杂环境中对坦克目标的识别与定位能力。数据集的构建包括了多种数据增强技术，以确保模型在训练过程中能够接触到丰富多样的坦克图像。
数据集：FIReStereo|无人机数据集|深度感知数据集
-
创建时间：2024-09-12
-
数据集介绍：FIReStereo数据集由卡内基梅隆大学的研究团队创建，旨在为无人机的深度感知提供支持，特别是在视觉受损的环境中。该数据集包含204,594对立体红外图像，以及LiDAR、IMU和地面真值深度图，采集于城市和森林环境中，涵盖了白天、夜晚、雨天和烟雾等多种条件。数据集的创建过程包括在不同环境中进行数据采集，并使用Faster-LIO算法进行深度图的密集化处理。该数据集主要应用于灾难场景中的机器人感知，帮助无人机在烟雾等视觉受损环境中进行探索和操作。
数据集：SUG-UAV Multirotor Dataset|无人机数据集|多传感器集成数据集
-
创建时间：2024-08-28
-
数据集介绍：该无人机数据集旨在支持无人机研究，如高精度定位和动态校准。数据集分为两类，分别适用于不同的研究需求。第一类数据集包含室内运动捕捉室收集的视觉、惯性和电机编码器信息，提供由运动捕捉生成的准确地面真实数据，适用于研究无人机动力学模型。另一类数据集在多种复杂户外场景中收集，使用多传感器融合定位算法生成高精度地面真实轨迹，适用于无人机定位和复杂环境中的场景重建研究。总共提供了9个序列的数据集，每个序列的原始测量时间戳都经过良好同步和精确校准。
数据集：UAV-CD|无人机图像数据集|变化检测数据集
-
创建时间：2024-08-26
-
数据集介绍：UAV-CD数据集包含2,660对768×768像素的无人机光学图像，空间分辨率为0.06米。数据集主要涉及建筑物的增加和拆除，并进一步通过增加土地变化来丰富样本的多样性。
数据集：UAV visual location (CDC)|无人机数据集|视觉定位数据集
-
创建时间：2024-08-23
-
数据集介绍：城市公园无人机俯拍原始数据
数据集：Leandro4002/LEANDRONE_V2|无人机视觉数据集|自主导航数据集
-
更新时间：2024-07-07
-
数据集介绍：LEANDRONE_V2数据集包含2000张标记的黑白图像，模拟安装在Crazyflie 2.1纳米无人机上的Bitcraze AI deck 1.1前摄像头的拍摄。图像分辨率为320x320像素，距离地面约20-30厘米。该数据集用于开发自主跟随线的无人机机器学习模型，并辅助计算赛道上的瓶子数量。图像包含随机变化的线条、瓶子数量和位置，共有50次迭代，每次迭代包含40张图像。数据集还包括labels.json文件，记录每次迭代中的瓶子数量和线条方向角度。
数据集：HUVER|无人机数据集|多模态数据数据集
-
创建时间：2024-07-02
-
数据集介绍：HUVER数据集包含6,051个独特的无人机配置，每个配置通过多种格式描述，包括语法字符串、RGB图像和GLB文件。此外，每个配置还附带一个英文文本描述符，用自然语言详细描述无人机的特征。该数据集支持图像到文本、图像到3D和特征提取等多种任务，由Abhiram Karri、Gary Stump、Christopher McComb和Binyang Song策划，并采用MIT许可证。
数据集：Varanasi-Drone-Photos|无人机图像数据集|地理信息数据集
-
更新时间：2024-07-01
-
链接地址：无人机图像数据集|地理信息数据集
-
数据集介绍：该数据集包含无人机拍摄的印度瓦拉纳西市巴纳拉斯印度教大学校园的图像，标签涵盖图像、无人机、印度、IIT、巴纳拉斯、瓦拉纳西和DJI，图像数量在1千到1万张之间。
数据集：Multispectral-Weed-Detection-WA|精准农业数据集|无人机应用数据集
-
创建时间：2024-06-30
-
数据集介绍：该数据集专为西澳大利亚的精确杂草检测而定制，结合了无人机技术、辐射校准和先进的图像处理技术，以适应独特的地理条件。
数据集：Semantic Drone Dataset|无人机数据集|语义分析数据集
-
创建时间：2024-06-20
-
数据集介绍：该数据集专注于城市场景的语义理解，用于提高自主无人机飞行和着陆过程的安全性。数据集包含超过20个房屋的鸟瞰图，图像大小为400x600，由高分辨率相机在5至30米的高度拍摄。
数据集：DroneVehicle 大规模无人机航拍车辆检测数据集
-
创建时间：2024-06-18
-
数据集介绍：DroneVehicle 数据集由无人机采集的共 56,878 幅图像组成，其中一半为 RGB 图像，其余为红外图像。研究团队对五个类别进行了带有方向性边界框的丰富标注。其中，car 在 RGB 图像中有 389,779 个标注，在红外图像中有 428,086 个标注；truck 在 RGB 图像中有 22,123 个标注，在红外图像中有 25,960 个标注；bus 在 RGB 图像中有 15,333 个标注，在红外图像中有 16,590 个标注；van 在 RGB 图像中有 11,935 个标注，在红外图像中有 12,708 个标注；freight car 在 RGB 图像中有 13,400 个标注，在红外图像中有 17,173 个标注。此数据集可在下载页面获取。
数据集：WildBe|无人机图像数据集|对象检测数据集
-
创建时间：2024-06-07
-
数据集介绍：WildBe数据集是首个使用无人机在芬兰森林和泥炭地拍摄的野生浆果图像数据集。该数据集包含3,516张图像，总计18,468个标注的边界框，涵盖多种浆果类型，如越橘、云莓、越橘和乌饭树莓。数据集用于对象检测任务，特别关注在复杂环境和光照变化下的图像。
数据集：Drone-type dataset|无人机检测数据集|无人机类型识别数据集
-
创建时间：2024-05-17
-
数据集介绍：Drone-type数据集是由卡塔尔的Supreme Committee for Delivery and Legacy (SC)支持的研究团队创建，旨在为无人机检测和跟踪提供一个基准。该数据集包含7000张图像，涵盖了七种不同类型的无人机，图像来自YouTube视频，具有不同尺度和视野。数据集的创建过程包括从视频中提取图像并手动进行边界框标注。该数据集主要应用于无人机检测领域，旨在解决无人机类型识别的问题，提高检测系统的准确性和效率。
数据集：UAV-VisLoc - 用于无人机视觉定位的大规模数据集
-
创建时间：2024-05-16
-
数据集介绍：UAV-VisLoc数据集由北京邮电大学、中科院和香港城市大学联合构建，旨在解决无人机在失去全球导航卫星系统信号时的精确定位问题。该数据集涵盖了中国11个不同地点的无人机图像，捕获了多样化的地形特征，包括固定翼无人机和多地形无人机在不同高度和方向上拍摄的6742张图像以及11幅卫星地图。每张图像均附有经纬度、高度、拍摄日期和航向角等元数据，为模型的训练与测试提供了丰富多元的数据支持。UAV-VisLoc数据集用于支持无人机视觉定位任务，为无人机视觉定位任务提供了训练和测试样本，通过匹配无人机拍摄的地面向下视角图像与正射卫星地图，实现无人机的自主视觉定位。
数据集：Voxel51/VisDrone2019-DET|无人机视觉数据集|目标检测数据集
-
更新时间：2024-05-03
-
数据集介绍：VisDrone2019-DET数据集是一个由天津大学机器学习和数据挖掘实验室AISKYEYE团队创建的对象检测数据集，包含8629个样本。该数据集专为无人机图像和视频分析设计，涵盖了训练、验证和测试三个分割。数据集使用CC-BY-SA-3.0许可证，主要语言为英语。此外，数据集还提供了与FiftyOne平台相关的安装和使用指南。
数据集：Timdb/AE4317-cyberzoo-tudelft|无人机数据集|图像识别数据集
-
更新时间：2024-04-29
-
数据集介绍：该数据集包含在Delft University of Technology的Cyberzoo中拍摄的图像，包括82%的真实图像和18%的模拟器图像。数据集用于训练微型无人机在Cyberzoo环境中的障碍物避免，通过单眼深度图生成的标签进行标注。数据集分为训练集（90%）和测试集（10%），每张图像的元数据中嵌入了标签，指示无人机应旋转或飞行的方向。
数据集：Leandro4002/LEANDRONE_V1|无人机数据集|机器学习数据集
-
创建时间：2024-04-15
-
链接地址：无人机数据集|机器学习数据集
-
数据集介绍：LEANDRONE_V1数据集包含500张带标签的图像，旨在模拟安装在Crazyflie 2.1纳米无人机上的Bitcraze AI deck 1.1前摄像头的拍摄照片。该数据集用于创建自主跟随线的无人机机器学习模型。每张图像都标有名为"from"和"to"的两个点，指示前进方向的线。图像具有随机的相机角度、线路路径、光线位置和家具布置的变化。
数据集：imageomics/KABR-telemetry|无人机遥测数据集|动物行为识别数据集
-
更新时间：2024-04-02
-
数据集介绍：此数据集包含与KABR数据集相关的无人机遥测数据，提供无人机在执行野生动物行为收集任务期间的状态信息，包括位置、高度以及野生动物在画面中的边界框尺寸和行为注释信息。数据于2023年1月在肯尼亚的Laikipia的Mpala研究中心收集，使用DJI Mavic Air 2无人机和AirData处理DJI遥测文件。
数据集：YOLO Drone Detection Dataset|无人机检测数据集|YOLO数据集
-
创建时间：2024-02-13
-
数据集介绍：为了促进无人机检测模型的开发和评估，我们引入了一个新颖且全面的数据集，专门为训练和测试无人机检测算法而设计。该数据集来源于Kaggle上的公开数据集，包含在各种环境和摄像机视角下捕获的多样化的带注释图像。数据集包括无人机实例以及其他常见对象，以实现强大的检测和分类。
数据集：RF-based Drone Detection Enhancement |无人机检测数据集|射频技术
-
创建时间：2024-01-29
-
链接地址：|无人机检测数据集|射频技术数据集
-
数据集介绍：该数据集使用DJI Phantom4在城市环境中收集无人机信号。接收天线阵列为6元素均匀圆阵，采样率为60 Msps。阵列与无人机之间的距离从100米到1000米，间隔100米。每个样本包含6个阵元上的接收信号，每个阵元上的接收信号有7.5 × 10^5个时间快照。
数据集：Ballast Water Tank Dataset|船舶检查数据集|无人机监测数据集
-
创建时间：2024-01-25
-
数据集介绍：该数据集是从三艘船的压载水舱中收集的，使用RMF-Owl无人机和手持传感器Mjolnir进行数据采集。数据集包括自主探索和检查任务的飞行数据，以及额外的手动飞行数据。