基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法.利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类.算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实.实验结果表明,该方法平均识别正确率达到93.6％,可以很好地实现船舶识别.     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

基于卷积神经网络的AUV水下识别算法设计与实现

自主式水下机器人(AUV)是应用于复杂海洋环境中的高智能化无人装备,其需要具备良好的环境感知能力进行自主导航,包括水下目标识别能力。随着人工智能的高速发展,卷积神经网络作为图像处理领域的深度学习架构,在图像特征提取和图像识别上有着强大的性能和卓越的优势。本文利用卷积神经网络,实现了自主式水下机器人水下目标的自主识别。同时,通过采用三段式全连接方式和增加卷积层深度的方式对卷积神经网络进行进一步改进,提高了卷积神经网络的训练速度、准确率和泛化能力。     

基于神经网络特征提取的SSA-SVM船舶目标识别方法

运用神经网络图像特征提取联合SSA-SVM分类算法,对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像,以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征,获得4种船舶类型、共5 505 024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法,在种群寻优下获得最佳识别参数,经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明,相比于深度学习的大数据集驱动识别算法,使用AlexNet特征提取的SSASVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别,识别准确率为88.87%、训练时长为1 856 s,满足实用需求,为水上监管提供了可靠的技术支持。     

不同数据集容量下的卷积神经网络图像识别性能

为探究在无法获取充足图像数据样本的前提下,怎样发挥卷积神经网络图像识别的良好性能,针对训练数据集容量与卷积神经网络图像识别性能的关系进行深入研究。首先阐述了机器学习能够学习的条件,并根据VC Dimension理论推导出数据集容量与卷积神经网络参数量的关系,接着构建DigitNet与Cifar10Net网络模型,然后分别在不同容量的手写数字识别数据集及Cifar10数据集上训练模型并检验相应的训练模型的识别正确率,最后分析了实验结果是否符合推导的训练数据集容量与卷积神经网络参数量之间的关系。实验结果表明:卷积神经网络的图像识别性能与数据集容量之间存在着一定的关系,在满足卷积神经网络对数据集容量的最低要求时,卷积神经网络即可获取良好的图像识别性能。因此在无法获取海量数据集的情况下,采用卷积神经网络解决实际问题时,仅需要模型参数量10倍的训练数据容量为下限即可获取性能良好的网络模型。     

基于深度学习的船舶设备信息智能化识别技术

针对船舶设备信息识别问题，提出采用基于深度学习的方法识别船舶设备种类信息。根据船舶设备特点进行图像预处理和图像样本标记，建立卷积神经网络。经训练得到可用于船舶设备信息识别的模型。对模型进行评估，调整网络结构和训练参数，得到准确率达到期望值的船舶设备信息识别模型。经预测和优化得到基于深度学习的船舶设备信息智能化识别模型，可实现船舶设备仓储管理智能化，在较大程度上提升管理效率。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于深度学习网络的舰船识别方法

合成孔径雷达SAR由于穿透力强,可全天候工作,目前在海上目标探测等领域获得了非常广泛的应用,SAR图像的舰船识别技术也成为一项热点研究。本文研究侧重于利用深度学习算法和卷积神经网络,实现海上舰船SAR图像的快速、准确识别。首先介绍深度学习和卷积神经网络的原理,然后基于深度学习网络建立了SAR图像船舶快速识别算法,最后结合海上SAR图像数据进行了舰船识别的仿真试验。     

基于神经网络的船舶红外图像边缘检测方法

本文提出一种基于卷积神经网络的船舶红外图像边缘检测方法。首先,介绍船舶红外探测技术的基本原理,针对船舶红外图像的预处理进行研究,包括灰度的均衡化、红外图像的背景抑制、图像分割等。设计了一个基于卷积神经网络的红外图像边缘检测模型,该模型采用多层卷积和池化操作,以及非线性激活函数,能够有效地捕捉图像中的边缘信息。最后,通过对模型进行训练和优化,得到了准确度较高的船舶红外图像探测算法,为后续船舶的目标识别和跟踪提供了有效的基础。     

图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

深度学习在舰船前方障碍物图像识别中的应用

在舰船前方障碍物图像识别中,传统的图像识别系统漏检概率高、检测性能较差,难以满足舰船安全航行要求.深度学习是一种智能化技术,将其应用到障碍物图像识别中可以提高图像信息筛选、计算和检测效率.本文介绍深度学习中的神经网络模型和卷积神经网络,以及深度学习在舰船前方障碍物图像识别中的检测方法.基于传统深度学习算法的不足,提出改...     

基于YOLO算法的内河船舶检测 与监控实现

随着内河水运的不断发展,内河航运船舶数量不断增多,但是内河船舶AIS设备安装质量参差不齐,这给监管部门掌握区域内航行船舶数量带来困难。同时,随着计算机计算能力的提高与人工智能技术的发展,基于卷积神经网络的图像识别系统有了越来越多的应用。本文提出了使用YOLO实时目标检测技术,实现了对内河中运行的船舶进行实时监控并记录。结果表明,该模型在测试集当中的识别准确率达到97.50%,在实际应用当中拥有识别速度快、实时性较好、准确度较高的优点,拥有较好的应用前景。     

小波分解和多尺度形态学的舰船图像自动识别

传统舰船图像识别方法仅支持单一识别算法运算,导致不同图像识别特征差异化区域的识别感知系数降低,直接影响自动识别准确率。为了保证不同算法在融合过程中的相互独立与统一,提出小波分解和多尺度形态学的舰船图像自动识别。对图像识别滤波器进行多尺度形态优化,使其适应差异化特征图像;利用小波分解算法,计算得到图像特征区域熵;根据识别特征熵,对识别图像特征进行提取。最后通过特征的多尺度对比,完成图像自动识别计算。通过与传统单一算法的图像识别方法对比证明,在相同时间内,提出方法的识别准确率最高,并可将识别准确率控制在98%以上。     

数据挖掘在无人船舶目标图像识别中的应用

为了缩短无人船舶目标图像的识别时间,提高目标图像的质量,提出了数据挖掘在无人船舶目标图像识别中的应用。利用数据挖掘技术确定无人船舶目标图像的阈值,根据目标图像的阈值误差分割了目标图像,采用图像边缘点提取公式将图像边缘点连接成线,提取出目标图像的外轮廓,完成无人船舶目标图像的预处理;通过目标图像识别算法的改进设计,得到了目标图像的识别流程,实现了数据挖掘在无人船舶目标图像的识别中的应用研究。仿真实验结果表明,数据挖掘在无人船舶目标图像识别方法与基于航拍技术的目标图像识别方法相比,目标图像的识别时间缩短了35.1%。     

基于机器学习的复杂光照条件下的河道船舶自动识别算法

随着大数据时代的到来,尤其是在图像识别领域深度学习理论得到了迅速的发展和应用。与经典的主成分分析（PCA）等识别算法相比较,深度学习算法具有识别率高,鲁棒性强。基于卷积神经网络（CNN）原理,提出了一种在复杂环境条件下基于现场可编程门阵列（FPGA）的实时船舶识别算法,该方法提高了库区复杂环境条件下船舶自动识别的速度和准确性。该识别算法基于全面多节点的FPGA构建,实现船舶快速自动监测的目的。测试结果表明,该方法识别速度已达到360帧每秒（FPS）的传输速度,远远超过现有结果。识别率为85%。此外,该算法针对库区复杂光照环境具有很好的鲁棒性。     

基于PCA与BP神经网络的危险化学品船舶识别

对危险化学品船舶进行识别有利于保障海上航道安全和维护海洋生态环境。本文通过PCA算法进行危险化学品船舶的特征提取,并且测试集和训练集样本都投影到特征空间中,利用BP神经网络进行分类识别。最后进行BP神经网络分类器中不同阈值和不同隐层数量的仿真实验。     

高分辨率遥感船舶图像细粒度检测方法

船舶图像细粒度检测是高分辨遥感图像分析的难题,受船舶尺寸、陆地背景、光照、风浪等因素影响,易降低图像检测的准确性.为克服船舶目标识别的影响因素,针对不同类型和型号的船舶目标检测建起特征提取算法模型,提升最终的识别精度.本文提出一种基于深度学习的船舶图像细粒度检测方法,将深度学习算法应用到高分辨率遥感图像中,借助算法训练...     

基于红外图像的海上船舶特征识别算法研究

传统海上船舶特征识别算法受到可见光强弱的影响,在暗光条件下对船舶图像识别能力远远不如白天,加之船舶搜救等应用场景多为夜晚。因此,提出基于红外图像的海上船舶特征识别算法研究。首先,基于红外图像识别算法,将红外识别与可见光参量进行高精度融合计算;其次,对融合后的红外识别特征参量进行增强计算;最后,通过粒子群算法对大场景中的目标进行特征绑定,从而实现暗光条件下快速准确识别船舶特征的效果。通过实验对提出算法进行测试对比,证明提出算法在暗光条件下对船舶特征的识别能力高于传统识别算法。