云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

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。     

基于红外图像的耐腐蚀船舶材料表面缺陷识别研究

船舶耐腐蚀材料长期受海水侵蚀会出现不同程度的腐蚀现象,为更好地维护船舶组件,研究基于红外图像的耐腐蚀船舶材料表面缺陷识别方法。该方法通过设计超声红外图像检测装置,利用该装置采集耐腐蚀船舶材料表面红外图像后,分别使用双边滤波器和自适应边缘补偿方法对耐腐蚀船舶材料表面红外图像进行去噪和边缘增强处理,并以处理后的耐腐蚀船舶材料表面红外图像为基础,使用小波变换方法得到耐腐蚀船舶材料表面缺陷边缘集合点和缺陷位置,实现耐腐蚀船舶材料表面缺陷识别。研究结果表明,该方法具备较强的耐腐蚀船舶材料表面红外图像降噪和边缘增强能力,并可有效识别大小不同的耐腐蚀船舶材料表面缺陷,应用效果较佳。     

有效保留图像细节的自适应图像消噪方法

采用小波图像降噪方法容易去除图像的边缘细节特征,导致关键信息丢失,提出一种有效保留图像细节的自适应图像消噪方法。采用局部二值拟合方法对图像进行二值化处理,提取图像的边缘轮廓特征并进行多尺度分割,采用局部区域梯度模特征匹配方法调整邻域的大小,对图像进行全局分割,从而有效保留了图像的细节特征,在此基础上利用变尺度的小波降噪方法实现图像自适应降噪。仿真结果表明,采用该方法进行图像消噪能有效保留图像细节特征,图像消噪输出的峰值信噪比较高,说明图像质量较好,性能优越。     

噪声干扰下船舶遥感图像的目标边缘检测方法

目前边缘检测方法根据图像极值点筛选图像边缘点,导致检测到的边缘图像不清晰,平均能量值偏低,提出噪声干扰下船舶遥感图像的目标边缘检测方法。采用频域Fourier变换去除图像噪声;选择Canny算子,设计目标边缘检测流程;平滑去噪图像,根据图像边缘梯度极大值点,筛选图像目标边缘点,分割图像目标和背景,实现目标边缘检测。实验结果表明,在1%和10%梯度下的校验噪声模拟的噪声干扰下船舶遥感图像中,研究方法相较此次实验选择的方法,检测到的目标边缘图像平均能量值高。     

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。     

强风浪下基于遥感图像的海上船舶定位方法

为了提高海上船舶的强风浪下定位性能,提出基于遥感图像特征提取的强风浪下海上船舶定位方法。采用遥感探测方法进行船舶图像采集,对采集的强风浪下海上船舶遥感图像进行降噪处理,采用多尺度小波分解方法进行船舶遥感图像的块分割,实现对船舶遥感图像的边缘轮廓特征提取,根据船舶遥感图像的边缘轮廓特征进行海上船舶跟踪定位,实现强风浪下海上船舶遥感图像的融合跟踪和定位识别。仿真结果表明,采用该方法进行海上船舶定位的准确度较高,输出图像的质量较好,提高了船舶定位识别的鲁棒性。     

船舶运动图像快速位移补偿方法

为了提高船舶运动成像的电子稳像能力,进行运动图像位移补偿处理,提出基于相邻帧多尺度补偿的船舶运动图像快速位移补偿方法,对采集的原始船舶运动图像采用小波降噪方法进行图像降噪处理,对降噪的船舶运动图像进行多尺度的经验模态分解,结合运动图像相邻帧的像素特征进行电子稳像补偿,根据电子稳像输出结果进行图像位移的快速补偿,提高船舶运动图像的成像质量。仿真结果表明,采用该方法进行船舶运动图像位移补偿,对运动帧的连续成像效果较好,输出图像的峰值信噪比较高,表明对船舶运动图像的成像质量较高,能克服快速位移对运动图像成像质量的影响。     

基于BP神经网络的船舶企业员工综合评价模型

为了保障船舶工业企业内部对其员工的使用管理和评价上的客观性和准确性,提出基于BP神经网络的综合评价方法,在建立了员工评价的指标体系基础上建立了基于BP神经网络的评价模型,将评价员工综合素质的指标值作为模型的输入量,评价结果作为模型输出量,用样本对神经网络进行训练,利用收集的中国船舶工业集团某造船企业管理执行层员工信息,使用MATLAB对模型进行模拟仿真训练,用验证样本对评价模型检测,检测结果是仿真输出与期望输入基本一致,说明网络合理,评价模型能够较好对船舶企业员工的综合素质进行评价.     

基于卷积神经网络的舰船图像边缘检测算法

为合理分布舰船行驶图像卷基层结构中的边缘化网络参数,设计基于卷积神经网络的舰船图像边缘检测算法。按照图像数据特征可视化处理依据,设定必要的神经动量值,完成基础卷积神经网络设计。在此基础上,命名舰船图像节点,再以基本边缘数据结构连接原理为参照,配置检测链接库,实现舰船图像边缘检测算法的顺利应用。对比实验结果,与理论检测手段相比,应用舰船图像边缘检测算法后,最大化网络参数值达到9.0×1015 T,图像边缘化检测覆盖率超过80%,舰船行驶图像卷基层结构中的边缘化网络参数达到理想化分布状态。     

船舶视觉图像优化检测方法研究

对海域的船舶进行智能图像监控是一项很重要的技术,但该技术容易受到海上背景光线变化、遮挡阴影区域及小范围船舶聚集等因素的干扰,导致当前基于智能视觉的船舶检测在背景更换的阀值判断上存在较大缺陷。本文提出改进的基于智能图像处理的船舶快速检测方法,通过差分运算、阈值生成、二值化、去噪和形态学处理等操作对获取的智能图像进行预处理,依据经预处理后二值图像,引入异常比率的概念对所监控图像范围的船舶状态进行判断,以动态阈值和静态阈值的联系,判断是否需要更换背景的条件,实现高精度船舶图像检测。仿真实验结果表明,所提方法能够准确地对船舶图像进行检测,具有较高的检测精度。     

基于BP神经网络的船舶网络安全状态评价

船舶网络是一种特殊的移动网络,面临巨大的安全隐患,传统线性船舶网络安全状态评价的偏差大,结果极不科学。为改善船舶网络安全状态评价效果,设计了基于BP神经网络的船舶网络安全状态评价方法。该方法首先分析船舶网络安全状态评价影响因素,采集船舶网络安全状态评价数据,然后将影响因素和船舶网络安全状态评价分别作为BP神经网络的输入和输出,通过BP神经网络学习,对船舶网络安全状态进行评价,最后采用VC编程实现了船舶网络安全状态评价仿真实验,结果显示BP神经网络可以区分各种船舶网络安全状态,评价准确性得到大幅度改善,同时提升了船舶网络安全状态评价效率,可以有效保证船舶网络安全。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

模拟退火法下交互式舰船红外图像斑点抑制

针对传统方法下舰船红外图像边缘特征识别结果不精准,导致斑点抑制效果较差的问题,提出了模拟退火法的交互式舰船红外图像斑点抑制方法。建立交互舰船红外图像斑点噪声模型,使用Radon变换方法处理模型数据。构造邻域结构模型,补充残缺结构特征,根据设定的模拟退火参数,获取处理后的数据识别图像边缘特征。根据图像边缘线条走向,确定图像区域特征,输出消除斑点的舰船红外图像。由实验结果可知,该方法能够消除全部斑点,并精准识别出图像边缘。     

遗传算法和神经网络在船舶柴油机故障诊断中的应用

为提高船舶柴油机故障诊断的精度,以及改善神经网络收敛速度慢,易陷入局部最优解的情况。提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,并将其应用于船舶柴油机故障诊断中,改进的方法优化了神经网络的隐节点、宽度参数以及中心向量,用最小二乘法训练网络隐层到输出层的权值。最后在Matlab仿真软件下,对船舶柴油机故障诊断模型进行仿真实验。实验证明,自适应遗传算法优化的RBF神经网络,诊断速度快,诊断精度高,收敛效果好,能较好地应用在船舶柴油机的状态监测和故障诊断中。     

改进小波变换的船舶射频信号降噪和识别

针对船舶射频信号受通信环境因素及硬件多源噪声的广泛复合因素影响而包含多种频段的噪声,在实时检测中造成有效信号检测率低、误差大的问题,本文设计一种船舶射频信号噪声降噪和识别的软硬件结合的仿真系统。将获取到的船舶射频信号经A/D转换电路转换后,在小波抑制模块分解得到小波系数,并采用改进阈值小波滤波后重构信号,送入信号识别模块利用概率神经网络进行识别。实验结果表明：本文提出的降噪识别方法能够有效地降低信噪比,提升船舶射频信号的识别率,可以应用到实际的船舶射频信号的检测系统中。     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。     

基于改进YOLOv5的船体焊缝缺陷自动检测方法

为解决采用人工手段检测船体焊缝速度慢、准确度低的问题,提出基于改进YOLOv5的船体焊缝缺陷自动检测方法。利用相机采集船体焊缝图像,使用正弦灰度变换对焊缝图像进行处理,避免焊缝图像特征消失,提高正常焊缝与存在缺陷焊缝间的对比度,将处理后焊缝图像作为YOLOv5网络的输入样本,经网络Backbone、Neck以及Head部分处理,输出焊缝缺陷自动检测结果,并使用Ghost Net替换YOLOv5网络主体部分的一般卷积层（CBS）,降低网络进行船体焊缝缺陷检测的计算量和资源消耗量。实验结果表明,采用正弦灰度变换后的图像更加清晰,可突出显示焊缝缺陷特征,提升焊缝缺陷检测结果精准。改进后网络训练损失函数为0.15,平均准确率为98%,可实现不同焊缝位置的缺陷检测。     

基于神经网络的水下机器人推进器故障诊断

为提高水下机器人系统的总体可靠性,开展了推进器故障诊断研究。在三层BP神经网络的基础上,提出了一种改进的递归神经网络并推导了网络的训练算法。利用直航、转艏等试验对网络进行训练,将训练好的网络用于水下机器人运动建模,对比模型的输出与实际传感器测量值来获取残差,通过分析残差特性来提取故障诊断判据,进而进行推进器故障诊断。将提出的方法应用到仿真试验和海上试验中,得出了相应的试验结果。通过对试验结果的分析研究,验证了方法的有效性与可行性,同时也表明该方法在工程应用方面具有一定的参考意义。     

基于视觉传达技术的船舶图像中弱小目标检测方法

为及时发现和跟踪小型渔船、救生艇等弱小目标,提高海上救援和应急响应的效率和准确性,研究基于视觉传达技术的船舶图像中弱小目标检测方法。通过中值滤波算法去除船舶图像中的噪声,改善船舶图像质量,将去噪后的船舶图像应用于基于门限直方图均衡的船舶图像增强方法中,在该方法处理下,增强船舶图像对比度;之后利用视觉传达技术,对船舶图像中的弱小目标亮度进行调整,并根据亮度调整结果分割目标边缘,从而实现弱小目标检测。经实验验证,该方法可在保证图像边缘清晰的情况下实现图像去噪与增强,提高了船舶图像质量,同时该方法具有较高的背景抑制因子与信杂比率增益,在检测过程中可有效分割弱小目标与背景,实现良好的弱小目标检测。