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水下识别系统

为实现自主式水下机器人(Autonomous Underwater Vehicle, AUV)水下自主识别,搭建AUV硬件系统。通过OpenCV和Tensorflow,在LeNet-5卷积神经网络的基础上,利用13层卷积神经网络进行100次迭代训练试验。结果表明,该基于卷积神经网络的AUV水下识别系统的水下目标识别准确率能达到99.18%,能实现AUV对水下目标的自主识别。     

水下机器人作业目标控制和目标识别

自主式水下机器人（ＡＵＶ）具有自主导航、自主避碰和自主作业能力，自主作业是水下机器人实现智能化的关键技术。本文着重叙述ＡＵＶ对特定作业－“水下目标探测与识别”的作业控制和实现过程，叙述水下三维目标的识别机理和识别算法以及为正确识别目标提供最佳条件的预处理、硬件系统和实时处理功能。最后给出试验结果，说明作业目标控制过程和识别算法具有实时性、高效率和可靠性。     

水下机器人光视觉信息获取及处理算法

自主式水下机器人（ＡＵＶ）具有自主导航、自主避碰和自主作业能力，光视觉信息获取与处理算法是ＡＵＶ进行水下作业的重要内容和关键技术。本文着重叙述水下三维目标信息的获取过程和图象常用算法，最后给出试验结果，以说明研究工作的有效性和成果的实用性。     

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。     

基于水下三维目标识别的视觉系统

基于水下三维目标识别的视觉系统是水下机器人实现水下自主作业和智能化的关键技术。本文叙述水下三维目标的识别机理和识别算法以及为正确识别目标提供最佳条件的前处理，硬件系统和实时处理功能，最后给出试验结果，说明识别系统的高效率与可靠性。     

自主式水下机器人最优路径规划问题的研究

路径规划是水下机器人实现自主航行的重要环节。根据自主式水下机器人的动力学性质，路径规划的特点以及实现智能行为的要求，采用基于案例的遗传算法，实现了自主式水下机器人最优路径规划。给出该方案的基本框架和算法，在基于案例类比的学习方法中引入模糊多属性综合决策的方法建立决策算子进行案例的匹配，在遗传算法中实际知识的指导，适当地改进遗传算子，加快搜索速度。仿真结果证明该路径规划方法能够取得较好的规划结果，使自主式水下机器人具有了一定的自主导航，自主避障和自主作业的能力。     

长短时记忆网络水下目标噪声智能识别方法

未来基于水下无人平台的水声目标探测体系要求平台自身具备目标智能化识别能力,而传统水下目标噪声识别方法需要人工提取泛化能力强的特征数据,且识别过程具有较强的人机交互特性,无法满足这一要求。针对这一问题,本文研究一种基于长短时记忆网络(LSTM)的水下目标噪声智能识别方法,借助深度学习自主学习数据特征的能力,应用长短时记忆网络(LSTM)分别对水下目标噪声的时域时间序列数据、频谱数据、梅尔倒谱(MFCC)数据进行深层次特征提取与识别,并使用实际水声目标噪声信号对该方法进行了验证。结果表明,在上述3种输入数据情况下,采用LSTM长短时记忆模型均能有效实现水下目标噪声特征提取与智能识别。     

深度学习在目标识别中的应用研究

深度学习是一种基于数据技术和图像技术的新兴机器学习技术,目前深度学习技术在社会发展建设中起到了越来越重要的作用。深度学习是建立在信息神经网络、卷积理论等先进科学技术理论基础上的,加强了机器深度学习的可靠性和准确性。本文通过对深度学习在目标识别中的应用进行深入研究和探讨,旨在为我国目标识别领域提供新的思路和途径,从而提高我国目标识别技术水平。     

基于神经动力学的水下目标观测路径规划

针对水下工程应用中的自治水下机器人目标观测的路径需求问题,提出基于生物启发神经动力学的路径规划方法,在二维栅格地图的基础上,建立二维生物启发神经网络模型,引入来自目标观测任务区域的激励信号和障碍物的抑制信号,任务区域能够全局地吸引机器人,障碍物对机器人具有局部排斥作用,从而使得机器人能够近距离观测目标。仿真结果表明,在未知的动态水下环境中,机器人能够有效规避障碍物,自主规划出目标观测路径和返航路径。     

基于深度神经网络的船舶图像识别检索研究

对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。     

基于目标规划的水下机器人模糊神经网络控制

针对水下机器人运动的精确控制问题,依据模糊逻辑和神经网络理论,提出了一种基于目标规划的模糊神经网络控制方法。根据水下机器人的运动特性构造了模糊神经网络的结构,并推导了网络权值学习的反传算法,最后以水下综合探测机器人为研究对象进行了试验研究。试验研究的结果表明,该方法结合了传统模糊控制和神经网络控制的优点,大大地提高了系统响应速度和控制精度,并且对模型的不确定性有较强的鲁棒性,能够实现水下机器人运动的精确控制,具有较高的理论和实用价值。     

基于联合神经网络的水声目标识别方法

为了改善传统的单一识别网络难以充分考虑水下声音样本各方面特征的缺陷,本文利用联合一维卷积神经网络与长短期记忆网络2种网络串行的方式,构建一种新的网络框架,首次将联合网络运用到水声目标识别中.其次,用船舶音频数据作为数据集输入网络,对网络性能进行评价,进行识别结果的可视化分析.通过结果分析得出,该网络能够实现对水声目标的...     

基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

神经网络在舰船图像特征提取和分类中的应用

海上遥感图像对于舰船目标定位、海上救援、航运交通管理等有重要的作用,基于海上遥感图像的舰船目标特征提取及目标识别是一项热点研究。卷积神经网络是一种改进的人工智能算法,本文详细介绍了卷积神经网络技术的原理,基于卷积神经网络和滤波器实现了舰船遥感图像的特征提取和目标识别。     

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.     

嵌入式系统在船舶水下识别中的应用

水下目标的识别是水下机器人领域的一项非常关键的技术,对水下机器人起到导航、监测和规避障碍的作用,对水下机器人的发展具有十分重要的意义,已成为视觉领域一项具有实际研究价值的课题。本文基于嵌入式实时操作系统VxWorks设计一种水下目标识别系统,整个系统由主控PC机、PC/104目标机和显示机3个部分组成。本文针对几组特定的水下微光图像进行模拟识别实验,以此来测试系统的目标识别率、稳定性和可靠性。     

新型消防用水下搜救机器人研发设计

介绍了一种消防用水下搜救机器人的设计,该水下机器人具有价格低廉、功能齐全、实用可靠和操作简便的特点,可完成水下多自由度方向运动、水下定位,不同目标的可视化探测和成像识别等作业。本文完成了消防用水下机器人的总布置设计,设计了电子舱的结构并对其进行了强度校核,评估了机器人水下稳定性,设计和论证了机器人的推进系统。     

水下机器人基于侧线机理对目标感知方法的研究

为实现自主水下机器人(AUV)对流场环境的感知,提高其环境自适应能力,根据鱼类侧线感知机理,对复杂流场环境中水下目标的感知方法进行研究。文章通过计算流体力学(CFD)对水下目标体(圆形、三角形和正方形)在均匀流场中产生的扰动流场进行分析,提取一种流场环境中确定位置处的压力信号作为识别信息数据库,训练并建立支持向量机(SVM)模型。通过采集不同位置和不同流场环境中的流场信号对目标体的种类进行识别,结果表明采用8阶及以上的多项式核函数,可以对不同流场环境中的目标体种类进行有效识别,侧线相对目标体的位置对识别精度影响不大;同时通过侧线压力系数波形中的特征值,对目标体的位置进行定量分析,得到不同目标体的位置定位公式,并对其适用的流场环境范围进行了限定说明。结果证明,所提出的基于流场信息进行水下目标感知的方法具有可行性,为了解侧线作用机理和工程化应用提供了一种新思路。