结合空洞编码器和特征金字塔的中心点船舶检测

为了进一步提高基于深度学习的船舶目标检测技术的检测精度，在无锚框中心点检测算法基础上，提出一种结合空洞编码器和特征金字塔的改进中心点船舶检测算法。采用Res Ne Xt-50网络对船舶图像进行特征提取，引入基于空洞残差的空洞编码器（DE）增大32倍下采样特征图的感受野，生成覆盖多个目标尺度的特征图，并采用特征金字塔网络（FPN）进行上采样，在上采样过程中融合空洞编码器生成的32倍下采样特征图和原16倍、8倍和4倍下采样特征图，从而提取到更丰富的船舶特征信息，提升船舶检测效果。结果表明，改进算法对不同类型和不同尺度下的船舶检测平均精确率相比原算法具有较明显的提升，相比SSD和YOLOv3算法具有更高的精度优势。     

基于YOLOv3的船舶目标检测算法

为提高船舶目标智能检测的精度和实时性,提出一种基于YOLOv3算法的船舶目标检测方法,可用于视频图像的监测与跟踪。参照PASCAL VOC数据集格式,构建船舶目标检测数据集,采用k-means聚类先验框、mixup、标签平滑化等方法对算法进行改进和优化,在GPU(Graphic Processing Unit)云服务器中完成算法模型的训练和检测,并与FasterR-CNN、SSD(Single Shot MultiBox Detector)、原始YOLOv3等算法进行模型性能的试验对比。试验结果表明:改进的算法明显优于其他算法,其在测试集上的平均精度均值(mean Average Precision,mAP)和检测速度分别达到89.90%和30每秒检测帧数(Frames Per Second,FPS)。     

基于改进YOLOv5s的铝型材表面弱缺陷识别方法

针对采用传统的机器视觉方法识别铝型材表面弱缺陷存在的效率低和精度差的问题，提出一种将数据增强与YOLOv5s相结合的铝型材表面弱缺陷识别方法。采用anchor-free方法简化人工设计YOLOv5参数的步骤，降低检测复杂度；利用解耦检测器解决YOLOv5s检测中分类与回归任务冲突的问题，加快损失函数的收敛速度。通过优化算法的边界框回归损失函数，提高算法模型的定位精度；同时引入γ参数解决弱缺陷样本不平衡的问题。通过图像马赛克与像素混合方法提升模型对弱缺陷图像的识别能力。试验结果表明，改进算法的检测平均精度均值为93.3%，检测速度为41帧/秒，能提高船舶类铝型材弱缺陷检测的效率和自动化程度。     

基于注意力机制的TCS-YOLO船舶检测系统

针对当前海上环境复杂、噪声干扰严重及船舶检测存在漏检和误检等问题,提出一种基于注意力机制的TCS-YOLO船舶检测系统。该算法使用K-Means++聚类算法确定目标样本的锚框以提高先验框与船舶目标的尺寸匹配度;在YOLOv7的Neck部分引入Transformer Block以捕获全局信息和丰富的上下文信息;在YOLOv7的Head部分添加CA注意力机制,有助于模型更准确地定位和识别感兴趣的对象。并在自制的船舶数据集上进行试验,结果表明,该算法的平均精度均值达到70.5%,相比原始的YOLOv7算法值提高了5.1%,能更准确地检测船舶,满足在复杂海上环境中进行船舶检测的需求。     

改进的YOLOv3水面障碍物检测方法

为了提高无人艇在自主航行过程中对水面常见障碍物检测的精度，解决模型参数量较大、模型复杂难以应用于嵌入式设备的问题，提出一种改进的YOLOv3水面常见障碍物检测方法。使用K-means++算法对自建数据集进行聚类得到新的锚框参数，通过添加雨雾噪声的数据增强方法优化模型在复杂天气状况下的障碍物检测能力。针对模型参数量较大问题，使用深度可分离卷积和注意力机制模块重构特征提取网络中的残差结构。为了优化预测框的回归效果，引入SIo U损失函数，将预测框与真实框的方向角度作为损失之一，加快训练速度，提高推理的准确性。通过试验验证了改进后模型参数量缩减了44%，检测精度提高了5.19%，漏检率也有所降低，能有效进行水面障碍物的检测。     

基于改进Faster R-CNN的SAR舰船图像检测

针对传统的SAR舰船检测算法适应能力和准确率低的问题,提出一种基于改进Faster R-CNN的SAR舰船图像检测算法.改进后的算法以FasterR-CNN为检测框架,利用改进的k-means算法设计更适合舰船目标形状特点的先验锚点框;优化NMS算法以剔除重叠区域的舰船候选框,改善了舰船距离较近导致的漏检问题;同时引入Mask R-CNN算法中的RoI Align单元来消除特征图与原始图像的映射偏差.试验结果表明,改进后的算法相比 Faster R-CNN算法平均检测精度提升5.1％,达到86.64％,可以达到船舶数据量庞大情形下的检测要求.     

面向船舶目标检测的YOLOX轻量化研究

针对船舶目标检测存在的模型参数量多、规模大、实时性差和难以在实际工程中应用等问题，提出面向船舶目标检测的YOLOX轻量化方法。设计CA-Mobile Net V3轻量化主干网络，在Mobile Net V3中融合坐标注意力机制，生成一对方向感知特征图，提升空间信息编码能力；改进细化融合特征金字塔网络，构建对称的大尺度深度可分离卷积，提高感受野的范围；通过引入残差分支，以串联的方式融合细化不同尺度的特征信息，提高对小尺度船舶目标的检测能力。基于Seaships数据集的试验结果表明，提出的模型与YOLOv5和YOLOX等相比，具有规模小、实时性好和检测精度高等优势。     

基于前视声呐图像的AUV目标识别与跟踪

声呐图像由于水体不均匀、边界不规则以及声呐设备本身性能的限制,导致图像噪声明显、亮度不均、分辨率低,使得水下AUV装备在使用前视声呐进行水下目标检测时难度较大。针对该问题,基于m750d声呐探测获得的AUV声呐数据,进行了数据提取、高斯滤波处理、扇形映射处理,并采用Jet映射对声呐灰度图像进行了伪彩色映射提高数据标注速度和精度,制作获得了4组2 500张声呐图像的AUV目标检测数据集;采用YOLOv4-tiny目标检测算法开展AUV目标检测研究,研究结果表明该方法在该数据集上表现优秀,mAP@0.50达到94.17%,FPS在22帧左右,说明该轻量级网络在水下AUV目标识别与跟踪应用上具有较好的应用价值。     

基于Faster R-CNN的高速公路抛落物检测

采用传统的基于图像处理的检测方法对高速公路抛落物进行检测不仅耗时耗力,而且检测效果不理想,为解决该问题,提出一种基于Faster R-CNN的深度学习检测方法.在原始Faster R-CNN的基础上,采用残差网络Resnet101代替传统的VGG-16网络和ZFNet网络,作为图像特征提取网络;采用尺寸为4像素、8像素和16像素的锚框代替原始锚框,得到高速公路抛落物检测模型.采用自制的高速公路抛落物数据集对该检测方法的有效性进行验证,结果显示,采用该方法检测的平均准确率达到了91.75％,相比原始的Faster R-CNN算法和yolov3算法,分别提高了7.02％和11.13％.     

基于视觉显著性的船舶结构缺陷检测研究

针对船舶结构缺陷图像中背景结构复杂,缺陷不易检测的难题,提出基于视觉显著性的缺陷检测算法。该算法采用自适应全变分模型替代FT算法的高斯滤波器并融入H分量来构建改进型FT算法,以增强缺陷图像背景的平滑和缺陷局部颜色对比度的表达能力;利用SMD算法捕捉图像结构信息及分解图像特征矩阵,凸显船舶缺陷与背景的差异性;通过自适应融合算法将改进型FT算法和SMD算法生成的显著图融合为综合显著图。对船舶缺陷进行对比实验,结果表明,提出的算法能够有效检测出船舶缺陷区域,提高缺陷检测精确率。     

基于深度学习的海上目标快速检测方法

在智能海洋船艇自主导航和避障过程中，对周边环境的感知能力非常重要。本文针对智能船艇对环境感知的速度和精度需求，提出了基于深度学习的海上目标快速检测方法，并构建了以船舶、浮标和岛屿为检测目标的海上目标数据集。本方法通过提取目标图像不同尺度特征语义信息，应用多框检测器实现对目标的分类和定位，采用非极大值抑制算法筛选最优结果，实现了海上目标快速高精度检测。实验结果表明，本方法在自建数据集上取得了83.3%的识别正确率，单帧耗时9.8ms, 在相同实验条件下，正确率和单帧耗时均优于现有同类快速目标检测方法，证明了该方法可以满足智能船艇对环境感知的速度和精度需求。     

基于视频信息的港口滞留船舶检测研究

本文研究基于视频信息的港口滞留船舶检测方法,通过港口滞留船舶的精准检测提升港口管理水平。利用多结构形态学滤波方法,滤波处理港口视频图像。选取局部自适应阈值分割方法,将滤波处理后的港口视频图像,划分为前景图像与背景图像。将港口视频的前景图像作为SSD算法的输入,SSD算法利用卷积层提取图像特征,生成默认框,利用固定匹配策略,匹配真实框与默认框,将匹配结果传送至预测网络,利用预测网络输出港口滞留船舶检测结果。实验结果表明,该方法有效检测港口视频信息中的滞留船舶,阴天、黑夜等复杂环境下仍然可以精准检测船舶目标。     

新型船舶螺旋桨静平衡检测装置及算法

针对大型船舶螺旋桨质量大和静平衡检测难度大等问题开展技术研究,设计一种新型检测装置.采用力矩平衡原理对该检测装置的结构和工作原理进行分析,提出一种新型螺旋桨不平衡量检测算法,并利用高精度传感器和数据采集软件计算出不平衡质量.同时,提出磨削分解算法,通过该算法能快速计算出待磨削桨叶的打磨量,提高检测的精度和效率,为船舶螺旋桨和大型盘状转子类构件的静平衡检测分析提供技术参考.     

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...     

改进ViBe算法及其在运动船舶目标检测中的应用

为了抑制ViBe算法在海面动态背景视频下“鬼影”区域对船舶运动目标检测的影响,提高监控视频中船舶运动目标识别的准确率,提出一种改进的ViBe算法。首先,背景模型用连续帧初始化,以减少“鬼影”的影响;然后,使用自适应阈值和闪烁级别来减少海面杂波,同时采用像素点对比消除“鬼影”,提取运动目标前景,获取完整的运动目标区域。最后,对输入视频进行高斯金字塔多尺度分解,并采用改进的ViBe算法检测低分辨率视频中的移动船舶,完整提取了海上移动船舶。实验结果表明,所改进的算法消除了“鬼影”区域,减少了海面杂波的干扰,检测率为92.5%,单帧视频图像检测时间控制在97 ms以内,可准确、快速地检测和提取海面船舶运动目标。     

基于改进YOLOv7声光融合水下目标检测方法

多变的光照条件及天气状况将会严重影响水下光学图像的成像质量,为提升水下目标检测的稳定性及检测精度,基于深度神经网络模型,对结合光学图像和声呐图形的多模态方法进行研究。首先,针对实时神经网络检测器架构YOLOv7,通过改进该检测器,使其适用于多模态输入。其次,为了有效地结合来自不同模态的影响特征,提出全新的融合模型YOLOv7-Fusion,并通过引入CE-Fusion模块,实现融合效率和准确度的提升。最后,为了解决数据集缺少的问题,利用快速风格和图像处理算法转化的方法,生成人工数据集。所设计的算法及模型目标识别准确率为0.995,具有较高检测精度;Fps为43.4,具有较高处理效率。该模型可支持真实应用,适用于不同类型的水下场景。     

融合改进粒子群算法的船舶图像检索研究

为了提高船舶图像检索效果,针对当前的船舶图像检索过程中特征权值的确定问题,提出一种融合改进粒子群算法的船舶图像检索方法。首先对当前船舶图像检索方法进行分析,提取不同类型的船舶图像检索特征,然后采用粒子群算法确定船舶图像检索特征权值,并对粒子群算法存在的缺陷进行相应的改进,最后通过特征加权得到船舶图像特征之间的相似度值,根据相似度值得到船舶图像检索结果,并采用多幅船舶图像进行检索实验,结果表明,本文方法的船舶图像检索率超过94%,而船舶图像的误检率和漏检率均低于5%,获得了十分理想的船舶图像检索结果。     

基于运动与表象特征的广域船舶目标识别方法

[目的]旨在提出对航行于关键广阔水域内的船舶进行准确识别和定位的改进方法.[方法]运用视频监控的优点,综合采用基于背景差分算法的运动目标检测方法与基于深度学习算法的图像表象特征识别方法,结合目标的运动特征和图像表象特征,实现多维度广域船舶识别的功能,并对水纹降噪、多级运动检测、航道监控图像窗口分割检测等方法进行改进,进...     

基于光学遥感图像的船舶目标检测技术研究

首先分析基于光学遥感图像的船舶目标检测流程,然后利用Top-Hat算法进行目标图像增强,并设计检测系统结构元尺寸自适应选择算法,以此来克服光学遥感图像的不均匀性和局部背景的粗糙性。最后进行不同海况的船舶目标检测试验。试验结果表明,本文算法虽然在实现过程中较阈值分割算法要复杂,但其适用范围更广,并且能够有效提高复杂海况下船舶目标检测的准确率。     

数据挖掘的船舶网络病毒入侵检测研究

船舶中网络数据较多,传统病毒入侵检测方法不能有效对正常数据与异常数据分类,从而导致网络病毒入侵检测率与误检率较低,基于这一问题,将数据挖掘算法应用到船舶网络病毒入侵检测中。对网络数据采集,采用数据挖掘技术中的聚类分析算法将数据集合中对象划分成若干个类,聚类后形成多个数据集,在此基础上,确认离群点,划分为正常类与异常数据类,采用Apriori算法挖掘离散点中的频繁项集,寻找到病毒入侵中出现的频繁异常数据集,实现船舶网络病毒入侵检测。实验将检测率与误检率作为入侵检测指标,结果表明,此次研究的方法检测率高,并有效降低了误检率,证明所研究的检测方法的有效性。