卷积神经网络船舶遥感图像目标检测

本文提出卷积神经网络的船舶遥感图像目标检测方法。采用拉普拉斯算子增强处理船舶遥感图像,使得船舶目标特征信息更加清晰;基于Snake模型分割出遥感图像中的船舶目标,通过Gabor滤波器提取船舶遥感图像目标特征向量;基于卷积神经网络搭建船舶遥感图像目标检测架构,统一化处理分支网络置信度,对卷积神经网络进行训练,获取最优权重系数;将遥感图像输入至训练好的卷积神经网络中,即可实现船舶目标的检测。实验数据显示：应用本文方法获得的F1 Score参量与IoU参量数值全部大于给定标准数值,充分证实本文方法具有较好的船舶遥感图像目标检测效果。     

基于卷积神经网络的船舶图像增强研究

为了更好的识别船舶图像信息,提出基于卷积神经网络的船舶图像增强方法,利用卷积神经网络技术对船舶图像特征进行采集和建模,并对采集到的数据进行降噪,再根据图像颜色特征进行图像缺陷修复和图像的逆向恢复处理,从而获得高品质的船舶图像。最后通过实验证实,卷积神经网络能够有效改善船舶图像的显示质量,满足传播图像增强的设计目标。     

基于卷积神经网络的船舶自动识别系统

基于船舶自动驾驶存在的问题以及需求,提出了一个基于卷积神经网络的船舶自动识别系统.系统设计使用的生成对抗神经网络算法,基于互信息理论,能够无监督式地学习船舶图像特征.通过实验论证,在分类准确度上取得了显著地提升,表明本系统方法合理有效,具有较高地运用前景.     

改进卷积神经网络的船舶纹理图形分割方法

船舶从生产到投入使用,在作业中难免会因为焊接节点的设计问题、货物装卸的操作不规范以及诸如线性尺度较大、吃水较多而受风、流等外部环境的影响而对船体结构造成腐蚀,最终导致船体外部出现裂纹,给船舶的航行带来安全隐患。因此加强关于船舶裂纹的排查,是保证船舶安全行驶的关键。本文从改进卷积神经网络入手,以工程船为例,通过对其船舶纹理进行图形分割研究,提升智能检测的精准度,从而为运维检修带来一定的帮助,并为海上作业的安全性检测提供理论支持。     

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。     

基于编解码卷积神经网络的船舶航速预测

为提升船舶航速预测精度,为量化分析船舶碳排放提供精确的基础数据,构建一种基于编解码卷积网络的船舶航速预测方法。利用历史的船舶自动识别系统(Automatic Identification System, AIS)数据训练编解码卷积网络,在不同编码器之间通过蒸馏操作抑制船舶航速数据信息冗余;在此基础上,以向量的形式将编码后的航速数据输入解码器中,获得最终的航速预测数据。试验结果表明,提出的船舶航速预测方法能准确地预测船舶航速变化,对推动航运碳排放分析和船舶节能航行研究等具有一定的指导意义。     

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.     

基于改进的Faster R-CNN船舶目标检测算法

为了提高船舶目标的检测率和效率,提出了一种改进的基于区域的快速卷积神经网络(faster region-based convolutional neural network, Faster R-CNN)船舶目标检测方法。采用图像降尺度方法,旨在增强船舶图像的有用信息;采用场景窄化方法将目标区域定位网络和Faster R-CNN卷积神经网络构建成一个层级窄化网络,旨在降低目标检测搜索尺度,从而提高Faster R-CNN的计算速度;研究具有主题窄化功能的Faster R-CNN,选择纹理特征和空间差异特征作为窄化子网络,旨在实现主网与子网间深度协作的功能,优化网络参数。试验结果表明:该方法在提高Faster R-CNN算法检测精度的同时,显著地缩短了检测时间。     

基于卷积神经网络的船舶水尺字符识别方法研究

船舶水尺计重是国内外广泛用于船舶运输大宗廉价散装货物计量重量的方法,计重结果可作为商业纠纷的依据。船舶吃水测量的准确性对保护托运人、发货人和收货人的利益具有重要意义。基于船舶吃水标志刻画的特点,目前对水尺字符的识别方法有基于模块匹配和基于BP神经网络,本文拟选取投影统计的方法进行水尺字符的分割,设计并训练卷积神经网络对分割出的字符进行识别。     

基于改进YOLOv4算法的船舶目标检测方法

针对海面环境复杂、船舶目标检测存在检测精度不高和效率低的问题,以及船舶数据集不平衡的现象,提出一种改进YOLOv4算法的船舶目标检测方法。对图像进行预处理,增强船舶图像的有用信息,减少计算量;采用图像增强方法扩充不平衡数据集的小样本数量,提高各类船舶目标检测的准确性;采用改进的K-means++聚类方法重新设计先验锚框,使锚框和目标的边界框更加匹配;采用Softer-NMS对非极大值抑制算法进行优化,对预测框进行后处理,提升模型对密集船舶的检测能力和定位精度。通过开展多组对比试验发现,采用改进的检测算法对10类船舶目标进行识别,精确率P、召回率R和交并比（IOU）等都有很大提高,平均精确率（m AP）值达到96.78%,相比YOLOv4算法提升23.79%;检测速度达到31.2帧/秒,在显著提高检测精度的同时,能缩短检测时间,达到很好的检测效果。     

基于卷积神经网络的船舶复合接头焊接损伤识别

提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的船舶复合接头焊接损伤识别方法。采用Ansys软件对焊接过程进行模拟,考虑5种不同损伤位置和损伤程度的模拟工况,采集不同工况条件下复合接头的应变响应数据。构建一维CNN,将数据分为训练集和测试集放入神经网络中进行训练和测试,验证该方法对复合接头焊接过程中不同损伤位置和损伤程度进行识别的适用性。结果表明,该方法在结构焊接损伤检测方面具有良好的检测性能。     

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。     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

  目的  为实现船舶机舱设备的智能状态监测,引入机器学习算法,提出一种结合流形学习和孤立森林的船舶机舱设备状态监测方法。  方法  由于船舶机舱设备的状态监测数据是多维度数据,基于该监测系统,通过流形学习来提取有效的数据特征,实现对原始数据的降维,减少数据复杂度。基于孤立森林算法,在仅利用正常工况数据集的情况下,训练并构建多个子森林检测器,用于实现对目标设备的故障监测。在Matlab/Simulink环境下建立大型船舶二冲程柴油机模型,对其正常工况和故障工况下的数据进行仿真,以验证该方案的有效性。  结果  通过状态仿真数据对不同故障监测方案性能的比较,验证了所提故障监测方案具有98.5%的故障检测率和3%的故障虚警率。  结论  所提方法能显著提高船舶机舱设备的故障监测性能。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

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。     

基于改进神经网络的船舶主机温度预测

由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。     

基于改进型神经网络的船舶APF谐波检测

针对船舶有源电力滤波器谐波检测实时精度高的要求,在传统自适应检测方法的基础上,提出了基于自适应Hopfield神经网络的船舶有源电力滤波器谐波检测方法。根据自适应噪声对？肖技术的基本原理,为了有效的进行噪声抵消,采用了基于Hopfield神经网络的自适应非线性滤波器,将基波有功电流从负载电流中滤除从而得到基波无功电流和...     

基于改进BP神经网络的船舶操纵性能预报

以某单桨大型船舶在海上的回转性能为例，探讨了应用改进的BP神经网络（Back-pmpagation Neural Network）建立船舶操纵性预报数学模型的方法，并利用matlab语言对其进行了仿真。研究结果表明，改进的BP算法有更快的收敛速度和更好的计算精度。     

基于改进PSO-BP神经网络的船舶交通流预测分析

为了进一步提高船舶交通流的预报精确度,文章建立了一种自适应变异的粒子群优化算法SAPSO,将BP神经网络模型与SAPSO算法相结合,进行船舶海上交通流分析预测。此外,文章采用灰色关联分析法GCA确定交通流预测模型的输入维数。SAPSO-BP预测模型运用自适应变异的PSO算法优化传统BP神经网络的模型参数,克服了传统BP神经网络的对模型的初始权值阈值敏感和易陷入局部最优的缺点,进而提高模型的预报精度。选用天津港口区域的船舶AIS实验数据,验证了预测模型的有效性。