图像处理技术在船舶航行障碍物识别中的应用

为了提高船舶航行避障能力,提出基于图像分块特征匹配和视觉跟踪识别的船舶航行障碍物识别技术。采用点跟踪匹配和动态帧点检测的方法进行船舶航行障碍物识别的红外图像信息采集,对采集的船舶航行障碍物红外视觉图像进行区域组合检测和融合处理,提取图像的差异性和突变性特征点,根据特征点的分布情况采用视觉跟踪识别方法实现对船舶航行障碍物识别。测试表明,该方法对船舶航行障碍物识别的动态跟踪能力较好,识别可靠性和精度较高。     

基于机器视觉技术的船舶航行危险区域自动识别方法

提出基于机器视觉技术的船舶航行危险区域自动识别方法,最大程度规避船舶航行风险。利用机器视觉技术获取船舶航行图像数据,并结合像素平滑滤波和帧间差分法去除原始船舶航行图像所含噪声。采用二阶高斯-马尔科夫机场算法对去噪后船舶航行图像的显著性区域候选节点作信息弥散处理,获取船舶航行图像显著图,通过均值偏移算法处理船舶航行显著图像的特征空间,获得多个分割区域后,在显著图中求解各区域的显著性均值,通过与阈值作比较,实现船舶航行危险区域识别。实验结果表明：该方法可有效提升船舶航行图像的视觉效果;生成的显著图细节完整;可实现不同危险区域的识别,识别效果突出。     

激光雷达的船舶航行障碍物识别方法

传统障碍物识别方法面对复杂障碍物识别能力低,所提出的避障方案差。针对上述问题,基于激光雷达技术研究了一种新的船舶航行障碍物识别方法,雷达图像处理获取采集到的数据,处理方法主要包括图像预处理和图像深度处理,完成数据转换后,为便于障碍物信息在2个传感器之间的数据传输与融合,提出了一种栅格障碍信息提取方法,根据网格数目确定障碍物的位置,提取障碍信息。实验结果表明,激光雷达的船舶航行障碍物识别方法具有很强的障碍物检测能力,并且能够提出更好的避障方案。     

基于VR技术的船舶航行仿真系统设计

传统船舶仿真系统不能在短时间内完成航行数据的识别及转发处理。为解决上述问题,设计基于VR技术的新型船舶航行仿真系统。通过层次逻辑结构设计、仿真拓扑结构设计2个步骤,完成新型系统的硬件运行环境搭建。在此基础上,通过VR交互程序设计、航行传输协议设计、仿真数据库设计3个步骤,完成新型系统的软件运行环境搭建,实现基于VR技术船舶航行仿真系统的顺利应用。模拟对比试验结果表明,与传统系统相比,应用基于VR技术船舶航行仿真系统后,航行数据识别及转发处理时间均得到一定程度降低。     

无人船舶避碰障碍物智能自动识别方法

传统无人船舶避碰障碍物识别方法,受到方法中识别危险系数判定基数过小的影响,在避碰障碍物识别过程中,无法在有效安全距离下瞬态识别障碍物,造成避碰全局输出准确率与效率降低。为了解决无人船舶识别危险基数过小的问题,提出无人船舶避碰障碍物智能自动识别方法。首先采用智能危险判定算法,对船舶与障碍物之间的距离进行危险系数判定计算;然后根据判定危险系数数据,重构会遇状态模型。通过模型得到算法对障碍物的识别信息;最后通过神经遗传算法,对障碍物分布信息进行避碰数据的识别转换,从而实现优化识别运算场景,提升识别方法识别准确率与输出效率。通过在同一场景下不同识别方法的对比数据表明:提出的识别方法更适合无人船舶的避碰障碍物识别计算,能够有效将障碍物识别准确率控制在97.43%。同时,提升全局输出效率25%以上。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

基于机器视觉的船舶吃水线自动检测方法分析

传统的船舶吃水线自动检测方法自动化水平较低,无法获取精准的检测结果。为了解决该问题,提出基于机器视觉的船舶吃水线自动检测方法。从机器视觉系统提取吃水异常数据,在采用修正思想对船舶吃水异常数据进行补偿,在此基础上,应用定量分析表,设置船舶吃水线自动检测标准,待完成上述操作步骤后,对船舶吃水线进行自动检测,由此完成基于机器视觉的船舶吃水线自动检测方法的设计。实验选择在水质较为清晰的水域,并随机选取8个实验参数,对2种检测方法进行实验对比,实验结果表明,所提方法的自动检测结果更精准。     

基于智能视觉的船体焊接坏点识别方法

传统的船体焊接坏点识别方法会受周围因素的影响,无法得出准确的识别结果,为了解决这个问题,提出基于智能视觉的船体焊接坏点识别方法。利用智能视觉技术采集船体焊接图像,并对图像进行二值化处理,得到经过去燥处理的船体焊接图像,在完成上述步骤后,利用智能视觉船体焊接坏点识别模型对船体焊接坏点结构进行故障识别,为确保识别结果的准确性,应用映射计算法对其进行进一步处理。由此,完成基于智能视觉的船体焊接坏点识别方法的设计。在实验中,随机选取800张船体焊接坏点结构图像,分别对这2种方法进行实验分析,实验结果表明,所提方法的准确性更高,更适合推广使用。     

机器视觉视角下船舶无线通信系统定位技术

针对传统基于视觉显著性和卷积神经网络定位技术、基于深度学习的输送带标记定位技术受到噪声信号影响,而导致定位精准度低的问题,提出机器视觉视角下船舶无线通信系统定位技术。根据机器视觉视角定位原理,计算实际延时,获取总节点数量。分析在真实环境下存在的干扰情况,构建信号损耗模型,计算从节点处接收端采集信号强度。分析图像噪声特性,处理带标记输送带图像,使用卡尔曼滤波去噪方式剔除噪声数据,完成无线通信系统定位。由实验结果可知,该系统定位精准度最高为98%,能够对船舶无线通信系统精准定位。     

数据驱动的船舶异常行为识别方法

为对不同环境影响因素下的船舶异常行为进行有效识别,提出一种综合考虑船舶位置和船舶航行状态的多角度船舶异常行为识别方法。将船舶航行状态分为停留、直行和转向等3类,对网格化水域内的船舶航行状态进行统计,获得船舶正常航行状态的区域分布情况;利用核密度估计算法对船舶位置特征进行提取,获得正常航行位置的区域分布;利用正常船舶航行状态和船舶位置分布情况对船舶异常行为进行识别。选取曹妃甸水域的船舶轨迹数据,用以验证异常行为识别模型的检验效果。试验结果表明：船舶位置异常识别取决于阈值的设定,宽松的阈值识别的异常位置包含船舶较少的航线轨迹,严格的阈值识别的异常位置反映船舶的危险行为;在船舶航行状态异常识别中,该方法可以对航向大幅度波动和航速剧烈变化的船舶异常航行行为状态进行有效的识别。     

基于LoRa技术的船舶航行环境智能监测系统

传统船舶航行环境监测系统无法将异常数据识别与动态实时预警相关联,导致系统识别过程与预警输出之间存在时间误差。为此,提出基于LoRa技术的船舶航行环境智能监测系统。基于LoRa技术创建系统框架,重构系统硬件,在此基础上,结合LoRa技术传输特征,对航行数据进行LoRa协议特征优化,同时,对航行状态输出阈值进行动态调整,实现LoRa网络下监测数据的实时共享。实验结果表明,提出设计的监测系统,能够有效缩短数据输出时的误差量,且满足实际应用技术要求。     

复杂场景下港口水域船舶异常行为智能识别方法

传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。     

船舶航行自适应滑模控制器的PID优化研究

传统船舶航行自适应滑模控制器的PID优化研究对于自适应滑模控制器的数据管理能力较差,研究成本较高,无法达到系统自主优化效果。针对以上问题,提出一种新式船舶航行自适应滑模控制器的PID优化研究,利用模型规则与数据分析系统进行模型构建与数据解析。在此基础上完善优化操作系统,利用相应的系统算法进行模型数据运算,实现对控制器优化数据的分析,完成对滑模控制器的PID优化研究。为验证优化研究方法的优化效果,与传统优化研究方法进行实验研究。结果表明,船舶航行自适应滑模控制器的PID优化研究具有良好的数据掌控性,复合实验操作要求。     

基于计算机视觉的船舶操纵受扰力预测模型

常规船舶操纵受扰力预测模型在高海况预测数据幅值较大的情况下,预测过程引入的误差较大,因此设计一种基于计算机视觉的船舶操纵受扰力预测模型。首先分析船舶水上受力,得到不同坐标系下船舶自由度向量,在一定假设条件下得到船舶受力方程,了解船舶的受力情况后对基于计算机视觉的船舶航行图像的质量进行处理,填充连通图像区域,完成图像形态学处理,提取出与船舶操纵受扰力相关的图像兴趣区域,结合船舶自身的特性,完成船舶操纵受扰力的预测。仿真实验的结果表明,设计的预测模型在高海况不同船舶航行速度下,预测误差均小于常规模型,验证了设计模型的准确度。     

船舶嵌入式智能预警系统设计

船舶运输在全球经济中扮演着重要角色,人工值守经常会由于人员疏忽造成船舶和船舶碰撞,造成巨大的经济损失和环境污染。本文提出一种基于嵌入式的船舶智能预警系统,对激光测距技术和机器视觉技术进行阐述和分析,设计了船舶嵌入式智能预警系统的整体架构,有效解决了多源数据融合、位置感知、环境感知等问题。通过使用YOLO V7进行训练,实现了对不同船舶的识别且具有较高的准确率,在实际应用中可以更加有效地对船舶产生潜在的威胁作出综合性判断。本文设计的船舶嵌入式智能预警系统为实现船舶无人值守提供了必要辅助。     

船舶微惯导网络中航行轨迹数据采集算法

由于传统的航行轨迹数据采集算法对数据没有进行优化处理,导致数据采集精度低,无法满足船舶微惯导网络需求。因此,提出一种船舶微惯导网络中航行轨迹数据采集算法。在采集算法设计中,首先进行船舶航行轨迹的数据挖掘。然后,以航行数据为基础,结合遗传算法,完成船舶航行轨迹数据算法优化。最后,通过对航行轨迹的分析,实现船舶航行轨迹数据采集。实验结果表明,本文设计的数据采集算法,在相同的更新速度条件下,相比2种传统算法,数据采集精度更高。     

基于非线性模型的船舶避障路径预测方法分析

传统船舶避障路径预测方法针对小目标、小范围障碍物,此种方法的避障准确率会大幅度降低,给船舶航行安全带来威胁。为了解决上述问题,提出基于非线性模型的船舶避障路径预测方法分析。根据避障预测的非线性特点,首先对船舶航行路径进行非线性初始模型建立;然后根据模型计算变量关系,对避障关系量进行避障模型定义;最后,根据定义的避障模型完成避障过程计算。通过仿真实验的对比数据,证明提出设计方法,具有提升小范围、小目标障碍物避障成功率的作用。     

有限空间下船舶遥感图像低分辨率特征识别分析

传统的遥感图像低分辨率特征识别方法在有限空间下很难清晰准确地完成识别工作,尤其是在区分靠岸船舶和离岸船舶问题上显现出很大的局限性。为了解决此问题,研究了一种新的有限空间下船舶遥感图像低分辨率特征识别方法,首先构建了识别框架,阐述了当船舶位于水体中央和停靠在海岸边时采用的不同识别方法;然后介绍了识别过程,识别过程由水体提取、矢量分解、起点终点划分、模拟检测4步构成;最后通过与传统方法进行对比验证了该方法的识别效果,由实验结果可知,研究的识别方法可以快速精准地完成特征识别,具有很大的市场发展空间。     

船舶增强现实导航系统中计算机视觉技术的应用

航运的高速发展以及船舶航行的复杂环境对导航系统提出了更高的需求,传统的导航系统已经无法满足船舶航行的需求,增强现实和计算机视觉技术的发展,为实现船舶航行的安全化、智能化提供了坚实基础。本文根据传统船舶导航系统存在的不足,利用增强现实虚实融合的特点,结合计算机视觉技术,设计基于增强现实技术的船舶导航系统,并着重分析了导航系统中关键的距离测量、目标处理及检测方法,使得船舶安全、智能航行成为可能。     

复杂背景遥感影像中小目标船舶细粒度智能识别

船舶航行背景较为复杂,导致小目标船舶细粒度智能识别结果准确度较低,为解决这个问题,提出一种复杂背景遥感影像中小目标船舶细粒度智能识别方法。构建了图像变形校正模型,对图像旋转、拉伸、缩放等形式变换处理。设计损失函数训练识别模型,并构建多任务损失函数训练模型,确定了小目标识别参考区域,以此完成小目标船舶细粒度智能识别。实验结果表明,所研究的识别方法在较暗情况下、尺寸不同情况下与云雾遮盖下都能够准确识别出船舶,证明了所研究的识别方法的有效性。