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。     

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...     

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。     

深度迁移学习下的船舶焊接表面缺陷智能检测系统

为提升船舶焊接表面缺陷检测的智能化水平、更好地适应智能制造需求,设计船舶焊接表面缺陷智能检测系统.通过采集船舶焊接表面图像,对图像进行预处理,结合深度迁移学习方法,根据缺陷特征对船舶焊接表面缺陷进行分析,建立检测模型,对图像进行缺陷目标检测,从而得到一种船舶焊接表面缺陷智能检测的高效手段,为船舶制造智能化水平和先进性的...     

利用BP神经网络进行船舶号灯识别

船舶夜间航行需要通过船舶号灯识别其型号、编号及航道等信息。为了提高船舶识别的准确率,本文建立了基于BP神经网络的船舶号灯识别模型。通过将信号灯亮度、投射距离、背景亮度等作为输入参数,并将已有数据作为输入,训练BP神经网络,修正网络内部神经节点个数及反馈函数。分别使用已有的L-M函数、动量梯度下降、无监督学习等反馈函数训练和验证,L-M反馈函数可得到精度最高的神经网络模型。通过使用BP神经网络模型对船舶号灯进行识别,提高了船舶夜间航行的安全性。     

基于深度学习的监控视频中船舶识别方法

针对当前监控视频中船舶识别成功率低、无法进行在线识别的难题,为了对监控视频中船舶进行准确识别,提出基于深度学习的监控视频中船舶识别方法。首先对监控视频中船舶识别原理进行分析,采集船舶识别的监控视频,将船舶识别从背景中分割,然后提取船舶识别的不变矩特征,将不变矩特征输入深度学习算法中进行训练,建立监控视频中船舶识别模型,最后进行了多个监控视频中船舶识别验证性实验。实验结果表明深度学习算法可以准确对监控视频中的船舶进行识别,提高了监控视频中船舶识别成功率,误识率急剧下降,远低于当前其它监控视频中船舶识别方法,实时性要也要高于其它识别方法,是一种速度快、结果可信的监控视频中船舶识别方法。     

基于改进YOLOv5的海面可见光图像船舶检测技术

针对无人船感知系统中的可见光图像船舶检测,提出了一种基于YOLOv5的算法,对深度学习网络模型的输入端、损失函数和检测框进行优化,使用迁移学习的策略进行网络模型训练。试验结果表明：该算法海面可见光图像船舶检测的平均精度均值达到98.6%,较YOLOv5提升1.69%,平均检测时间约为45 ms,能够满足不同条件下海面船舶检测的需求。     

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.     

基于B/S和C/S架构的船舶动力装置远程故障诊断系统

依据“智能船舶”的理念,针对船舶动力装置故障诊断系统,提出一种基于C/S和B/S混合架构的船舶动力装置远程故障诊断系统。依据B/S和C/S架构的优势,开发了基于C/S架构的数据管理平台,实现了船、岸间的数据、信息交互;将基于模糊神经网络的专家诊断模型应用于B/S架构的岸基船舶动力装置故障诊断系统的故障诊断判别,并利用BP算法训练实例对该模型进行了精度验证。结果表明,系统稳定可靠,故障诊断准确性高,为“智能船舶”发展提供了一个良好的解决方案。     

基于深度学习的水面无人船前方船只图像识别方法

建立基于图像识别系统的水面无人船感知平台,采集内河船舶图片数据库建立船只检测单层多尺度深度学习（Single Shot Multibox Detector,SSD）框架,通过使用预训练模型参数调优并微调分类框架实现较高的内河船舶检测准确度。试验结果表明,不同天气状况下的识别算法的查全率和查准率均能保持在70%以上     

美国海军靶船发展研究

美国海军海上打靶训练是演习的重要训练科目,可以测试火炮、导弹、火控雷达的精确性、毁伤威力和作战性能,检验舰艇作战人员武器操控能力和战斗训练水平.本文从美国海军靶船的发展历史、分类、组织管理几个方面进行介绍,并分析其发展特点,为我海军靶船发展提供借鉴.     

基于虚拟仪器的船舶监控系统研究

船舶监控系统的研究对船舶安全起着至关重要的作用,有助于提升船舶导航能力和海上交通管理能力。该文提出的基于虚拟仪器的船舶监控系统,应用LabVIEW图形化编程语言开发了AIS信息处理系统,能够实时采集网络最新发布的船舶信息数据,进行信息的解析和存储,同时应用Google Earth显示船舶的位置及路径信息。系统选用Kalman滤波对船舶的航迹进行跟踪优化,结合BP神经网络对船舶航迹进行预测。系统可实现AIS数据采集、解析、存储、显示、分析等多项功能。     

大中型水面舰船维修保障能力探讨

依据现代装备工作理论,在对国内外大中型舰船维修保障方式分析研究的基础上,从未来信息化战争舰船维修保障需求出发,对舰船装备维修管理模式转型、信息化建设、设施设备系统配套和人才培养等方面谈几点想法。     

基于网络课程平台的船舶流体力学教学模式分析

采用理论和应用实践相结合的方法,在分析"流体力学"课程教学特点及网络技术、信息管理技术与本科教学关系的基础上,开展基于网络环境下的"船舶流体力学"在线学习的教学模式讨论,提出网络环境的"船舶流体力学"教学设计理论体系,开发相应的网络教学系统。     

船模在简谐激励存在时的运行模态分析(英文)

A ship is operated under an extremely complex environment, and waves and winds are assumed to be the stochastic excitations. Moreover, the propeller, host and mechanical equipment can also induce the harmonic responses. In order to reduce structural vibration, it is important to obtain the modal parameters information of a ship. However, the traditional modal parameter identification methods are not suitable since the excitation information is difficult to obtain. Natural excitation technique-eigensystem realization algorithm (NExT-ERA) is an operational modal identification method which abstracts modal parameters only from the response signals, and it is based on the assumption that the input to the structure is pure white noise. Hence, it is necessary to study the influence of harmonic excitations while applying the NExT-ERA method to a ship structure. The results of this research paper indicate the practical experiences under ambient excitation, ship model experiments were successfully done in the modal parameters identification only when the harmonic frequencies were not too close to the modal frequencies.     

Developing a marine engineering centre of excellence for competency-based training

Institutes imparting training in marine engineering require replication of shipboard ambience for strengthening the competencies. For building an engineering centre for training, five options at different physical levels were considered based on a model of a new liquefied natural gas tanker ship build. A mock-up facility, simulator, full-scale engine room, scaled down version and a combination arrangement with live and dummy equipment were the options. Analytic hierarchy process was applied for selecting a suitable option based on criteria of cost, effectiveness in attaining competencies, practicability and environmental conduciveness. Analyses were carried out on the eigenvalues based on eight subselection criteria. The combination of live equipment (boilers and turbo alternator) and non-live shipboard equipment (auxiliaries) was chosen based on the global weightages obtained from the pairwise comparison matrix computations. The reliability was ascertained from the consistency index which was less than 0.1. For selection of the learning modes and the equipment, a constructivist approach of learners reflecting and choosing the learning mode was adopted. Industry practitioners were made into learner groups composed of trainers, shipboard personnel and company personnel. Established competencies were assigned as scores to the different learning modes. ANOVA application and statistical methods were used to analyse the scores to verify if there were too much variation in the choices. The calculated F ratio values were low (0.14 to 0.40) compared to the reference values indicating that the choices were even. The chi-squared test indicated that the group composition did have an influence on choosing the learning mode and equipment for training. The objective of identifying the learning mode and equipment for the training centre was achieved.     

基于知识融合的船舶能耗决策支持系统

在建立船舶能耗评价模型基础上,针对能耗影响因素众多,提出了基于知识融合的船舶能耗决策支持系统的研究。以船舶能耗为对象,应用系统辨识理论,建立重点设备能耗模型库;以方法、经验和案例为基础,建立船舶能耗知识库;融合模型库、知识库、关系数据库等多源知识,建立船舶能耗评价与决策支持系统。以实现船舶航运管理、船舶操纵控制、航线设计以及船舶设计等各个过程的决策支持。