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。     

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。     

多源融合的船舶身份智能识别与验证技术

针对船舶污染物监管场景需求,提出了船舶申报信息、船舶自动识别系统和摄像头图像检测多源融合的船舶目标智能识别和验证方法。从申报信息中获取船舶水上移动通信业务标识码身份,利用该标识码提取船舶自动识别系统参数,判断船舶是否达到现场;通过改进的YOLOv5检测模型从摄像头获取现场船舶的视觉目标检测框;采用视觉目标检测框与船舶自动识别系统目标在摄像头像素坐标系映射标定框的交叉匹配算法,完成船舶目标的融合验证。在SeaShips公开数据集上的试验表明,相较原始YOLOv5模型,提出的船舶视觉目标检测模型平均精确度指标提升了3.14%,达到80.83%;且利用TensorRT加速使得模型推理速度提升了73%,帧率达到64.18。船舶自动识别系统目标与视觉目标的匹配融合满足船舶污染物接收现场船舶身份的识别和验证需求。     

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。     

基于注意力融合的海上目标检测算法

准确识别海上目标对提高舰船航行安全、维护海上权益意义重大。YOLOv7作为YOLO系列算法的最新成果,在目标检测任务中拥有良好的速度和精度。但通用化的网络应用于特定场景时,由于权重过大可移植性差,优势并不明显。本文根据海上目标分布及背景特点,利用注意力机制提升网络的特征提取与特征融合能力,提出一种基于注意力融合的海上目标检测算法CS-YOLOv7s。在新加坡海上数据集中的实验结果表明,本文所提网络在少量降低准确率的同时,大幅度降低网络权重,提高检测速度,可满足海上目标实时检测任务需要。     

基于神经网络的水下对接引导算法

针对水下机器人对接过程中近距离引导定位的问题,为实现准确可靠的水下对接,设计了一种基于神经网络的水下对接引导算法。算法主要分为两部分:1)检测部分,该检测算法区别于传统的图像处理,基于YOLOv3的神经网络,加入DenseNet思想,实现了一种鲁棒性强,可靠以及准确率高的目标检测算法。区分了目标物与无关背景信息,用于提供水下对接站在二维图像下的位置信息。2)位姿估计部分,用于恢复水下机器人与中继器之间的相对位置信息,从而能够根据相对位置信息,完成近距离的水下对接引导。经过实验对比分析,验证了算法的可行性,并证明了改进的目标检测算法能够更精确地完成对中继器的位置检测,提高了对位姿估计的准确率。     

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。     

面向状态估计的水下多传感器信息融合技术研究

面向状态估计,阐述适于水下多传感器信息融合的技术.分析数据关联的若干方法:"最近邻"方法、"联合概率数据"、"多假设方法"、"基于神经网络的数据关联法"的特点.研究适于反鱼雷精度较高的占用网格框架下的目标距离估计技术.     

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。     

分布式传感技术在海面多目标检测中的研究

在海面战争中,多目标的检测关系到战争胜败。相对于一般运动目标检测算法,海面环境下的检测模型背景更加复杂,目标物相比较背景成像更小,对目标物检测的实时性和精度都有所降低。本文研究基于分布式传感技术的海面多目标检测系统,同时针对海面复杂背景的模型,在模糊理论及自适应反馈的分布式目标检测及数据融合基础上,首次结合训练静态数据信息融合传感器采集信息的模糊检测进行自反馈的方法,提高了检测精度。     

一种基于舰船磁场的神经网络识别模型

为获得更为精确的识别结果,需要对舰船三轴磁场之间的相关性研究并进行融合。本文提出了一种将神经网络数据融合技术应用于舰船目标识别的模型,分析了舰船三个方向磁场的通过特性以及它们之间的相关性,并利用神经网络数据融合技术实现对舰船目标航速、横距和船型的模式识别。经过实测数据验证,该识别模型对舰船目标具有较高的检测概率。     

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AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

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。     

一种基于BP神经网络的机动目标跟踪算法

交互式多模型（IMM）算法是一种可以有效跟踪机动目标的滤波算法,针对其跟踪精度和计算量在很大程度上受制于模型选择和转移概率确定的问题,提出了一种利用BP神经网络修正子模型滤波结果的改进IMM算法。仿真实验表明,该方法可以使IMM算法的收敛速度加快,收敛精度提高,改善了跟踪性能,具有一定理论指导意义。     

基于高斯滤波函数的水下航行器动力分析检测算法

水下航行器动力分析属于非线性问题,传统UT变换分析检测算法对于非线性问题的求解精度较低,因此设计一种基于高斯滤波函数的水下航行器动力分析检测算法。首先建立坐标系,对水下航行器的工作过程进行受力分析,并对水下航行器的运动和受力参数进行描述;随后引入高斯滤波函数,经过状态初始化、时间更新、量测更新的步骤,完成水下航行器动力分析检测算法设计。为了验证设计的算法具有较高的求解精度,设计水下航行器的冲击实验,根据冲击后的最大变形和最大等效应力对算法的计算精度进行判断。实验结果表明,设计的算法最大变形和最大等效应力的值均优于传统算法,验证了设计的基于高斯滤波函数的水下航行器动力分析检测算法具有更高的计算精度。     

RBF神经网络的舰船图像滤波融合

普通舰船图像滤波融合模型,不能兼顾滤波精度计算性与滤波容错性。为解决此问题,设计基于RBF神经网络的舰船图像滤波融合仿真模型。通过网络结构设计与网络学习方法设计,完成RBF神经网络的搭建;改进原有仿真模型算法、舰船图像多滤波融合形式,完成仿真模型的搭建。模拟应用环境设计对比实验结果表明,基于RBF神经网络的舰船图像滤波融合仿真模型,既提升滤波精度计算性与滤波容错性,也做到2种性能的兼顾。