云平台和分布式处理系统的船舶图像分类

在云平台和分布式处理系统中进行船舶图像分类,提高船舶的调度和识别能力,提出一种基于Harris角点检测和BP神经网络的船舶图像分类算法,在云平台和分布式系统下进行船舶图像采集,对采集的船舶图像进行二值化降噪处理,采用Harris角点检测技术提取船舶的分类标识性特征量,将提取的特征量输入到BP神经网络分类器中,实现云平台环境下的船舶图像分类。仿真结果表明,采用该方法进行船舶图像分类的准确性较高,抗类间干扰性较强。     

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。     

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。     

基于红外图像的耐腐蚀船舶材料表面缺陷识别研究

船舶耐腐蚀材料长期受海水侵蚀会出现不同程度的腐蚀现象,为更好地维护船舶组件,研究基于红外图像的耐腐蚀船舶材料表面缺陷识别方法。该方法通过设计超声红外图像检测装置,利用该装置采集耐腐蚀船舶材料表面红外图像后,分别使用双边滤波器和自适应边缘补偿方法对耐腐蚀船舶材料表面红外图像进行去噪和边缘增强处理,并以处理后的耐腐蚀船舶材料表面红外图像为基础,使用小波变换方法得到耐腐蚀船舶材料表面缺陷边缘集合点和缺陷位置,实现耐腐蚀船舶材料表面缺陷识别。研究结果表明,该方法具备较强的耐腐蚀船舶材料表面红外图像降噪和边缘增强能力,并可有效识别大小不同的耐腐蚀船舶材料表面缺陷,应用效果较佳。     

远洋船舶目标检测中图像分类识别研究

为准确划分远洋船舶类别,实现远洋船舶目标检测,保障海洋生态环境、海洋交通与国防安全,研究远洋船舶目标检测中图像分类识别方法。采用小波分析法,通过二维小波变换获取低频子图像、水平细节子图像、垂直细节子图像和对角细节子图像,将其作为远洋船舶图像特征;采用采用双向递归神经网络(BRNN)的深度学习方法构建分类器,将远洋船舶图像特征作为输入向量,通过递归神经网络将输入向量映射至输出向量,得到船舶目标图像分类结果。同时利用改进粒子群算法优化分类器中的权重与偏差参数,提升船舶目标图像分类精度。实验结果显示,所研究方法能够有效划分船舶目标图像类别,且划分精度高于97%。     

有效保留图像细节的自适应图像消噪方法

采用小波图像降噪方法容易去除图像的边缘细节特征,导致关键信息丢失,提出一种有效保留图像细节的自适应图像消噪方法。采用局部二值拟合方法对图像进行二值化处理,提取图像的边缘轮廓特征并进行多尺度分割,采用局部区域梯度模特征匹配方法调整邻域的大小,对图像进行全局分割,从而有效保留了图像的细节特征,在此基础上利用变尺度的小波降噪方法实现图像自适应降噪。仿真结果表明,采用该方法进行图像消噪能有效保留图像细节特征,图像消噪输出的峰值信噪比较高,说明图像质量较好,性能优越。     

噪声干扰下船舶遥感图像的目标边缘检测方法

目前边缘检测方法根据图像极值点筛选图像边缘点,导致检测到的边缘图像不清晰,平均能量值偏低,提出噪声干扰下船舶遥感图像的目标边缘检测方法。采用频域Fourier变换去除图像噪声;选择Canny算子,设计目标边缘检测流程;平滑去噪图像,根据图像边缘梯度极大值点,筛选图像目标边缘点,分割图像目标和背景,实现目标边缘检测。实验结果表明,在1%和10%梯度下的校验噪声模拟的噪声干扰下船舶遥感图像中,研究方法相较此次实验选择的方法,检测到的目标边缘图像平均能量值高。     

基于改进卷积神经网络的船舶目标检测

为提高无人船研究中的船舶辨识速度和精度,弥补海上船舶目标检测中船载自动识别系统(Automatic Identification System,AIS)和雷达图像的不足,提出一种基于改进卷积神经网络的船舶目标检测模型。设计多策略的卷积神经网络模型,利用船舶图像数据进行训练和测试,并将测试结果与基于区域提名和基于回归方法的卷积神经网络模型结果相对比。试验结果表明,改进的卷积神经网络模型的船舶检测准确率高于另外2种模型。     

强风浪下基于遥感图像的海上船舶定位方法

为了提高海上船舶的强风浪下定位性能,提出基于遥感图像特征提取的强风浪下海上船舶定位方法。采用遥感探测方法进行船舶图像采集,对采集的强风浪下海上船舶遥感图像进行降噪处理,采用多尺度小波分解方法进行船舶遥感图像的块分割,实现对船舶遥感图像的边缘轮廓特征提取,根据船舶遥感图像的边缘轮廓特征进行海上船舶跟踪定位,实现强风浪下海上船舶遥感图像的融合跟踪和定位识别。仿真结果表明,采用该方法进行海上船舶定位的准确度较高,输出图像的质量较好,提高了船舶定位识别的鲁棒性。     

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BP神经网络的船舶企业员工综合评价模型

为了保障船舶工业企业内部对其员工的使用管理和评价上的客观性和准确性,提出基于BP神经网络的综合评价方法,在建立了员工评价的指标体系基础上建立了基于BP神经网络的评价模型,将评价员工综合素质的指标值作为模型的输入量,评价结果作为模型输出量,用样本对神经网络进行训练,利用收集的中国船舶工业集团某造船企业管理执行层员工信息,使用MATLAB对模型进行模拟仿真训练,用验证样本对评价模型检测,检测结果是仿真输出与期望输入基本一致,说明网络合理,评价模型能够较好对船舶企业员工的综合素质进行评价.     

船舶运动图像快速位移补偿方法

为了提高船舶运动成像的电子稳像能力,进行运动图像位移补偿处理,提出基于相邻帧多尺度补偿的船舶运动图像快速位移补偿方法,对采集的原始船舶运动图像采用小波降噪方法进行图像降噪处理,对降噪的船舶运动图像进行多尺度的经验模态分解,结合运动图像相邻帧的像素特征进行电子稳像补偿,根据电子稳像输出结果进行图像位移的快速补偿,提高船舶运动图像的成像质量。仿真结果表明,采用该方法进行船舶运动图像位移补偿,对运动帧的连续成像效果较好,输出图像的峰值信噪比较高,表明对船舶运动图像的成像质量较高,能克服快速位移对运动图像成像质量的影响。     

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。     

基于卷积神经网络的航标图像同态滤波去雾

为提高同态滤波算法对航标图像去雾的性能,采用改进的巴特沃斯滤波器作为同态滤波的传递函数。根据计算去雾后图像的标准差、平均梯度、亮度和二维熵等图像质量评价指标,分析图像锐化系数对图像去雾的作用效果。选取公开数据集ISCAS 2012作为卷积神经网络的输入训练数据,选取计算得到的使采用同态滤波去雾后的图像与真实图像的峰值信噪比最大的锐化系数作为输出数据,得到能计算最优锐化系数的卷积神经网络权重值。该方法能对测试样本数据输出相应的同态滤波器最优锐化系数。试验结果表明巴特沃斯同态滤波对航标图像去雾是有效的。     

船舶视觉图像优化检测方法研究

对海域的船舶进行智能图像监控是一项很重要的技术,但该技术容易受到海上背景光线变化、遮挡阴影区域及小范围船舶聚集等因素的干扰,导致当前基于智能视觉的船舶检测在背景更换的阀值判断上存在较大缺陷。本文提出改进的基于智能图像处理的船舶快速检测方法,通过差分运算、阈值生成、二值化、去噪和形态学处理等操作对获取的智能图像进行预处理,依据经预处理后二值图像,引入异常比率的概念对所监控图像范围的船舶状态进行判断,以动态阈值和静态阈值的联系,判断是否需要更换背景的条件,实现高精度船舶图像检测。仿真实验结果表明,所提方法能够准确地对船舶图像进行检测,具有较高的检测精度。     

基于BP神经网络的船舶网络安全状态评价

船舶网络是一种特殊的移动网络,面临巨大的安全隐患,传统线性船舶网络安全状态评价的偏差大,结果极不科学。为改善船舶网络安全状态评价效果,设计了基于BP神经网络的船舶网络安全状态评价方法。该方法首先分析船舶网络安全状态评价影响因素,采集船舶网络安全状态评价数据,然后将影响因素和船舶网络安全状态评价分别作为BP神经网络的输入和输出,通过BP神经网络学习,对船舶网络安全状态进行评价,最后采用VC编程实现了船舶网络安全状态评价仿真实验,结果显示BP神经网络可以区分各种船舶网络安全状态,评价准确性得到大幅度改善,同时提升了船舶网络安全状态评价效率,可以有效保证船舶网络安全。     

船舶采集图像智能分类研究

为实现不同角度和不同距离下,船舶采集图像的智能分类,提出基于多尺度注意力深度卷积神经网络分类算法的船舶采集图像智能分类。将采集的船舶图像输入该网络中,网络的多尺度深度卷积层采用3个多尺度特征注意力模块结合深度残差模块,提取船舶采集图像不同层次的局部不变性特征;池化层对该特征转换处理后形成特征向量;全连接层池化层引入尺寸匹配函数融合特征向量,形成多尺度纹理特征向量并输入分类层,实现船舶采集图像智能分类。测试结果显示：该方法可实现不同船舶类别图像特征提取,gini指数结果均在0.963以上,可依据分类需求,实现不同角度以及距离条件下、不同的船舶图像类别的准确分类。     

基于并行深度卷积神经网络的舰船通信异常数据检测研究

为了提高通信异常数据检测效果,设计基于并行深度卷积神经网络算法的大规模舰船通信异常数据检测方法。采集大规模舰船通信数据,采用小波变换对数据实施降噪处理,将降噪后数据输入并行深度卷积神经网络中,经过模型训练提取特征,利用Softmax分类函数得出舰船通信异常数据特征,输出舰船通信异常数据检测结果。实验结果表明：该方法可有效实现大规模舰船通信异常数据检测,其加速比最高,并行效果最优;具有较强的大规模舰船通信数据集检测能力,提高大规模舰船通信异常数据检测效果。     

模拟退火法下交互式舰船红外图像斑点抑制

针对传统方法下舰船红外图像边缘特征识别结果不精准,导致斑点抑制效果较差的问题,提出了模拟退火法的交互式舰船红外图像斑点抑制方法。建立交互舰船红外图像斑点噪声模型,使用Radon变换方法处理模型数据。构造邻域结构模型,补充残缺结构特征,根据设定的模拟退火参数,获取处理后的数据识别图像边缘特征。根据图像边缘线条走向,确定图像区域特征,输出消除斑点的舰船红外图像。由实验结果可知,该方法能够消除全部斑点,并精准识别出图像边缘。