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。     

基于计算机视觉的船舶焊缝缺陷识别系统研究

船舶是复杂的大型结构体,船壳、甲板等结构都需要通过焊接来保证整体的密封性和强度,而焊缝的质量直接影响船舶的安全性和可靠性。因此,通过合理的船舶焊缝检测技术,识别出焊缝存在的缺陷,提高船舶大型结构焊接的质量非常重要。近年来,基于计算机视觉的图像识别和处理技术发展迅速,在工业领域的应用也逐渐增加。本文利用计算机视觉和图像处理算法,开发一种船舶焊缝缺陷自动识别系统,可以有效改善船舶焊缝缺陷的识别准确度和效率,有重要的应用价值。     

计算机视觉在船舶焊缝缺陷识别的应用

大型集装箱运输船舶在海上航行时,会受到极端恶劣的气象条件影响(海浪、海风等),导致船体结构出故障。由于大型船舶的甲板、船体等壳状结构均采用焊接的方式组成整体,因此,船舶焊接的质量决定了船舶结构强度和防水性等,具有非常重要的意义。为了保证船舶的焊接质量,必须要进行焊缝的缺陷识别与检测。本文基于计算机视觉与图像处理技术,研发了一种新型的船舶焊缝识别系统,对改善船舶焊缝的缺陷检测水平有重要作用。     

数据挖掘在无人船舶目标图像识别中的应用

为了缩短无人船舶目标图像的识别时间,提高目标图像的质量,提出了数据挖掘在无人船舶目标图像识别中的应用。利用数据挖掘技术确定无人船舶目标图像的阈值,根据目标图像的阈值误差分割了目标图像,采用图像边缘点提取公式将图像边缘点连接成线,提取出目标图像的外轮廓,完成无人船舶目标图像的预处理;通过目标图像识别算法的改进设计,得到了目标图像的识别流程,实现了数据挖掘在无人船舶目标图像的识别中的应用研究。仿真实验结果表明,数据挖掘在无人船舶目标图像识别方法与基于航拍技术的目标图像识别方法相比,目标图像的识别时间缩短了35.1%。     

基于YOLO算法的内河船舶检测 与监控实现

随着内河水运的不断发展,内河航运船舶数量不断增多,但是内河船舶AIS设备安装质量参差不齐,这给监管部门掌握区域内航行船舶数量带来困难。同时,随着计算机计算能力的提高与人工智能技术的发展,基于卷积神经网络的图像识别系统有了越来越多的应用。本文提出了使用YOLO实时目标检测技术,实现了对内河中运行的船舶进行实时监控并记录。结果表明,该模型在测试集当中的识别准确率达到97.50%,在实际应用当中拥有识别速度快、实时性较好、准确度较高的优点,拥有较好的应用前景。     

SAR船舶尾迹图像质量增强方法研究

在合成孔径雷达(SAR)系统中,由于存在外部的相位干扰,常常导致所采集的图像信息不完整,甚至会导致非常严重的后果。而在船舶尾迹图像识别与跟随时,其图像质量也受到多种干扰因素的影响,当电磁波信号照射到船舶目标时,其船体的散射系数会造成较大的不确定,此时的SAR图像中的尾迹图像的斑点噪声会发生非线性的变化。本文主要设计一种算法,能够显著降低这种非线性的变化,进一步增强SAR图像的质量,在对噪声信号进行滤波处理后,增强尾迹SAR图像的识别成功率,同时改善船舶尾迹细节特征的识别效果。     

基于红外图像的海上船舶特征识别算法研究

传统海上船舶特征识别算法受到可见光强弱的影响,在暗光条件下对船舶图像识别能力远远不如白天,加之船舶搜救等应用场景多为夜晚。因此,提出基于红外图像的海上船舶特征识别算法研究。首先,基于红外图像识别算法,将红外识别与可见光参量进行高精度融合计算;其次,对融合后的红外识别特征参量进行增强计算;最后,通过粒子群算法对大场景中的目标进行特征绑定,从而实现暗光条件下快速准确识别船舶特征的效果。通过实验对提出算法进行测试对比,证明提出算法在暗光条件下对船舶特征的识别能力高于传统识别算法。     

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。     

基于多特征点的船舶焊缝图像缺陷识别技术

现有船舶焊缝图像缺陷识别技术存在着缺陷边缘定位功能差、缺陷识别效率低的缺陷。为了解决上述问题,基于多特征点研究船舶焊缝图像缺陷识别技术。以获取的船舶焊缝图像为基础,采用图像分割方法提取焊缝图像缺陷,通过锐化处理增强缺陷边缘信息,利用数学形态法提取缺陷边缘。以得到的缺陷边缘信息为依据,通过标度转换算法计算多特征点参数,实现船舶焊缝图像缺陷的识别。实验结果表明,与现有船舶焊缝图像缺陷识别技术相比,提出的船舶焊缝图像缺陷识别技术极大提升了缺陷边缘定位功能与缺陷识别效率,说明提出的船舶焊缝图像缺陷识别技术具备更好的识别性能。     

船舶焊缝图像缺陷识别研究

首先阐述BP神经网络结构,得到不同层神经元之间的关系;然后详述BP神经网络进行分类的原理,并进行改进,提出误差逆向的神经网络识别算法,加强了系统的学习性和收敛性,将其应用到船舶焊缝图像缺陷识别中,最后进行实验,说明本文所设计的BP神经网络结构能够提高缺陷识别的正确率。     

图像识别火灾探测技术在舰船消防中的应用分析

舰船火灾是危害舰船生命力的关键因素,对于舰船火灾的防控提倡在火灾发生时尽早探测报警,并实施有效灭火,因此舰船火灾的探测识别尤为关键。图像识别火灾探测技术作为一种新型的火灾探测技术具有灵敏度高、准确性好等优势,因此本文从火灾图像探测技术基本原理出发,介绍了火灾图像探测技术的发展现状,并对图像识别火灾探测技术在舰船消防中的适用性进行分析。分析认为将图像识别火灾探测技术运用在舰船上还应在以下领域做出改进:1)火灾图像识别算法对船舶典型火灾的识别能力;2)火灾探测系统对舰船环境的适应能力。     

Grabcut算法在无人机影像船舶目标识别的应用

近年来,基于无人机的海上探测与侦察技术获得了迅速发展,利用无人机进行海上船舶目标的识别已经成为一项热点研究,基于图像的目标识别也是其中的重点和难点。传统的图像分割包括边缘检测、聚类分割等,本文结合Grabcut算法和卷积神经网络技术,开发一种新型船舶影响目标识别技术,在提高图像目标识别效率的基础上也提高了目标识别的精度,具有实际应用价值。     

视频桥墩防撞预警系统的设计与实现

提出一种利用视频技术实现对桥墩防撞预警的方法.用单目摄像机,获取当前江面图像,利用图像识别技术识别过往船舶;并通过单目摄像机测距技术测量船舶与桥墩的相对位置,起到预警作用.     

基于机器学习的复杂光照条件下的河道船舶自动识别算法

随着大数据时代的到来,尤其是在图像识别领域深度学习理论得到了迅速的发展和应用。与经典的主成分分析（PCA）等识别算法相比较,深度学习算法具有识别率高,鲁棒性强。基于卷积神经网络（CNN）原理,提出了一种在复杂环境条件下基于现场可编程门阵列（FPGA）的实时船舶识别算法,该方法提高了库区复杂环境条件下船舶自动识别的速度和准确性。该识别算法基于全面多节点的FPGA构建,实现船舶快速自动监测的目的。测试结果表明,该方法识别速度已达到360帧每秒（FPS）的传输速度,远远超过现有结果。识别率为85%。此外,该算法针对库区复杂光照环境具有很好的鲁棒性。     

船舶抓拍系统在过闸稽查管理中的应用

针对过闸船舶稽查管理中人工监管繁琐、视频复核难度大等问题,本文结合视频分析与图像识别技术,提出了一种船舶抓拍系统。首先,系统对视频流进行背景建模,结合连通域分析法获得目标船舶;然后,通过边缘检测获得目标船舶像素尺寸,并通过转换关系估计船舶高度、长度以及船速;最后,系统后台记录信息存入数据库以便检索。实地使用表明,该系统可7×24小时全天候稳定工作,且具有识别精度高、响应速度快等优点,基本实现稽查复核的自动化与智能化。     

基于多特性融合的船舶航运图像识别算法

针对原有船舶航运图像识别算法在计算过程中,仅对图像中某一特征提取,造成图像识别精度较差的问题,引用多特性融合技术,设计基于多特性融合的船舶航运图像识别算法。设定图像采集设备,获取航运图像,依据图像预处理流程完成图像预处理。设定特征提取部分中的除原有的边缘特征,增加图像色彩特征以及纹理特征。使用提取到的图像特征,采用粒子滤波的形式,完成船舶航运图像识别。至此,基于多特性融合的船舶航运图像识别算法设计完成。构建实验环节对此方法进行测试,与原有算法相比,此方法对图像识别的有效性更高。综上所述,此船舶航运图像识别算法优于原有船舶航运图像识别算法。     

一种新型支持向量机船舶探测方法研究

在船舶探测领域,需要根据不同的应用场合,采用不同类型的图像识别与探测技术,而海洋环境的可变特征为获取高解析度图像带来了较大困难,使得对于海上船舶图像的探测与识别难以达到良好的效果。为克服这一问题,本文提出一种新型支持向量机船舶探测方法,该方法利用颜色特征对图像块进行特征提取,采用支持向量机进行分类识别,并在分类后进行图像重建来提升分类精度和图像分辨率。仿真结果表明本文的方法能够应用于船舶探测领域,具有较好的可行性和有效性。     

红外图像识别在舰船火灾中的应用分析

船舶上铺设有大量的电力输送线路,由于船舶电力系统的工况恶劣,往往会引发输电线路的短路、漏电等故障,进而引发舰船火灾,造成严重的人员伤亡和经济损失。火灾扑救的最佳时机是在火灾发生初期,因此,为了对船舶火灾事故防患于未然,研究一种行之有效的舰船火灾预防和报警系统有重要的意义。传统的船舶火灾报警系统普遍采用烟雾传感器和热传感器等作为火灾监测器,火灾监测的灵敏度较差且误报率高,具有一定的局限性。本文研究了一种基于红外图像识别技术的新型舰船火灾报警系统,并对该舰船火灾监测与报警系统的图像识别、边缘处理、平滑滤波等技术进行了详细的介绍。     

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。     

基于公共无线IP网络的船舶资源高效识别算法

由于传统识别算法多采用GPRS,CDMA或VHF等通信网络进行船舶资源传输,丢包和错误传输现象严重,导致船舶资源识别准确性得不到保证。针对上述情况,研究一种基于公共无线IP网络的船舶资源高效识别算法。算法通过公共无线IP网络保持不间断的传输过程,减少丢包和错误传输现象,为后续识别提供了更为全面的支撑数据。在后续识别阶段,先是进行资源预处理,包括灰度化、去噪以及背景剪除等,后利用卷积神经网络进行船舶资源特征检测,并通过距离计算,实现资源的检索与识别。结果表明,无论是从资源传输错误率和丢包率侧面,还是从识别准确率正面,本算法的表现均要好于3种传统算法,证明了算法性能。