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。     

基于视觉的船舶环境感知数据融合算法研究

海上安全事故往往由人为因素造成,因对环境条件感知不足而导致的操作失误是一个主要原因.论文提出基于视觉的船舶环境感知数据融合算法,对相机、雷达和船舶自动识别系统(AIS)进行多传感器数据融合,实现对船舶周边环境的高效感知.基于YOLOv3建立船舶自动识别模型,通过相机图像实现对周边船舶的自动化目标检测.然后,使用IOU匹...     

船舶自动识别系统中的计算机视觉技术应用

受环境等外部因素的影响,利用自动识别系统对船舶身份进行识别,存在识别不准确的问题,为解决这一问题,研究者们将计算机视觉技术应用其中,以期改善系统的识别效果。在此背景下,首先对船舶自动识别系统与计算机视觉技术进行分析,然后具体探讨计算机视觉技术在船舶自动识别系统中的应用过程,包括图像采集、图像预处理、图像定义与分割、字符识别等4项内容;最后通过实验对应用效果进行验证,结果表明:应用了计算机视觉技术的船舶自动识别系统较未应用前,数字识别准确性提高14.3%,汉字识别准确性提高12%,识别效果改善,由此证明计算机视觉技术对改善船舶自动识别系统性能有帮助作用。     

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。     

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AIS与机器视觉检测的船桥智能避碰系统

为提高目标识别率，基于自动识别系统（Automatic Identification System,AIS）与机器视觉检测的船桥智能避碰系统，提出针对大背景中微小船舶目标的检测方法，主要包括图像预处理、图像处理和目标识别。试验结果表明：单纯视觉检测目标识别率可达到98.52%,AIS与机器视觉检测设备共同工作情况下识别率可达到100%。研究成果可为船桥智能避碰系统的设计提供一定参考。     

大数据分析下船舶破碎尾迹图像自动识别技术

传统的船舶破碎尾迹图像自动识别技术在短时间内的识别清晰度很差,即使加大工作时间,识别的清晰度也不能达到100%,存在细节误差,为船舶航行埋下安全隐患。基于大数据分析研究了一种新的船舶破碎尾迹图像自动识别技术,技术模型由数据库、筛选技术、识别技术、计算机视觉等多种系统组成;通过检测、筛选、对比、识别完成整个过程。由实验结果可知,给出的自动识别技术对于船舶破碎尾迹识别清晰度最高可达到99%,最低也可以达到45%,清晰度远远高于传统技术,具有很好的发展前景。     

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)。     

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。     

电子信息雷达系统与自动识别系统信号融合的数学模型研究

雷达系统是舰船上最早装备的一种探测、导航系统,这种系统具有快速、直观、抗干扰能力强等优点,但不具备目标检测功能,船舶自动识别系统AIS的出现填补了雷达系统的识别功能,且识别过程受气象、水文等条件影响较小,具有非常巨大的应用价值。本文研究的主要内容是雷达系统和船舶自动识别系统的信息融合技术,这种信息融合技术可以充分利用两系统的优势,为舰船提供可靠的、质量高的通信数据、导航数据和目标探测数据,具有一定的研究意义和价值。     

船舶通信系统的AIS与雷达信息融合技术研究

我国目前阶段,雷达技术的应用范围相对广泛,特别是在海上监视领域中。其中,高频地波雷达能够实现超视距探测与跟踪,并实时监视区域内的动态目标,但却无法准确地提供目标身份信息。而AIS,即船舶自动识别系统的应用,则能够对监视区域内部的目标信息进行详细地检测,在识别目标类型与身份方面获得了极大的便利。然而,AIS却无法提供非合作目标信息数据。由此可见,两者各有优缺点,在提供信息方面能够实现互补,所以,船舶通信系统的AIS与雷达信息融合技术的系统化研究十分有必要。     

船舶大气污染物岸基嗅探式自动监测系统设计与验证

为实现船舶大气污染物排放量的远程测量,初步筛选出高排放船舶,提高船舶排放监管的针对性和效率,设计一种基于嗅探式传感器的岸基监测设备和配套的软件平台系统。系统通过采集船舶大气污染物浓度数据、船舶自动识别系统(Automatic Indentification System,AIS)数据和气象数据等实时信息,基于船舶尾气排放量在线估算方法、船舶尾气排放扩散数值模拟、观测数据的模式识别算法等,实现船舶尾气排放特征的在线识别和疑似高排放船舶的粗筛。对比在相同环境条件下CALPUFF模型计算得到的气体污染物模拟理论浓度,验证岸基嗅探式自动监测系统的监测可行性和准确性。     

基于视觉技术的船舶发动机气缸套内孔圆度检测

气缸套内孔轮廓以畸变的形状分布,常规方法利用识别技术检测内孔圆度,但大量图像背景纹理干扰内孔轮廓检测稳定性,基于视觉技术研究全新的方法,检测船舶发动机气缸套内孔圆度。定位工业相机视觉位置,利用视觉技术获取气缸套内孔图像,结合视觉原理抑制处理图像纹理,根据正多边形理论建立圆度评价模型,使用灰度共生矩阵检测内孔圆度。实验结果表明,与基于识别算法和自动识别的2组检测方法相比,本文方法获得的内孔轮廓更细腻,5轮检测都能得到与预期近似的结果。     

基于数据挖掘的船舶航迹自动识别系统

以充分掌握船舶航行动态为目的,设计基于数据挖掘的船舶航迹自动识别系统。该系统使用跟踪监控单元内的海事雷达和船载单片机监控终端获取船舶航行数据后,利用无线通信单元内的无线传感器、网络协调器等设备将船舶航行数据发送至数据存储与集成单元;利用该单元对船舶航行数据进行打包分发、在线压缩和存储等处理。航迹识别单元从数据存储与集成单元内调取压缩存储的船舶航行数据,并对其进行区域航迹提取、坐标转换和时间校准后,再利用基于数据挖掘的轨迹融合方法完成其航迹识别,然后将识别结果发送至展示单元呈现给用户。实验结果表明：该系统在应用过程中其运行稳定性接近99.5%,并且具备良好的通信传输能力;也可在船舶航迹复杂交错和存在其他船舶干扰情况下有效识别目标船舶航迹,应用效果显著。     

船用自动识别系统在物联网及VTS中应用的关键技术研究

物联网技术和船舶交通管理系统VTS在保障船舶安全方面发挥着重要作用,但其在船舶识别功能上的局限性导致无法适应航运业安全的需求,船用自动识别系统能够解决目前存在的问题,提高船船、船岸间的信息交互能力。本文深入研究递推最小二乘算法,并结合最优加权算法,提出动态信息融合模型,有效减少测量误差,提高系统精度。     

船舶运输智能交通系统运动目标自动识别方法

针对当前船舶运输智能交通系统运动目标自动识别方法识别能力较差,导致识别误差过大的问题,提出一种新的船舶运输智能交通系统运动目标自动识别方法。利用激光扫描确定船舶交通环境中,建立交通系统背景模型,分析背景图像和因素点之间的关系,选用连续三帧差加速法,确定灰度投影曲线,通过相关计算得到图像之间的运动位移,实现运动目标自动识别。实验结果表明,所提方法的运动目标识别率较高,检测误差率较低,能够有效缩短计算时间。     

船舶自动识别系统中视觉跟踪控制研究

船舶自动识别系统AIS诞生于20世纪90年代,最初是由舰船、飞机的敌我侦察系统发展而来的,船舶自动识别系统不论在军事领域还是民用领域都具有非常广泛的应用,包括船舶定位和导航、船舶通信、渔业生产管理等。船舶自动识别系统主要由海岸基站、VHF通信器和船载基站等组成,目前,在船舶的障碍避让、船岸通信、海上交通管理等方面发挥着必不可少的作用。本文针对传统的船舶自动识别系统,将机器视觉跟踪技术应用于船舶的识别和侦察过程中,并对该系统的噪声过滤等问题进行研究,大幅提高了AIS系统的船舶识别效率,具有重要的意义。     

基于物联网的船舶异常数据自动识别系统研究

物联网在船舶数据检测领域的应用日益广泛,基于物联网构建起船舶异常数据自动识别系统,可提升异常数据自动识别的性能指标,实现对船舶异常行为的实时监控。在船舶异常数据自动识别中,物联网技术是实现数据传输和共享的关键技术,并能够及时根据识别结果发出报警,以便于船舶快速做出防范决策,保证船舶航行的安全性。本文介绍了基于物联网的船舶异常数据自动识别系统在国内外的研究现状,提出运用主成分分析法和支持向量机算法构建船舶异常数据自动识别模型,并论述了异常数据自动识别系统的设计与实现。     

基于人工智能的船舶识别关键技术研究与应用

内河航运受环境和航道等因素影响,现有船舶识别技术对船舶身份进行识别,存在识别不准确、无法识别等问题。为解决这一问题,项目课题组首次提出通过人工智能技术来实现船舶自动识别。本文提出的基于人工智能的船舶识别技术,在湖州的实验表明,应用了人工智能技术的船舶识别系统,整体识别精度达到95%以上,识别效果改善明显。本文将对人工智能技术在船舶智能识别系统中的应用进行论述,以期为行业应用提供技术支撑。