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。     

船舶柴油机机械磨损故障诊断方法研究

柴油机机械磨损直接影响船舶工作的可靠性,为了获得高正确率的船舶柴油机机械磨损故障诊断结果,设计了局部均值分解和机器学习算法的船舶柴油机机械磨损故障诊断模型。首先对船舶柴油机机械磨损故障信号进行局部均值分解,提取的船舶柴油机机械磨损故障特征,然后引入机器学习算法对船舶柴油机机械磨损故障进行分类和识别,最后进行了船舶柴油机机械磨损故障性能测试。结果表明,本文模型的船舶柴油机机械磨损故障正确率超过95%,而且船舶柴油机机械磨损故障的误诊率相当低,完全能够满足当前船舶柴油机机械磨损故障诊断的实际要求。     

船舶导航轨迹识别中智能算法研究

以船舶导航作为研究对象,对船舶导航航行轨迹识别方法进行研究,给出一种智能航迹识别算法。在该算法中,首先通过聚类算法进行航迹图谱的挖掘,得到历史航迹图谱,然后根据航迹图谱,利用卡尔曼滤波方法对航迹异常行为进行识别与预测。实验结果表明,本文给出的船舶导航轨迹智能识别方法具有较好的识别效果。     

复杂场景下港口水域船舶异常行为智能识别方法

传统的船舶异常行为识别方法在识别复杂场景下港口水域船舶行为时,识别准确率过低。针对这一问题研究了一种新的船舶异常行为智能识别方法,设定了识别模板,由数据库模块、匹配模块和识别模块3部分组成,给出了识别模板内部算法的计算流程,同时计算港口信息和船舶信息,得到背景值和目标值后进行比较,判断船舶行为是否存在异常,以此实现异常行为的智能识别。与传统识别方法进行实验对比,结果表明,所研究的识别方法准确率更高,识别效果更好。     

基于机器学习的大规模船舶图像检索机制

船舶图像具有大规模、多样性等变化特点,传统船舶图像检索机制难以获得高精度检索结果。为了获得理想的船舶图像检索结果,设计了基于机器学习的大规模船舶图像检索机制。首先分析当前船舶图像检索研究进展,阐述船舶图像检索基本流程,然后采集不同类型的船舶图像检索特征,选择最优的船舶图像检索特征作为机器学习算法的输入、船舶图像类别作为输出,最后通过机器学习算法的训练建立船舶图像检索的分类器,并与其它船舶图像检索机制进行了对照测试。测试结果表明,本文机制可以满足大规模船舶图像检索要求,船舶图像检索正确率要高于对比船舶图像检索机制,可以更快找到用户需要的船舶图像,获得了令人满意的船舶图像检索结果。     

机器学习算法的船舶路径跟踪误差估计

路径跟踪是船舶航行过程中的一项关键技术,当前船舶路径跟踪的误差大,跟踪实时差,针对该难题,提出基于机器学习算法的船舶路径跟踪误差估计方法。首先对船舶路径跟踪的流程进行分析,找到引起船舶路径跟踪误差的原因,然后收集船舶路径跟踪误差的样本数据,采用机器学习算法建立船舶路径跟踪估计方法,最后对船舶路径跟踪进行仿真模拟测试。机器学习算法可以估计船舶路径跟踪误差变化特点,获得了高精度的船舶路径跟踪结果,减少了船舶路径跟踪误差,船舶路径跟踪实时更好,船舶路径跟踪结果的整体性要明显优于当前其他船舶路径跟踪误差估计方法,具有更加广泛的应用范围。     

基于机器视觉的大规模船舶航行数据自适应识别方法

传统船舶航行数据识别方法,存在瞬态识别数据规模局限性大,超规模阈值下的数据识别准确率过低的问题。在当前船舶航行数据处理规模下,无法高效准确完成船舶航行数据的处理任务。为了在根源解决上述问题,引入机器视觉技术,提出基于机器视觉的大规模船舶航行数据自适应识别方法。首先基于机器视觉技术,对航行数据的识别标准进行定义,同时完成对相关不符识别量进行修正;接着对全局航行数据对应的轨迹信息进行机器视觉结构处理;最后完成对数据的自适应识别计算。通过与传统方法的多组航行数据模拟测试发现,采用提出识别方法的航行数据识别结果,相较传统识别方法具有识别速度快、准确率高、数据规模自适应性强的特点。     

大雾天气海上船舶交通异常挖掘识别方法

传统船舶交通异常识别方法在大雾天气环境下,存在挖掘算法对船舶轨迹异常状态辨识度降低的问题。通过分析发现,原因在于传统方法中没有引入大雾天气对船舶轨迹检测信号的扰动变量,导致轨迹检测数据与挖掘算法之间出现数据断链,降低了数据挖掘的识别效果。因此,提出大雾天气海上船舶交通异常挖掘识别方法分析。首先通过LSTM算法,将大雾天气扰动特征代入挖掘神经网络,获得带有大雾扰动特征神经网络;接着,根据大雾扰动特征建立混合高斯船舶轨迹模型,为交通异常识别提供基础数据;然后,通过Spark分布式挖掘算法,完成对船舶交通异常数据的挖掘识别。通过仿真实验,对传统挖掘识别方法与提出方法效果进行多组数据对比,证明提出挖掘识别方法的有效性。     

无人船舶避碰障碍物智能自动识别方法

传统无人船舶避碰障碍物识别方法,受到方法中识别危险系数判定基数过小的影响,在避碰障碍物识别过程中,无法在有效安全距离下瞬态识别障碍物,造成避碰全局输出准确率与效率降低。为了解决无人船舶识别危险基数过小的问题,提出无人船舶避碰障碍物智能自动识别方法。首先采用智能危险判定算法,对船舶与障碍物之间的距离进行危险系数判定计算;然后根据判定危险系数数据,重构会遇状态模型。通过模型得到算法对障碍物的识别信息;最后通过神经遗传算法,对障碍物分布信息进行避碰数据的识别转换,从而实现优化识别运算场景,提升识别方法识别准确率与输出效率。通过在同一场景下不同识别方法的对比数据表明:提出的识别方法更适合无人船舶的避碰障碍物识别计算,能够有效将障碍物识别准确率控制在97.43%。同时,提升全局输出效率25%以上。     

船舶电力推进系统故障诊断技术

故障诊断技术是船舶电力推进系统研究中的重点,当前无法对船舶电力推进系统的故障进行准确划分,无法获得较优的船舶电力推进系统故障识别效果,为了获得理想的船舶电力推进系统故障诊断效果,设计一种信号去噪和数据挖掘的船舶电力推进系统故障诊断方法。首先分析船舶电力推进系统故障原理,采用船舶电力推进系统故障信号,然后对船舶电力推进系统故障信号进行去噪,提高船舶电力推进系统故障信号质量,并提取船舶电力推进系统故障诊断特征,最后采用最小二乘支持向量机设计船舶电力推进系统故障分类器,并与其他方法进行船舶电力推进系统故障诊断对比实验,相对于对比方法,本文方法的船舶电力推进系统故障诊断率高于94%,不仅船舶电力推进系统故障结果的误识率明显减少,而且加快了船舶电力推进系统故障诊断的速度,具有更加广泛的实际应用领域。     

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DPC-GMM算法的船舶燃油系统故障诊断

[目的]传统的高斯混合模型(GMM)算法存在收敛速度较慢的固有缺陷,容易产生过拟合现象,导致参数计算陷入局部最优,不能很好地用于船舶燃油系统的故障诊断。[方法]首先,分析GMM算法及参数估计算法,结合密度峰值聚类(DPC)算法,提出一种基于DPC-GMM算法的船舶燃油系统故障诊断方法;然后,通过训练船舶燃油系统状态所对应的高斯混合模型参数,实现对船舶燃油系统故障的无监督诊断;最后,基于获取的船舶燃油系统故障数据,验证该方法的有效性。[结果]实验结果表明,采用基于DPC-GMM算法的故障辨识准确率高、识别速度快,优于传统的反向传播(BP)神经网络和支持向量机(SVM)诊断算法。[结论]研究结果对船舶燃油系统的故障诊断有重要的指导意义。     

有限空间下船舶遥感图像低分辨率特征识别分析

传统的遥感图像低分辨率特征识别方法在有限空间下很难清晰准确地完成识别工作,尤其是在区分靠岸船舶和离岸船舶问题上显现出很大的局限性。为了解决此问题,研究了一种新的有限空间下船舶遥感图像低分辨率特征识别方法,首先构建了识别框架,阐述了当船舶位于水体中央和停靠在海岸边时采用的不同识别方法;然后介绍了识别过程,识别过程由水体提取、矢量分解、起点终点划分、模拟检测4步构成;最后通过与传统方法进行对比验证了该方法的识别效果,由实验结果可知,研究的识别方法可以快速精准地完成特征识别,具有很大的市场发展空间。     

T-S模糊模型在船舶推进系统故障诊断中的研究

人们针对船舶电力设计了各种先进的保护与控制装置,尤其在对推进系统的故障预测与诊断方面开发出了多种行之有效的诊断算法。基于以上需求,本文开发出基于T-S模糊模型的推进系统故障诊断系统,首先建立船舶推进系统中的电机仿真模型,对电机的电压、磁链和运动特性进行研究。在此基础上,利用T-S模糊模型设计了故障识别算法的数学模型,对此模型进行线性化处理后,得到了简化的故障诊断步骤,应用Matlab对算法的故障识别特性进行仿真,从实验结果发现该算法的性能基本能够满足一般情况下的故障识别需求。     

基于机器学习的船舶能耗智能预测方法验证分析

船舶能耗智能预测是实现船舶能效智能评估与优化决策的基础和前提。大数据、人工智能、机器学习等新兴技术促进了船舶能耗预测方法的不断发展,为分析不同基于机器学习的船舶能耗预测算法的预测精度与效果,进行了不同预测算法的实例验证分析。结合船舶油耗及其影响因素实船采集数据,通过采用不同机器学习算法对船舶能耗进行预测分析,验证了各算法的特点和优势,从而为选择合适的船舶能耗预测算法提供参考。     

基于红外图像的船舶特征识别方法

传统船舶特征识别结果准确性较低,且相关人员不能根据此结果,快速完成船舶图像复原。为解决此问题,设计基于红外图像的船舶特征识别方法。通过ROI低分辨率红外图像提取、图像特征相邻方向指示2个步骤,完成基于低分辨率红外图像的船舶特征识别。通过ROI高分辨率红外图像提取、图像增强预处理2个步骤,完成基于高分辨率红外图像的船舶特征识别。设计对比实验结果表明,基于红外图像的船舶特征识别方法,与传统方法相比,能够保证特征识别结果的准确性,为快速完成船舶图像复原操作提供可能。     

船舶电气防火与防爆

列举了船舶电气系统故障引发火灾和爆炸的原因 ,提出了船舶建造和船舶营运中对电气防火与防爆的要求。     

蚁群优化算法在船舶电力系统重构中的应用

船舶工业的发展是我国国防工业、交通运输的重要基础,船舶电力系统的故障重构一直是国内外研究的热点,船舶电力系统故障重构是一典型的非线性组合优化问题。本文提出了一种改进的蚁群算法对船舶电力系统故障重构问题进行研究,并通过实例分析和实验仿真将改进后的蚁群算法和传统基本蚁群算法进行对比分析,得出了改进后的蚁群算法在船舶电力系统故障重构问题上具有更加优越的性能。     

不稳定条件下船舶遥感图像层次特征识别分析

传统遥感图像特征识别方法,在不稳定条件下无法准确对图像中的层次信息进行特征识别及分析处理。因此,提出不稳定条件下船舶遥感图像层次特征识别方法。通过对遥感图像进行特征干扰源提取计算,使图像层次变得清晰;引入卷积神经网络算法对图像层次特征进行网络化特征提取计算;采用像素特征识别方法对图像层次特征进行识别与分析;最后,通过实验对设计方法进行可行性的客观论证。     

复杂背景遥感影像中小目标船舶细粒度智能识别

船舶航行背景较为复杂,导致小目标船舶细粒度智能识别结果准确度较低,为解决这个问题,提出一种复杂背景遥感影像中小目标船舶细粒度智能识别方法。构建了图像变形校正模型,对图像旋转、拉伸、缩放等形式变换处理。设计损失函数训练识别模型,并构建多任务损失函数训练模型,确定了小目标识别参考区域,以此完成小目标船舶细粒度智能识别。实验结果表明,所研究的识别方法在较暗情况下、尺寸不同情况下与云雾遮盖下都能够准确识别出船舶,证明了所研究的识别方法的有效性。