基于CWT和改进YOLOv5s的港口机械轴承故障诊断方法

针对现有轴承故障诊断方法依赖人工经验进行特征提取的问题,提出了一种基于连续小波变换（CWT）和改进YOLOv5s的港口机械轴承故障诊断方法。首先,运用CWT将轴承故障振动信号转为时频图像;其次,通过嵌入CBAM注意力机制模块改进YOLOv5s模型;最后,将时频图像输入到改进YOLOv5s.模型中并输出分类结果。实验表明,与现有的模型进行比较,本文方法平均正确率达到了9975%,且具有较好的鲁棒性。     

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。     

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。     

船舶三维图像绘制纹理细节增强方法研究

船舶结构件三维建模是船舶设计与开发过程中的关键环节。在概念设计阶段,为了提高船舶三维模型的逼真程度,往往需要采用三维渲染技术提升模型的外观特性。其中,纹理映射是一种应用较广、效果良好的三维渲染手段。本文介绍纹理映射技术的原理与发展现状,结合GPU图像处理技术进行舰船三维图像绘制纹理细节的增强方法研究。     

基于视觉传达的大型船舶智能导航界面设计方法

针对导航界面显示导航参数不够充分情况,提出基于视觉传达技术的大型船舶智能导航界面设计方法。该方法以用户视觉传达为中心的设计理念为基础,设计大型船舶智能导航界面设计模型;利用该模型的用户分析单元分析用户需求、确定导航用户目标后,使用界面规格与功能设计单元确定导航界面内容和界面功能;再利用信息架构与交互设计单元设计智能导航界面链接、搜索栏等功能,并利用界面设计与导航设计单元中的导航模块发送与接收信号,使用视觉传达技术内的Qtopia图形套件搭建智能导航图形界面。实验结果表明,该方法设计的大型船舶智能导航界面可充分展示航行过程中的相关参数,具备较好的视觉传达效果,应用效果较佳。     

基于视觉传达的船舶组合导航人机交互界面系统

针对船舶航行环境复杂、天气多变等因素给船舶组合导航带来的诸多问题,提出一种基于视觉传达的船舶组合导航人机交互界面系统。首先设计带有地图创建、路径规划、人机交互、组合导航四大模块的硬件系统,秉持模块化的设计理念设计图像预处理和基于地图匹配-GPS-航行状态组合的软件程序,并在程序中添加图像特征提取技术,获取地图图像的直线特征。最后将软件程序添加到硬件系统中,利用地图匹配算法获取最佳航行路径。实验结果表明,系统的导航精度高、轨迹规划和避障能力强。     

基于图像分割的海上舰船目标智能感知算法

海上舰船目标的智能感知是无人水面艇、无人机视觉系统的最主要任务之一,针对海上舰船目标智能检测识别存在的问题,提出基于编码器-解码器结构的海上舰船目标图像智能分割算法,以像素级分割替代常规的检测方法,为海上无人平台的智能感知提供算法支撑。首先,针对通用的图像分割方法中存在的高层语义特征丰富、空间分辨率降低的问题,提出基于膨胀卷积的多尺度特征融合模块,提高编码器的特征提取能力;然后,针对不同目标像素身份判别的难点,在原有编码-解码结构基础上,增加了一个身份识别辅助网络分支,引导编码器对不同身份目标的特征进行关注,提高特征表示对不同身份目标的表征能力。最后,在所构建的6类舰船目标分割数据集上进行实验验证。结果表明,本文方法在准确率上较通用分割方法能更有效地实现舰船目标分割,验证了本文方法的有效性。     

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。