基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

基于嵌入式系统的舰船图像拼接技术

常规舰船图像拼接技术无法实现多环境的图像拼接,为此设计基于嵌入式系统的舰船图像拼接技术,对采集的舰船图像进行降噪处理后,利用均值法划分特征领域,通过特征领域构建尺度空间,利用尺度空间法则对图像特征进行配准处理,通过嵌入式系统中的换算函数对图像进行连接强化,实现舰船图像技术拼接。将设计的技术与常规3种图像拼接技术进行对比,在不同实验环境下,本文方法图像拼接能力明显好于3种传统方法。     

一阶逻辑中的扩展子句消去原则

对于一阶逻辑定理证明器，子句集化简一直是必不可少的步骤，这将有助于提高后续一阶逻辑定理证明器的证明效率. 针对子句冗余性的判断，提出了一种评估子句冗余性的原则:集合蕴涵模归结原则. 并且证明了该原则在不带等词一阶逻辑上的可靠性，根据该原则删除子句，不会影响原始子句集的不可满足性或者可满足性. 此外，依据该原则提出了两种新型的一阶逻辑预处理方法:集合归结包含消去（set resolution subsumption, SRSE）方法和集合归结不对称恒真消去（set resolution asymmetric tautology elimination, SRATE）方法，并证明了这两种子句消去方法在不带等词一阶逻辑子句集上的可靠性. 最后在理论上比较了SRSE方法和归结包含消去（sesolution subsumption elimination, RSE）方法以及SRATE方法和归结不对称恒真（sesolution asymmetric tautology elimination, RATE）方法之间的有效性，结果表明SRSE方法和SRATE方法分别比RSE方法和RATE方法更为有效.      

基于数据驱动的船舶油耗预测模型研究

以某客滚船为研究对象,将大量航行实际数据进行预处理,通过斯皮尔曼等级相关分析选择出船舶左右桨螺距、左右舷舵角、纵倾、船首风速、船舶对水和对地航速为油耗主要影响参数。建立基于LSTM神经网络的黑箱模型对数据进行学习并预测油耗,额外选取测试样本验证模型精度,优化模型内部结构以进一步提高预测精度。将最终得到的预测数据与实测数据对比,证明模型具有良好的准确性。该研究方法能为船舶运营人员优化运营方案提供参考,能够提高水路交通运输的经济性。     

基于图像分割的船舶吃水深度检测方法

针对传统的船舶吃水深度检测方法精准度低的情况,提出基于图像分割的船舶吃水深度检测方法。以得到精准的舰船吃水值为出发点,采集舰船吃水图像,并进行动态模板匹配,减少舰船晃动对吃水深度检测的影响,在此基础上,对船舶水尺图像字符进行校正,计算吃水线位置,得到舰船吃水深度,以此实现船舶吃水深度检测。实验对比结果表明,此次设计的基于图像分割的船舶吃水深度检测方法比传统的吃水深度检测精准度高,具有一定的实际应用意义。     

基于LeNet-5的编组站站内机车车号识别系统的研究

编组站内机车车号的识别问题一直制约着本务机车综合管控技术的发展。为了解决这一问题,针对机车车次,机车类型自动识别问题进行研究。改进了基于卷积神经网络LeNet-5的识别算法,并收集了大量机车车次图像素材,通过图像预处理后,使用训练集进行模型训练,形成适用于机车车次识别的网络模型,通过使用python语言与.NET平台实现了机车车次识别系统的设计。实验表明,该方法对机车车号的识别达到了较高的识别水平。目前,车号识别系统已在中国铁路武汉局集团有限公司襄阳北站试验,高清图像素材从车站高清货检系统处获取,识别效果良好,为实现智慧型编组站提供了有力的技术支撑。     

数字化硬盘录像系统的软件技术研究

探讨硬盘录像系统的构建与程序设计技术，通过用Delphi设计一个金融保安硬盘录像系统的实例，讲述用图像摄取控件高效设计录像系统的面向对象的程序设计技术。     

基于自适应活动轮廓的图像分割

在活 动轮廓的基础上，引入了统计“图像势能”和松驰法，提出了基于自适应活动轮廓的图像分 割方法。该方法克服了活动轮廓的一些缺陷，能准确、可靠地检测物体曲率高的边缘部分，且分割结果与活动轮廓的初始位置无关。实验结果验证了该方法的有效性。