原文传递
基于卷积神经网络的水上目标检测方法研究
| 论文题名： | 基于卷积神经网络的水上目标检测方法研究 |
| 关键词： | 船舶自动识别;水上目标检测;卷积神经网络;特征提取;边缘检测 |
| 摘要： | 水路运输是一种重要的交通运输方式，一直在国家、地区之间贸易往来中发挥了重要的作用。随着我国海洋强国战略、“一带一路”战略深入实施，水上交通日趋繁忙，船舶大型化、高速化、智能化的特征越发明显。另一方面，在智能制造、工业4.0、人工智能2.0等新一轮工业革命浪潮的推动下，船舶智能化已是大势所趋。船舶辅助驾驶技术作为船舶智能化航行的关键技术，已引起广泛的关注。目前船舶辅助驾驶技术主要依赖船舶自动识别系统、雷达等现代导航信息系统数据，在水上实际目标检测中信息有限。随着近几年深度学习理论和技术的飞速发展，基于计算机视觉的目标检测技术可深入挖掘目标特征信息，大大弥补船舶自动识别系统和雷达的不足。如何基于计算机视觉、深度学习等理论和技术，开展水上目标检测问题的研究和实践成为本世纪航海科技发展的新方向和前沿。 本文提出了一种基于卷积神经网络（Convolution neural networks,CNNs）的水上目标检测方法，设计了不同策略下的深度卷积神经网络模型，通过对自主收集的水上目标图像数据进行训练和测试，对目标的检测效果进行了分析。 本文主要研究工作包括： （1）首先对卷积神经网络的结构、特点以及目标检测策略进行了分析；并对近几年基于卷积神经网络的两类目标检测方法以及基于区域提名网络的多尺度改进模型进行了综述。 （2）基于卷积神经网络目标检测技术的思想，设计了两种不同策略为主的深度卷积神经网络。模型一以加深网络层数策略为主，采用了最新的深度残差网络作为特征提取网络，通过连接设计的候选区域提名网络和多任务损失网络，搭建端到端的目标检测模型。引入批规范化层、Xavier权值初始化、dropout等策略对网络进行优化。模型二以多种策略的融合为主，根据图像数据集的目标特征在网络中引入不同的策略，采用VGG19网络作为特征提取网络，并引入C.ReLU结构块、Inception结构块以及多层特征融合等策略对网络进行优化，根据图像的目标特征对候选区域提名网络进行优化，最后连接多任务损失网络，搭建端到端的目标检测网络。 （3）收集了各类相关船舶的图像数据，进行人工处理，并将图像数据输入到设计的模型中进行训练和测试。在基于区域提名网络和基于回归方法的卷积神经网络中选取性能最好的模型和本文设计的模型进行对比测试。实验证明，本文设计的模型在船舶数据集的检测中准确率均高于对比模型，尤其是模型二的检测准确率远远高于其余三个网络模型，取得了较好的检测结果。 |
| 作者： | 宁方鑫 |
| 专业： | 交通信息工程及控制 |
| 导师： | 熊勇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 武汉理工大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
