详情

原文传递过闸船舶货物自动识别系统设计

论文题名：	过闸船舶货物自动识别系统设计
关键词：	船舶安检;货物识别;目标检测;YOLOv3软件
摘要：	近年来，我国长江三峡—葛洲坝船闸的通航流量不断加大，通航船舶的安全隐患日益增多。2018年初交通运输部为保障船员船舶安全，要求对过闸船舶实施100%安检，工作人员的安检任务随之加重。当前，“船舶过闸安检智能一体化研究”项目围绕船舶人员资质证书的核验、通航船舶限高、船载货物自动识别等方向展开了技术研究并取得了重要成果，有效提升了过闸安检效率。其中，船载货物自动识别技术作为过闸船舶远程安检的重要一环，有待进一步提高识别能力，协助安检人员高效安检。因此，加强船载货物自动识别系统的建设是三峡过闸船舶安检系统任务的重中之重。　　本文在船舶过闸安检智能一体化研究的基础上，针对船载货物识别模块展开了讨论。通过对当前船载货物识别方案进行改进，减少配备工作人员的数量，进一步完善船载智能终端移动设备功能，在保证安检质量的同时提高了安检效率。本文选取基于深度学习的YOLOv3目标检测算法作为本实验基础算法，通过轻量化网络结构、增加多尺度特征融合，运用K-means++聚类算法，降低了网络模型复杂度，提高了对中小船载货物的识别准确率并加快了分类收敛速度。本文具体的研究工作内容如下：　　（1）在YOLOv3深度学习算法的主网络结构方面，DarkNet53网络结构被简化为DarkNet41，把相同分辨率的图像作为输入图像，DarkNet41作为特征提取网络进行训练，改进后的网络结构参数数量减少，降低了运算复杂度。　　（2）在多尺度融合方面，本文应用一种增加卷积层融合网络的方法和增强特征细化的特征金字塔复合神经网络结构，服务于船载货物识别系统。即在YOLOv3的主网络之后增加了一层卷积层，令其与浅层的残差网络做特征融合，在特征细化模块（FeatureRefinementModule，FRM）基础上进行改进，使用特征增强细化模块（ImprovedFeatureRefinementModule，IFRM）来过滤冲突信息，减少语义差异。在实际船载货物检测系统中，传输的图像中包含不同尺度的目标。此方法主要解决了微小目标的特征分散和层间语义差异的问题，提高对中小目标的识别正确率。　　（3）在K-means聚类算法方面，用K-means++算法代替K-means，对质心初始随机化选择进行位置优化。K-means++算法有助于加速收敛，缩短了运行时间。　　最终基于Android平台用Java语言进行开发完善船载智能终端的移动设备功能，将船载货物识别算法移植到移动端应用程序中，有助于加强离船安检一体化信息共享平台的建设，为三峡船舶过闸通航智能化安检的进一步发展提供了技术基础。
作者：	张梦旋
专业：	电子通信与工程
导师：	符策;乌旭
授予学位：	硕士
授予学位单位：	大连海事大学
学位年度：	2022