载人潜水器水下摄像信息识别技术研究
发布时间：2021-01-31 22:53
深海环境蕴藏丰富的生物及矿产资源,摄像技术是研究深海生物多样性以及深海矿产分布等规律一种有效的手段,目前海洋研究机构已经在部分海域定点安装摄像头以实现对海洋的动态检测。然而,海洋研究人员需要对长时间拍摄的深海摄像信息投入大量的时间和精力提取摄像中的目标信息。针对如何高效挖掘水下信息这一问题,本文提出了一项载人潜水器水下摄像信息识别技术研究,该项技术通过对深海摄像信息中具体对象进行特征提取、特征分类从而实现对载人潜水器水下摄像信息的挖掘,具体研究工作如下:（1）针对载人潜水器水下摄像信息提取困难这一问题,提出了一种载人潜水器水下摄像信息识别方法,并围绕该识别技术设计出一款载人潜水器水下摄像信息识别系统软件,将计算机视觉技术及深度学习思想应用于载人潜水器领域。（2）针对深海图像特点选择了三种不同深度学习识别算法,对三种识别算法原理及结构进行了详细的研究与分析,并通过大量实验数据比较了三种识别算法分别针对单一型和密集型两种不同类型的摄像信息在识别速度及精度两方面的性能。实验结果表明不同识别算法针对相同的载人潜水器水下摄像信息在准确率、识别速度等方面有所差异,最终确定综合性能最好的R-FCN算...
【文章来源】：青岛科技大学山东省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图像采集示意图(a)"AUSS"underwatervehicle(b)IAUV(c)Imageacquisition（a）“AUSS”水下运载器（b）IAUV（c）
卷积神经网络（CNN）一般由五部分组成即输入层、卷积层、池化层、全连接层和 Softmax 层[35]，其中隐含层的卷积层和池化采样层是整个卷积神经网络的核心模块负责实现对神经网络特征提取功能。网络训练算法采用的是 BP出无限接近，从而达到训练的目的心模块负责实现对神经网络特征提取功能。卷积神经网络与其他神经网络一样算法[36]，通过不断调整参数使网络最终输出与期望输[37]，卷积神经网络整体架构如图卷积神经网络与其他神经网络一样2-1 所示。
Fig.2-2（2）卷积层积层是卷积神经网络的核心单元，大部分计算过程都在卷积层中完成，该层中每一个神经元与上一层的一个或是多个输出特征图连接，不同的特征经过组合图 2-2 卷积神经网络输入层示意图2 Convolutional neural network input layer schematic
【参考文献】：
期刊论文
[1]基于深度学习的图像识别技术综述[J]. 徐梦雪. 计算机产品与流通. 2019(01)
[2]基于混合采样的不平衡数据集算法研究[J]. 张明,胡晓辉,吴嘉昕. 计算机工程与应用. 2019(17)
[3]深海潜水器研究现状与展望[J]. 朱大奇,胡震. 安徽师范大学学报(自然科学版). 2018(03)
[4]载人潜水器发展现状及趋势[J]. 任玉刚,刘保华,丁忠军,李晔,杨磊,胡晓涵. 海洋技术学报. 2018(02)
[5]基于遗传算法优化的BP神经网络在密度界面反演中的应用[J]. 张代磊,黄大年,张冲. 吉林大学学报(地球科学版). 2017(02)
[6]基于D-S证据理论的信息融合图像识别[J]. 张逵,朱大奇. 上海海事大学学报. 2012(03)
[7]神经网络BP算法研究综述[J]. 陈流豪. 电脑知识与技术. 2010(36)
[8]一种新的有效消除图像中Gibbs噪声的算法[J]. 郭宝龙,武晓玥,李雷达. 中国激光. 2010(03)
[9]基于稳态自适应技术的水下机器人系统在线辨识[J]. 张铭钧,胡明茂,徐建安. 系统仿真学报. 2008(18)
[10]智能水下机器人技术展望[J]. 徐玉如,庞永杰,甘永,孙玉山. 智能系统学报. 2006(01)
博士论文
[1]水下图像处理及目标分类关键技术研究[D]. 白继嵩.哈尔滨工程大学 2017
硕士论文
[1]基于局部特征的表情识别研究[D]. 李月.南京邮电大学 2018
[2]基于特征学习与有效区域基因选择算法的商品图像属性标注[D]. 殷依.华东交通大学 2018
[3]基于卷积神经网络和混合高斯的行人重识别[D]. 宋晓芳.西安理工大学 2018
[4]基于深度卷积神经网络的人体动作识别[D]. 张瑞.南昌航空大学 2018
[5]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[6]基于视觉的水下目标识别与定位技术研究[D]. 权稳稳.山东大学 2018
[7]基于深度学习的图像语义分割方法[D]. 张建.电子科技大学 2018
[8]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[9]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
本文编号：3011722
【文章来源】：青岛科技大学山东省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
图像采集示意图(a)"AUSS"underwatervehicle(b)IAUV(c)Imageacquisition（a）“AUSS”水下运载器（b）IAUV（c）
卷积神经网络（CNN）一般由五部分组成即输入层、卷积层、池化层、全连接层和 Softmax 层[35]，其中隐含层的卷积层和池化采样层是整个卷积神经网络的核心模块负责实现对神经网络特征提取功能。网络训练算法采用的是 BP出无限接近，从而达到训练的目的心模块负责实现对神经网络特征提取功能。卷积神经网络与其他神经网络一样算法[36]，通过不断调整参数使网络最终输出与期望输[37]，卷积神经网络整体架构如图卷积神经网络与其他神经网络一样2-1 所示。
Fig.2-2（2）卷积层积层是卷积神经网络的核心单元，大部分计算过程都在卷积层中完成，该层中每一个神经元与上一层的一个或是多个输出特征图连接，不同的特征经过组合图 2-2 卷积神经网络输入层示意图2 Convolutional neural network input layer schematic
【参考文献】：
期刊论文
[1]基于深度学习的图像识别技术综述[J]. 徐梦雪. 计算机产品与流通. 2019(01)
[2]基于混合采样的不平衡数据集算法研究[J]. 张明,胡晓辉,吴嘉昕. 计算机工程与应用. 2019(17)
[3]深海潜水器研究现状与展望[J]. 朱大奇,胡震. 安徽师范大学学报(自然科学版). 2018(03)
[4]载人潜水器发展现状及趋势[J]. 任玉刚,刘保华,丁忠军,李晔,杨磊,胡晓涵. 海洋技术学报. 2018(02)
[5]基于遗传算法优化的BP神经网络在密度界面反演中的应用[J]. 张代磊,黄大年,张冲. 吉林大学学报(地球科学版). 2017(02)
[6]基于D-S证据理论的信息融合图像识别[J]. 张逵,朱大奇. 上海海事大学学报. 2012(03)
[7]神经网络BP算法研究综述[J]. 陈流豪. 电脑知识与技术. 2010(36)
[8]一种新的有效消除图像中Gibbs噪声的算法[J]. 郭宝龙,武晓玥,李雷达. 中国激光. 2010(03)
[9]基于稳态自适应技术的水下机器人系统在线辨识[J]. 张铭钧,胡明茂,徐建安. 系统仿真学报. 2008(18)
[10]智能水下机器人技术展望[J]. 徐玉如,庞永杰,甘永,孙玉山. 智能系统学报. 2006(01)
博士论文
[1]水下图像处理及目标分类关键技术研究[D]. 白继嵩.哈尔滨工程大学 2017
硕士论文
[1]基于局部特征的表情识别研究[D]. 李月.南京邮电大学 2018
[2]基于特征学习与有效区域基因选择算法的商品图像属性标注[D]. 殷依.华东交通大学 2018
[3]基于卷积神经网络和混合高斯的行人重识别[D]. 宋晓芳.西安理工大学 2018
[4]基于深度卷积神经网络的人体动作识别[D]. 张瑞.南昌航空大学 2018
[5]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[6]基于视觉的水下目标识别与定位技术研究[D]. 权稳稳.山东大学 2018
[7]基于深度学习的图像语义分割方法[D]. 张建.电子科技大学 2018
[8]基于卷积神经网络的图像识别方法研究[D]. 段萌.郑州大学 2017
[9]基于TensorFlow的卷积神经网络的应用研究[D]. 姜新猛.华中师范大学 2017
本文编号：3011722
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3011722.html
