基于深度学习的渔网检测方法研究
发布时间：2022-01-17 21:27
随着社会的发展,海洋的价值越来越被人类所重视,人们开始从不同角度开发和利用海洋。然而在海洋捕捞的过程中往往伴随着渔网破损,散落在海中,进而导致渔网缠绕螺旋桨事件越来越多的发生,给航运业以及海洋环境带来了很大的直接或者间接的损失。目前对于渔网探测仍缺乏有效的探测手段,也未见渔网检测相关的报道。本文针对当下的深海探测技术对渔网探测距离近、检测精度低、实时性不好以及缺少空间信息等问题,提出生成网络、深度学习目标检测和双目定位方法相结合的渔网目标检测方法,其具体研究内容如下:1)对当下水下目标探测以及深度学习国内外发展现状进行深入分析,并结合渔网自身的特点,构建水下激光扫描系统进行水下渔网数据高精度、远距离的采集,得到具有清晰渔网特点的水下光学数据。2)简要介绍传统卷积神经网络的结构单元,针对实验采集渔网数据形态单一、数据量小的问题,改进网络结构和优化算法的深度生成对抗网络,生成具有训练评价指标的高质量伪渔网图像,实现对原始数据扩增,为后续深度学习目标检测奠定大数据基础。3)分析经典深度学习特征提取网络结构以及主流的深度目标检测算法的优缺点,改进特征提取网络、扩大感受野范围的多尺度特征融合的深...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
目标检测在大量专家、学者的努力下，目标检测技术实现跨越式进步，智能化的算法性能接
图 1.2 DPM 目标检测计算流程今的生产、生活应用中，深度学习的目标检测方法逐渐替代传深度学习模型是卷积神经网络(Convolution Neural Network，C授团队利用卷积神经网络设计了 AlexNet[8]，使之在 ImageNet 法团队，使得 CNN 成为计算机视觉领域中最为重要的工具之了一个新的阶段。目前，现有的深度学习的目标检测算法大致 的区域目标检测算法，典型代表性的 R-CNN 系列[9-13]；基于型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目标搜索的检测算 Attention-Net[18]算法。
图 1.2 DPM 目标检测计算流程如今的生产、生活应用中，深度学习的目标检测方法逐渐替代传统方的深度学习模型是卷积神经网络(Convolution Neural Network，CNN)n 教授团队利用卷积神经网络设计了 AlexNet[8]，使之在 ImageNet 问题方法团队，使得 CNN 成为计算机视觉领域中最为重要的工具之一。入了一个新的阶段。目前，现有的深度学习的目标检测算法大致分为NN 的区域目标检测算法，典型代表性的 R-CNN 系列[9-13]；基于回归典型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目标搜索的检测算法，的 Attention-Net[18]算法。
【参考文献】：
期刊论文
[1]基于LK和FAST的时间序列图像快速配准算法[J]. 荆滢,齐乃新,杨小冈,卢瑞涛. 红外与激光工程. 2018(11)
[2]射电天文图像的反卷积算法研究[J]. 张利,徐龙,米立功,马家君. 天文学报. 2018(06)
[3]声纳技术的发展道路[J]. 佟宏伟. 科技创新与应用. 2018(33)
[4]基于SqueezeNet的轻量化卷积神经网络SlimNet[J]. 董艺威,于津. 计算机应用与软件. 2018(11)
[5]颗粒物分界层Mie散射激光雷达识别的sigmoid算法[J]. 朱育雷,倪长健,邓佩云. 中国环境科学. 2018(10)
[6]基于改进特征加权的朴素贝叶斯分类算法[J]. 丁月,汪学明. 计算机应用研究. 2019(12)
[7]S-Harris:一种改进的角点检测算法[J]. 孙万春,张建勋,朱佳宝,陈虹伶,郑集元. 重庆理工大学学报(自然科学). 2018(10)
[8]Harris和Sift算法在不同尺度下提取特征点分析[J]. 罗通. 信息系统工程. 2018(08)
[9]基于单光子的星载激光水下目标探测深度研究[J]. 彭志兴,周保琢,陈华,张志,谭平. 激光与红外. 2018(07)
[10]基于CNN双目特征点匹配目标识别与定位研究[J]. 蒋强卫,甘兴利,李雅宁. 无线电工程. 2018(08)
博士论文
[1]半监督学习和数值模拟的煤层底板突水预警系统研究[D]. 刘雪艳.太原理工大学 2016
硕士论文
[1]基于非冗余互补信息的图像超分辨率算法研究[D]. 史长宏.兰州理工大学 2018
[2]基于深度视感知学习的食物识别移动端系统研究与开发[D]. 蓝天.兰州理工大学 2018
[3]人脸检测与匹配识别算法研究[D]. 王艺蒙.哈尔滨工业大学 2018
[4]基于深度学习的隐写分析研究[D]. 吴艳红.北京交通大学 2018
[5]AGV视觉定位系统的设计与实现[D]. 于亦奇.浙江大学 2018
[6]基于深度卷积神经网络的人脸检测算法研究[D]. 王启航.浙江理工大学 2018
[7]面向目标识别的多特征融合研究与实现[D]. 张建虎.北京交通大学 2018
[8]基于生成对抗网络的图像超分辨率算法研究与改进[D]. 付凌志.哈尔滨工业大学 2018
[9]基于深度轮廓波卷积神经网络的遥感图像地物分类[D]. 马丽媛.西安电子科技大学 2017
[10]基于SIFT的局部不变特征研究[D]. 滕日.中国科学院研究生院(光电技术研究所) 2016
本文编号：3595469
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：89 页
【学位级别】：硕士
【部分图文】：
目标检测在大量专家、学者的努力下，目标检测技术实现跨越式进步，智能化的算法性能接
图 1.2 DPM 目标检测计算流程今的生产、生活应用中，深度学习的目标检测方法逐渐替代传深度学习模型是卷积神经网络(Convolution Neural Network，C授团队利用卷积神经网络设计了 AlexNet[8]，使之在 ImageNet 法团队，使得 CNN 成为计算机视觉领域中最为重要的工具之了一个新的阶段。目前，现有的深度学习的目标检测算法大致 的区域目标检测算法，典型代表性的 R-CNN 系列[9-13]；基于型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目标搜索的检测算 Attention-Net[18]算法。
图 1.2 DPM 目标检测计算流程如今的生产、生活应用中，深度学习的目标检测方法逐渐替代传统方的深度学习模型是卷积神经网络(Convolution Neural Network，CNN)n 教授团队利用卷积神经网络设计了 AlexNet[8]，使之在 ImageNet 问题方法团队，使得 CNN 成为计算机视觉领域中最为重要的工具之一。入了一个新的阶段。目前，现有的深度学习的目标检测算法大致分为NN 的区域目标检测算法，典型代表性的 R-CNN 系列[9-13]；基于回归典型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目标搜索的检测算法，的 Attention-Net[18]算法。
【参考文献】：
期刊论文
[1]基于LK和FAST的时间序列图像快速配准算法[J]. 荆滢,齐乃新,杨小冈,卢瑞涛. 红外与激光工程. 2018(11)
[2]射电天文图像的反卷积算法研究[J]. 张利,徐龙,米立功,马家君. 天文学报. 2018(06)
[3]声纳技术的发展道路[J]. 佟宏伟. 科技创新与应用. 2018(33)
[4]基于SqueezeNet的轻量化卷积神经网络SlimNet[J]. 董艺威,于津. 计算机应用与软件. 2018(11)
[5]颗粒物分界层Mie散射激光雷达识别的sigmoid算法[J]. 朱育雷,倪长健,邓佩云. 中国环境科学. 2018(10)
[6]基于改进特征加权的朴素贝叶斯分类算法[J]. 丁月,汪学明. 计算机应用研究. 2019(12)
[7]S-Harris:一种改进的角点检测算法[J]. 孙万春,张建勋,朱佳宝,陈虹伶,郑集元. 重庆理工大学学报(自然科学). 2018(10)
[8]Harris和Sift算法在不同尺度下提取特征点分析[J]. 罗通. 信息系统工程. 2018(08)
[9]基于单光子的星载激光水下目标探测深度研究[J]. 彭志兴,周保琢,陈华,张志,谭平. 激光与红外. 2018(07)
[10]基于CNN双目特征点匹配目标识别与定位研究[J]. 蒋强卫,甘兴利,李雅宁. 无线电工程. 2018(08)
博士论文
[1]半监督学习和数值模拟的煤层底板突水预警系统研究[D]. 刘雪艳.太原理工大学 2016
硕士论文
[1]基于非冗余互补信息的图像超分辨率算法研究[D]. 史长宏.兰州理工大学 2018
[2]基于深度视感知学习的食物识别移动端系统研究与开发[D]. 蓝天.兰州理工大学 2018
[3]人脸检测与匹配识别算法研究[D]. 王艺蒙.哈尔滨工业大学 2018
[4]基于深度学习的隐写分析研究[D]. 吴艳红.北京交通大学 2018
[5]AGV视觉定位系统的设计与实现[D]. 于亦奇.浙江大学 2018
[6]基于深度卷积神经网络的人脸检测算法研究[D]. 王启航.浙江理工大学 2018
[7]面向目标识别的多特征融合研究与实现[D]. 张建虎.北京交通大学 2018
[8]基于生成对抗网络的图像超分辨率算法研究与改进[D]. 付凌志.哈尔滨工业大学 2018
[9]基于深度轮廓波卷积神经网络的遥感图像地物分类[D]. 马丽媛.西安电子科技大学 2017
[10]基于SIFT的局部不变特征研究[D]. 滕日.中国科学院研究生院(光电技术研究所) 2016
本文编号：3595469
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3595469.html
