识别水下典型目标图像的学习方法研究

发布时间：2022-07-29 19:39

　　水下无人航行器（Unmanned Underwater Vehicle,即UUV）可以代替传统潜器在很多复杂的水域执行监测、侦查、投放等任务,如今已经应用在诸多军用和民用领域。UUV在水下作业时,需要利用图像信息来识别目标,因此图像识别技术对于UUV自主作业来说必不可少。当前的图像识别技术大部分采用前期人工提取图像特征,设计分类器,最后利用人工提取的特征做识别的方式;而深度学习方法颠覆了传统的图像识别方式。深度学习网络无需人工参与进来,深度学习网络自动提取图像的特征并进行识别。基于深度学习的水下视觉图像识别系统主要包含这几个步骤:水下图像摄取、图像学习库的建立、水下图像前期处理和最后的水下图像识别部分。本文主要对水下图像学习库的建立、水下图像降噪增强和最后的水下图像识别部分做了研究。首先,分析了水下典型目标的特性,使用几何体代替真实目标进行图像识别。针对水下典型目标视觉图像过少的特点,构建了基于生成对抗网络的水下典型目标图像生成模型。通过该方法利用少量的原始图像生成了新图像,有效的扩充的图像学习库。其次,针对水下图像数据量大、对噪声敏感和对比度差等特点,研究了图像灰度化的方法、中值滤波... 

【文章页数】：93 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景和意义
    1.2 水下目标图像识别的国内外研究现状
        1.2.1 水下图像识别的国内研究现状
        1.2.2 水下图像识别的国外研究现状
    1.3 基于深度学习的图像识别国内外研究现状
        1.3.1 基于深度学习的图像识别国外研究现状
        1.3.2 基于深度学习的图像识别国内研究现状
    1.4 本文主要内容和组织结构
第2章 水下典型目标图像学习库的建立
    2.1 引言
    2.2 水下典型目标特性及图像采集
        2.2.1 水下典型目标及特性分析
        2.2.2 水下目标原始图像的采集
    2.3 建立图像学习库的生成对抗网络方法
        2.3.1 生成对抗网络技术概述
        2.3.2 水下图像生成对抗网络方法
    2.4 水下目标图像学习库的建立
        2.4.1 平台环境
        2.4.2 水下图像的生成实验
        2.4.3 水下目标图像学习库的组建
    2.5 本章小结
第3章 水下目标视觉图像的降噪增强
    3.1 引言
    3.2 水下视觉图像降噪增强方法
        3.2.1 图像灰度化
        3.2.2 图像的降噪处理
        3.2.3 直方图均衡化
    3.3 水下目标视觉图像降噪增强实验
        3.3.1 图像的灰度化实验
        3.3.2 图像降噪处理实验
        3.3.3 直方图均衡化实验
    3.4 本章小结
第4章 基于深度神经网络的水下目标图像识别方法
    4.1 引言
    4.2 深度神经网络原理简介
        4.2.1 深度神经网络的结构
        4.2.2 深度神经网络的训练方法
    4.3 深度神经网络识别算法的改进和评估方法
        4.3.1 激活函数
        4.3.2 学习方法
        4.3.3 网络识别能力的评估方法
    4.4 水下目标图像的规格化
    4.5 水下目标识别的深度神经网络构建与试验
        4.5.1 深度网络不同结构的对比试验
        4.5.2 深度网络不同激活函数对比试验
        4.5.3 深度网络不同学习算法对比试验
        4.5.4 试验总结
    4.6 本章小结
第5章 基于卷积神经网络的水下目标图像识别方法
    5.1 引言
    5.2 卷积神经网络学习方法简介
        5.2.1 卷积神经网络的结构
        5.2.2 卷积神经网络的局部相连和权值共享
        5.2.3 卷积神经网络的训练过程
    5.3 卷积神经网络的改进
        5.3.1 网络结构
        5.3.2 卷积核
        5.3.3 池化方法
    5.4 水下目标识别的卷积神经网络构造与试验
        5.4.1 卷积神经网络不同结构对比试验
        5.4.2 卷积神经网络不同卷积核对比试验
        5.4.3 卷积神经网络不同池化方法对比实验
        5.4.4 试验总结
    5.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文和取得的科研成果
致谢


【参考文献】：
期刊论文
[1]图像处理中的中值滤波及其改进[J]. 张艳楠.  中国新通信. 2018(02)
[2]浅谈仿生水下机器人的发展现状[J]. 刘珍娜,秦婧文.  山东工业技术. 2018(01)
[3]机器学习综述[J]. 赵晨阳.  数字通信世界. 2018(01)
[4]自适应增强卷积神经网络图像识别[J]. 刘万军,梁雪剑,曲海成.  中国图象图形学报. 2017(12)
[5]利用深度神经网络的无监督视频表示[J]. 吴心筱,伍堃.  北京交通大学学报. 2017(06)
[6]深度学习认知计算综述[J]. 陈伟宏,安吉尧,李仁发,李万里.  自动化学报. 2017(11)
[7]无人水下航行器的发展现状与关键技术[J]. 王童豪,彭星光,潘光,徐德民.  宇航总体技术. 2017(04)
[8]国外无人水下航行器装备与技术现状及展望[J]. 钟宏伟.  水下无人系统学报. 2017(04)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[10]国外UUV发展现状分析[J]. 帅高山.  电子世界. 2016(22)

博士论文
[1]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017

硕士论文
[1]基于深度学习的图像分类的研究[D]. 闫蕾芳.山东大学 2017
[2]UUV作业目标图像的立体匹配与位姿测定方法研究[D]. 陈晓园.哈尔滨工程大学 2016
[3]近岸浅海环境下UUV的动目标跟踪方法研究[D]. 陈烨.哈尔滨工程大学 2016
[4]模糊深度学习网络算法的研究[D]. 鄢华.哈尔滨工业大学 2012
[5]基于图像处理的水下目标识别方法研究[D]. 陈亮.哈尔滨工程大学 2006



本文编号：3667061