基于卷积神经网络的空间站舱内目标检测研究

发布时间：2021-10-14 07:25

　　面向空间站内对物体感知的需求,基于Darknet-53网络建立了人工智能物体识别模型,利用COCO数据集开展了机器视觉的物体识别研究,采用国际空间站舱内生活视频进行了物体识别实验,分析了识别物体时边框划分准确程度和类别准确程度。结果表明:所提方法针对空间站内的典型物体识别效果好,边框划分正确率为95.45%,边框内物体类别的识别正确率达到79.54%。所提方法为空间站内物体感知提供了有效解决方法,工程上易于构建和实现,也可拓展到舱外物体识别的任务中。 

【文章来源】：西北工业大学学报. 2020,38(S1)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

4种常见神经网络的性能与效果对比

预测每个边界的目标分数(objectness score),利用逻辑回归的方法,当真实标签框与某个边界框重叠的面积比大于其他任何边界框时,设此先验边界框为1。基于文献[6]的方法,若先验边界框非最优,但是与目标的真实标签框重叠面积大于阈值,则忽略此预测。设定阈值为0.5。本方法仅对每个真实标签框分配一个边界框,当先验边界框未分配给真实标签框时,不会产生坐标或类别预测损失,只会产生目标预测损失。1.3 类别的检测

实验结果

【参考文献】：
期刊论文
[1]基于卷积神经网络的彩色图像声呐目标检测[J]. 王晓,关志强,王静,王永强.  计算机应用. 2019(S1)
[2]人工智能在中国航天的应用与展望[J]. 岳梦云,王伟,张羲格.  计算机测量与控制. 2019(06)
[3]基于深度学习的空间站舱内服务机器人视觉跟踪[J]. 张锐,王兆魁.  上海航天. 2018(05)



本文编号：3435709