特定目标识别技术在工业无人机应用上的研究
发布时间：2021-11-19 15:14
工程车辆识别旨在解决工业运输中的安全问题,伴随着无人机技术的发展,工业运输领域迎来了巨大的变革,而深度学习的进步,GPU硬件设备的增强,都为工程车辆类别识别提供了强大助力。在工业运输环境中,工程车辆特征复杂,视频监控和人工辨别已远远不能满足实际需要。而工业无人机在多领域的应用,让人们看到了曙光。将工业无人机投放到工业运输场景,能够及时地帮助人们捕捉工程车辆信息,操作更加便捷。由此将深度学习方法和工业无人机应用到工业运输车辆的识别中,可以很好的分类识别工程车辆,为实现工业运输的智能化起到了纽带作用。本文的识别算法基于当前的工业运输环境,针对性的设计新模型TD-CNN,将TD-CNN模型应用在工程车辆的类别识别上,主要目的是为了提升识别准确率。首先,本文在原始CNN网络的基础上,进行分类神经网络的改进,然后融合区域提取网络,设计出新的网络模型TD-CNN。本文重点改进了分类卷积神经网络的结构,通过设计卷积核尺寸、增加核数量、设计网络深度、添加特殊层、分类器假设证明等确定分类神经网络的具体模型。为了提高新模型的识别率,采用多种优化策略,对参数进行修正调整,证明了添加批标准化的效果好于正则化优...
【文章来源】：长春理工大学吉林省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
BP 神经网络模型
1M2M3M4 5 M M 图 2.3 卷积网络结构行滤波操作，以此来提取数据特征，一般将先定义一个 kernel 矩阵，把已经分块完毕的得到输出值，乘积结束以后获得的图谱就原理，定义拥有探测器效果的核就是卷积核的数字中，卷积核能够对信息作出分析如，输入为5 5的图像，卷积核和图像连接到卷积输出特征，二维卷积过程如图 2.4。
( ) ( )1, 1,1, 1,m g v g x wβ βα βψ = = + ，x 表示输入，w 表示核函数，输出是特征图。从卷积层3M ，然后与卷积核运算。假设从池化层M3 的输出如式所示：( )3 3,3, 3,3, 2,1iiziM mm g m wβωω ωω βψ= = = + 激活函数，w 表示权值，ψ 表示阈值， ( 2,1im i β≤ 采样，主要利用下采样操作处理上一层特征图。通成聚合统计操作以缩小特征图尺寸[39]。通常情况大值池化，另一类是平均值池化。取2 × 2小区域
【参考文献】：
期刊论文
[1]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[2]基于深度学习的图像检索系统[J]. 彭骋. 通讯世界. 2018(06)
[3]基于改进卷积神经网络的船舶目标检测[J]. 王新立,江福才,宁方鑫,马全党,张帆,邹红兵. 中国航海. 2018(02)
[4]基于改进的FAST R-CNN的前方车辆检测研究[J]. 史凯静,鲍泓. 计算机科学. 2018(S1)
[5]Fast R-CNN人脸检测技术浅析[J]. 路海. 信息技术与信息化. 2018(04)
[6]基于图像纹理特征提取的船舶目标定位方法[J]. 张正本,王玉芬. 舰船科学技术. 2018(08)
[7]卷积神经网络的多字体汉字识别[J]. 柴伟佳,王连明. 中国图象图形学报. 2018(03)
[8]基于深度学习的图像语义分割算法概述[J]. 华敏杰. 中国战略新兴产业. 2018(04)
[9]基于融合卷积神经网络的协同过滤模型[J]. 杨锡慧. 软件导刊. 2017(12)
[10]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
博士论文
[1]异构网络环境中的MP2P若干关键技术研究[D]. 屈海涛.北京邮电大学 2010
[2]基于粗糙集与前馈网络的案例智能系统的研究[D]. 李建洋.合肥工业大学 2009
硕士论文
[1]基于卷积神经网络的铁轨表面缺陷识别研究[D]. 刘雄祥.西南科技大学 2018
[2]基于深度学习的视频行为识别技术研究[D]. 余兴.电子科技大学 2018
[3]基于视频的微表情识别方法[D]. 芦敏.中北大学 2018
[4]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
[5]基于三维形变模型的人脸替换技术研究[D]. 魏璐.北京邮电大学 2017
[6]群智能优化算法中基于信赖域的代理模型研究[D]. 孔倩倩.太原科技大学 2017
[7]基于卷积神经网络的人脸性别识别研究[D]. 裴子龙.山西师范大学 2017
[8]小型高速无人机及其协同编队控制技术研究[D]. 沈佩珺.南京航空航天大学 2015
本文编号：3505306
【文章来源】：长春理工大学吉林省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
BP 神经网络模型
1M2M3M4 5 M M 图 2.3 卷积网络结构行滤波操作，以此来提取数据特征，一般将先定义一个 kernel 矩阵，把已经分块完毕的得到输出值，乘积结束以后获得的图谱就原理，定义拥有探测器效果的核就是卷积核的数字中，卷积核能够对信息作出分析如，输入为5 5的图像，卷积核和图像连接到卷积输出特征，二维卷积过程如图 2.4。
( ) ( )1, 1,1, 1,m g v g x wβ βα βψ = = + ，x 表示输入，w 表示核函数，输出是特征图。从卷积层3M ，然后与卷积核运算。假设从池化层M3 的输出如式所示：( )3 3,3, 3,3, 2,1iiziM mm g m wβωω ωω βψ= = = + 激活函数，w 表示权值，ψ 表示阈值， ( 2,1im i β≤ 采样，主要利用下采样操作处理上一层特征图。通成聚合统计操作以缩小特征图尺寸[39]。通常情况大值池化，另一类是平均值池化。取2 × 2小区域
【参考文献】：
期刊论文
[1]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[2]基于深度学习的图像检索系统[J]. 彭骋. 通讯世界. 2018(06)
[3]基于改进卷积神经网络的船舶目标检测[J]. 王新立,江福才,宁方鑫,马全党,张帆,邹红兵. 中国航海. 2018(02)
[4]基于改进的FAST R-CNN的前方车辆检测研究[J]. 史凯静,鲍泓. 计算机科学. 2018(S1)
[5]Fast R-CNN人脸检测技术浅析[J]. 路海. 信息技术与信息化. 2018(04)
[6]基于图像纹理特征提取的船舶目标定位方法[J]. 张正本,王玉芬. 舰船科学技术. 2018(08)
[7]卷积神经网络的多字体汉字识别[J]. 柴伟佳,王连明. 中国图象图形学报. 2018(03)
[8]基于深度学习的图像语义分割算法概述[J]. 华敏杰. 中国战略新兴产业. 2018(04)
[9]基于融合卷积神经网络的协同过滤模型[J]. 杨锡慧. 软件导刊. 2017(12)
[10]深度学习相关研究综述[J]. 张军阳,王慧丽,郭阳,扈啸. 计算机应用研究. 2018(07)
博士论文
[1]异构网络环境中的MP2P若干关键技术研究[D]. 屈海涛.北京邮电大学 2010
[2]基于粗糙集与前馈网络的案例智能系统的研究[D]. 李建洋.合肥工业大学 2009
硕士论文
[1]基于卷积神经网络的铁轨表面缺陷识别研究[D]. 刘雄祥.西南科技大学 2018
[2]基于深度学习的视频行为识别技术研究[D]. 余兴.电子科技大学 2018
[3]基于视频的微表情识别方法[D]. 芦敏.中北大学 2018
[4]基于卷积神经网络的人脸识别研究与实现[D]. 于志刚.中北大学 2018
[5]基于三维形变模型的人脸替换技术研究[D]. 魏璐.北京邮电大学 2017
[6]群智能优化算法中基于信赖域的代理模型研究[D]. 孔倩倩.太原科技大学 2017
[7]基于卷积神经网络的人脸性别识别研究[D]. 裴子龙.山西师范大学 2017
[8]小型高速无人机及其协同编队控制技术研究[D]. 沈佩珺.南京航空航天大学 2015
本文编号：3505306
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3505306.html
