基于深度学习的无人船水面目标检测与分割算法研究
发布时间：2021-12-02 04:59
由于海上环境的复杂性,无人船进行目标检测与分割任务时,必须具有快速准确的检测识别能力以及对多种场景的适应能力。在现有的无人船水面目标检测算法中,背景建模法等运动目标检测方法容易被海上环境中的干扰影响,从而出现误检的情况,降低了目标识别准确率。而基于手工特征的目标检测算法容易产生窗口冗余,计算量大,难以适用于对实时性要求严格的场景。针对上述问题,本文提出了基于深度学习的目标检测与分割算法,利用深度卷积神经网络强大的特征提取能力和抗干扰能力,对基于视频图像的海上目标进行端到端的检测,快速识别并捕捉更多的图像细节特征,为后续无人船进行避碰操作或任务转换提供准确且实时的目标信息。主要完成工作如下:1)本文提出了基于YOLO v3网络的目标检测算法,充分利用多尺度特征和快速回归计算的设计思想,对输入图像的各个位置进行不同分辨率的特征提取,减少波浪、光照和雾气等干扰的影响,提高对图像中各类目标物体的识别率和快速性。并从网络通用性和场景复杂度的角度出发,采用更加简易实用的ResNet-50网络结构替换了原有的主干网络DarkNet-53,便于后续联合算法的实现。并依据海上环境中常见的目标物体制作了训...
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
Sigmoid型激活函数及函数梯度经过该函数作用后，响应输出的值域为[0,1]，且单调连续，优化稳定，但该
武汉理工大学硕士学位论文122)Tanh型激活函数为了解决Sigmoid型激活函数的均值不为0的问题，tanh型激活函数（又称双曲正切激活函数）在其基础上应运而生。tanh型激活函数数学表达式如式(2-4)所示：tanh(x)=2σ(2x)1(2-4)tanh型激活函数值域范围为[-1,1]，从图2-4中可以明显看出，其输出响应的均值为0，实际训练效果较Sigmoid型激活函数要更优，但是其仍然会出现梯度饱和现象，不利于网络中的权重更新。图2-4tanh型激活函数及函数梯度3)ReLU型激活函数针对上述产生梯度饱和的问题，Hinton等人于2010年提出了ReLU型函数[47]，其数学表达式如式(2-5)所示：ReLU(x)=max{0,x}(2-5)ReLU型激活函数是当今卷积神经网络中使用最多也最为流行的激活函数之一，与上述两种激活函数相比，其对数据输入神经元为正的部分不存在梯度饱和的问题，且ReLU型激活函数只有线性关系，计算复杂度相对简单，前后向传播也更快。同时，ReLU型激活函数利于随机梯度下降法快速收敛[46]。但是ReLU型激活函数也存在部分缺陷，从图2-5中明显看出，当卷积结果响应小于0时，其梯度为0，将无法影响网络训练，形成“死区”。
武汉理工大学硕士学位论文13图2-5ReLU型激活函数及函数梯度综上所述，各类激活函数凭借各自的函数特性，体现出不同的优缺点。激活函数的选取需要与实际情况相结合，进行综合使用。四、全连接层全连接层由众多简单的神经元组成，且后一层的每个结点都和前一层的所有结点相连，如图2-6所示：X2a4X3X4a2a3X1Xna1an……图2-6全连接层结构图在卷积神经网络中，全连接层主要作用是充当分类器。经过网络训练，将提取的特征表示与样本的标记空间相映射。全连接层位于卷积神经网络的末端，跟输出层相连，用来计算整个模型的输出。卷积神经网络模型通过在全连接层使用一个关于权值可微的分类器，让模型能够采取基于梯度的学习方法来进行训练。2.2典型网络模型一、AlexNetAlexNet网络模型对卷积神经网络的广泛应用起到了不可磨灭的作用，树立
【参考文献】：
期刊论文
[1]基于深度学习方法的海上舰船目标检测[J]. 袁明新,张丽民,朱友帅,姜烽,申燚. 舰船科学技术. 2019(01)
[2]无人船目标探测与跟踪系统[J]. 张磊,许劲松,秦操. 船舶工程. 2018(08)
[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]基于深度学习的水面无人船前方船只图像识别方法[J]. 王贵槐,谢朔,初秀民,洛天骄. 船舶工程. 2018(04)
[5]水面航行体对舰船目标的图像检测方法[J]. 方晶,冯顺山,冯源. 北京理工大学学报. 2017(12)
[6]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[7]USV发展现状及展望[J]. 柳晨光,初秀民,吴青,王桂冲. 中国造船. 2014(04)
[8]无人水面艇目标图像自适应分割算法[J]. 马忠丽,梁秀梅,文杰. 哈尔滨工业大学学报. 2014(07)
[9]无人艇视觉系统多类水面目标特征提取与识别[J]. 马忠丽,文杰,梁秀梅,陈虹丽,赵新华. 西安交通大学学报. 2014(08)
[10]多USV协同系统研究现状与发展概述[J]. 马天宇,杨松林,王涛涛,辛磊,陈燚. 舰船科学技术. 2014(06)
博士论文
[1]海上目标被动识别方法研究[D]. 孟庆昕.哈尔滨工程大学 2016
[2]基于光视觉的无人艇水面目标检测与跟踪研究[D]. 曾文静.哈尔滨工程大学 2013
硕士论文
[1]基于深度学习的快速目标检测算法研究[D]. 王海龙.哈尔滨工业大学 2018
[2]基于深度学习的图像语义分割方法研究与实现[D]. 张学鹏.电子科技大学 2018
[3]水面无人艇视觉目标图像识别技术研究[D]. 张伊辉.哈尔滨工程大学 2015
[4]内河航道目标的特征识别与分类算法研究与实现[D]. 焦昌勇.武汉理工大学 2013
[5]无人艇视觉系统目标图像特征提取与识别技术研究[D]. 梁秀梅.哈尔滨工程大学 2013
[6]基于光流法的运动目标检测与跟踪技术[D]. 裴巧娜.北方工业大学 2009
[7]基于人工神经网络的水面运动目标识别技术研究[D]. 李薇.哈尔滨工程大学 2007
本文编号：3527778
【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
Sigmoid型激活函数及函数梯度经过该函数作用后，响应输出的值域为[0,1]，且单调连续，优化稳定，但该
武汉理工大学硕士学位论文122)Tanh型激活函数为了解决Sigmoid型激活函数的均值不为0的问题，tanh型激活函数（又称双曲正切激活函数）在其基础上应运而生。tanh型激活函数数学表达式如式(2-4)所示：tanh(x)=2σ(2x)1(2-4)tanh型激活函数值域范围为[-1,1]，从图2-4中可以明显看出，其输出响应的均值为0，实际训练效果较Sigmoid型激活函数要更优，但是其仍然会出现梯度饱和现象，不利于网络中的权重更新。图2-4tanh型激活函数及函数梯度3)ReLU型激活函数针对上述产生梯度饱和的问题，Hinton等人于2010年提出了ReLU型函数[47]，其数学表达式如式(2-5)所示：ReLU(x)=max{0,x}(2-5)ReLU型激活函数是当今卷积神经网络中使用最多也最为流行的激活函数之一，与上述两种激活函数相比，其对数据输入神经元为正的部分不存在梯度饱和的问题，且ReLU型激活函数只有线性关系，计算复杂度相对简单，前后向传播也更快。同时，ReLU型激活函数利于随机梯度下降法快速收敛[46]。但是ReLU型激活函数也存在部分缺陷，从图2-5中明显看出，当卷积结果响应小于0时，其梯度为0，将无法影响网络训练，形成“死区”。
武汉理工大学硕士学位论文13图2-5ReLU型激活函数及函数梯度综上所述，各类激活函数凭借各自的函数特性，体现出不同的优缺点。激活函数的选取需要与实际情况相结合，进行综合使用。四、全连接层全连接层由众多简单的神经元组成，且后一层的每个结点都和前一层的所有结点相连，如图2-6所示：X2a4X3X4a2a3X1Xna1an……图2-6全连接层结构图在卷积神经网络中，全连接层主要作用是充当分类器。经过网络训练，将提取的特征表示与样本的标记空间相映射。全连接层位于卷积神经网络的末端，跟输出层相连，用来计算整个模型的输出。卷积神经网络模型通过在全连接层使用一个关于权值可微的分类器，让模型能够采取基于梯度的学习方法来进行训练。2.2典型网络模型一、AlexNetAlexNet网络模型对卷积神经网络的广泛应用起到了不可磨灭的作用，树立
【参考文献】：
期刊论文
[1]基于深度学习方法的海上舰船目标检测[J]. 袁明新,张丽民,朱友帅,姜烽,申燚. 舰船科学技术. 2019(01)
[2]无人船目标探测与跟踪系统[J]. 张磊,许劲松,秦操. 船舶工程. 2018(08)
[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]基于深度学习的水面无人船前方船只图像识别方法[J]. 王贵槐,谢朔,初秀民,洛天骄. 船舶工程. 2018(04)
[5]水面航行体对舰船目标的图像检测方法[J]. 方晶,冯顺山,冯源. 北京理工大学学报. 2017(12)
[6]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄. 软件学报. 2017(01)
[7]USV发展现状及展望[J]. 柳晨光,初秀民,吴青,王桂冲. 中国造船. 2014(04)
[8]无人水面艇目标图像自适应分割算法[J]. 马忠丽,梁秀梅,文杰. 哈尔滨工业大学学报. 2014(07)
[9]无人艇视觉系统多类水面目标特征提取与识别[J]. 马忠丽,文杰,梁秀梅,陈虹丽,赵新华. 西安交通大学学报. 2014(08)
[10]多USV协同系统研究现状与发展概述[J]. 马天宇,杨松林,王涛涛,辛磊,陈燚. 舰船科学技术. 2014(06)
博士论文
[1]海上目标被动识别方法研究[D]. 孟庆昕.哈尔滨工程大学 2016
[2]基于光视觉的无人艇水面目标检测与跟踪研究[D]. 曾文静.哈尔滨工程大学 2013
硕士论文
[1]基于深度学习的快速目标检测算法研究[D]. 王海龙.哈尔滨工业大学 2018
[2]基于深度学习的图像语义分割方法研究与实现[D]. 张学鹏.电子科技大学 2018
[3]水面无人艇视觉目标图像识别技术研究[D]. 张伊辉.哈尔滨工程大学 2015
[4]内河航道目标的特征识别与分类算法研究与实现[D]. 焦昌勇.武汉理工大学 2013
[5]无人艇视觉系统目标图像特征提取与识别技术研究[D]. 梁秀梅.哈尔滨工程大学 2013
[6]基于光流法的运动目标检测与跟踪技术[D]. 裴巧娜.北方工业大学 2009
[7]基于人工神经网络的水面运动目标识别技术研究[D]. 李薇.哈尔滨工程大学 2007
本文编号：3527778
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3527778.html
最近更新
教材专著
