基于卷积神经网络的飞行器目标识别算法研究
发布时间：2021-10-28 10:25
随着社会经济的发展,我们国家在航空领域也得到了进一步的突破,飞行器的种类和数量都在不断增长,导致我国的许多空域出现了一种接近饱和的状态。结合现状存在的问题,研究空中各种可能出现的碰撞情景,制定避险方案。在其中,无人机自主完成对飞行目标的识别占有重要比重。这段时间以来,因为社会的飞速发展,深度学习理念也已经进入了新的阶段,所以在很多场景中我们都可以看到深度学习的影子。对于本文来讲,对于卷积神经网络应用在飞行器图像识别上的研究是必不可少的。飞行器目标识别近年来也使用了深度学习进行了一些初步的尝试。本文在TensorFlow学习框架的基础上研究飞行器识别方法。将飞行器识别分为两大板块来重点研究,候选区域生成算法和图像分类算法。首先,介绍了贯穿全文的基本理论算法卷积神经网络,介绍了它的各个层次的构造、作用和优势,并选取本文所用到的深度学习框架。其次,对候选区域生成算法进行结构的介绍和分析所用到的几类算法,并得出该类算法的优缺性。候选区域生成算法借鉴faster R-CNN算法思路,提出了改进的候选区域生成算法。然后,介绍图像分类的几种算法。并且以AlexNet网络为基础进行网络上的改进,并结合...
【文章来源】：河北科技大学河北省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
AlexNet网络模型
第1章绪论5图1-2VGG16网络模型1.2.3目标识别目标识别作为机器视觉中一个长期存在且具有挑战性的任务，长期以来都属于研究的重点方向和领域[38]。准确的来说，目标识别的目的是盘查所需要检查的图像中是否包含给出的目标，如果图像中有的话，则将目标在图像的大致位置得出后返回它。目标识别也广泛应用在各行各业，比如先进的门锁，支付宝的人脸付款功能等。就目前来看，深度学习已经渗入到了我们周边的各种环境中，也促进着我们的发展。而且来说，深度学习将目标识别的发展推向了更高的一个台阶。目标识别不仅能识别非相似的物体，比如电视机和床，也能识别相似的物体，比如民航飞机和民用无人机。从刚开始研究到现在初步有成，他的领域大致都在单个或者几个固定
第2章卷积神经网络7第2章卷积神经网络2.1引言卷积神经网络应用在各个环境中，是深度学习的代表算法之一。卷积神经网络是通过对动物的脑子进行研究得到的，学者们通过研究发现了动物脑子里有极其敏感的神经元，通过这个研究，学者们提出了感受野这一词，并且学者们发现了神经元与神经元之间的连接方式是十分科学有效的，它能够降低整体的复杂性，简化整体的结构[40]。自此，学者们又在这个研究成果的基础上进行改进，得到神经认知机，它被学术界认为是卷积神经网络的雏形，也是通过对动物脑子的研究的第一次应用和展现[41]。在此基础上，学者们又将其进行革新换代，研究出了一种好几层的神经网络LeNet-5[42]，将它应用于人们手写的数字上的识别中，并且效果极佳。自此，历史上卷积神经网络的第一个结构雏形诞生了。但是该结构仅仅对人类手写的数字的识别效果好，对于别的物体的识别效果，依然不是很理想。随着时代的进步和计算机突飞猛进的升级，人类建立了历史上第一个数量最大的图像数据集—ImageNet[43]，而且在此数据集的基础上创办了视觉识别的比赛[44]，自此，学者们都争锋相拥的开始关注这个领域。我们通过将如图2-1所示的LeNet-5网络模型作为神经网络的代表来深入的介绍卷积神经网络的各个部分以及区别于其他算法的不同之处[45]。图2-1LeNet-5卷积神经网络2.2卷积神经网络基本结构卷积神经网络主要包含卷积层、采样层（池化层）和全连接层[46]。每一层对于网络来说都是无法取代的，都有其特定的功能，以下我们会对各层进行展开详细的描述。
【参考文献】：
期刊论文
[1]基于改进的Faster R-CNN算法的机械零件图像识别[J]. 郭斐,靳伍银,王猛. 机械设计. 2019(09)
[2]北京民航运输与区域发展关系研究[J]. 张硕. 民航管理. 2019(07)
[3]基于深度学习的轮廓检测算法:综述[J]. 林川,曹以隽. 广西科技大学学报. 2019(02)
[4]安全vs隐私:美国无人机联邦监管述评[J]. 王欢,付超. 中国刑警学院学报. 2019(01)
[5]基于RCNN的车辆区域检测研究[J]. 贾瑞. 数字技术与应用. 2019(02)
[6]基于卷积神经网络的深度图像超分辨率重建方法[J]. 李伟,张旭东. 电子测量与仪器学报. 2017(12)
[7]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 王琳,赵耀,余静华,陈曦. 农村经济与科技. 2017(14)
[8]基于深度卷积神经网络的货车车号识别研究[J]. 廖健. 交通运输工程与信息学报. 2016(04)
[9]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫. 国外电子测量技术. 2016(08)
[10]基于卷积神经网络的人脸识别方法[J]. 陈耀丹,王连明. 东北师大学报(自然科学版). 2016(02)
博士论文
[1]基于深度卷积神经网络的人脸基准点定位研究[D]. 张少华.华中科技大学 2016
[2]基于计算机视觉的手势识别系统研究[D]. 周航.北京交通大学 2008
硕士论文
[1]基于深度学习的无人机位姿视觉测量与计算方法[D]. 张嘉旭.西安理工大学 2019
[2]改进DCNN算法及其在无人机目标识别中应用[D]. 翟进有.南昌航空大学 2019
[3]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[4]FPGA实现的可编程神经网络处理器[D]. 赵博然.西安电子科技大学 2018
[5]临近空间强机动目标跟踪算法研究[D]. 苗士雨.北京交通大学 2018
[6]基于深度卷积神经网络和无监督K均值特征的SAR图像目标识别方法研究[D]. 刘凯品.五邑大学 2017
[7]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[8]基于深度学习的人脸识别算法研究[D]. 马良慧.山东理工大学 2017
[9]基于卷积神经网络的高光谱数据分类方法研究[D]. 宋欣益.哈尔滨工业大学 2016
[10]工件非接触检测中机器视觉的研究与应用[D]. 段德山.北京邮电大学 2007
本文编号：3462688
【文章来源】：河北科技大学河北省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
AlexNet网络模型
第1章绪论5图1-2VGG16网络模型1.2.3目标识别目标识别作为机器视觉中一个长期存在且具有挑战性的任务，长期以来都属于研究的重点方向和领域[38]。准确的来说，目标识别的目的是盘查所需要检查的图像中是否包含给出的目标，如果图像中有的话，则将目标在图像的大致位置得出后返回它。目标识别也广泛应用在各行各业，比如先进的门锁，支付宝的人脸付款功能等。就目前来看，深度学习已经渗入到了我们周边的各种环境中，也促进着我们的发展。而且来说，深度学习将目标识别的发展推向了更高的一个台阶。目标识别不仅能识别非相似的物体，比如电视机和床，也能识别相似的物体，比如民航飞机和民用无人机。从刚开始研究到现在初步有成，他的领域大致都在单个或者几个固定
第2章卷积神经网络7第2章卷积神经网络2.1引言卷积神经网络应用在各个环境中，是深度学习的代表算法之一。卷积神经网络是通过对动物的脑子进行研究得到的，学者们通过研究发现了动物脑子里有极其敏感的神经元，通过这个研究，学者们提出了感受野这一词，并且学者们发现了神经元与神经元之间的连接方式是十分科学有效的，它能够降低整体的复杂性，简化整体的结构[40]。自此，学者们又在这个研究成果的基础上进行改进，得到神经认知机，它被学术界认为是卷积神经网络的雏形，也是通过对动物脑子的研究的第一次应用和展现[41]。在此基础上，学者们又将其进行革新换代，研究出了一种好几层的神经网络LeNet-5[42]，将它应用于人们手写的数字上的识别中，并且效果极佳。自此，历史上卷积神经网络的第一个结构雏形诞生了。但是该结构仅仅对人类手写的数字的识别效果好，对于别的物体的识别效果，依然不是很理想。随着时代的进步和计算机突飞猛进的升级，人类建立了历史上第一个数量最大的图像数据集—ImageNet[43]，而且在此数据集的基础上创办了视觉识别的比赛[44]，自此，学者们都争锋相拥的开始关注这个领域。我们通过将如图2-1所示的LeNet-5网络模型作为神经网络的代表来深入的介绍卷积神经网络的各个部分以及区别于其他算法的不同之处[45]。图2-1LeNet-5卷积神经网络2.2卷积神经网络基本结构卷积神经网络主要包含卷积层、采样层（池化层）和全连接层[46]。每一层对于网络来说都是无法取代的，都有其特定的功能，以下我们会对各层进行展开详细的描述。
【参考文献】：
期刊论文
[1]基于改进的Faster R-CNN算法的机械零件图像识别[J]. 郭斐,靳伍银,王猛. 机械设计. 2019(09)
[2]北京民航运输与区域发展关系研究[J]. 张硕. 民航管理. 2019(07)
[3]基于深度学习的轮廓检测算法:综述[J]. 林川,曹以隽. 广西科技大学学报. 2019(02)
[4]安全vs隐私:美国无人机联邦监管述评[J]. 王欢,付超. 中国刑警学院学报. 2019(01)
[5]基于RCNN的车辆区域检测研究[J]. 贾瑞. 数字技术与应用. 2019(02)
[6]基于卷积神经网络的深度图像超分辨率重建方法[J]. 李伟,张旭东. 电子测量与仪器学报. 2017(12)
[7]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 王琳,赵耀,余静华,陈曦. 农村经济与科技. 2017(14)
[8]基于深度卷积神经网络的货车车号识别研究[J]. 廖健. 交通运输工程与信息学报. 2016(04)
[9]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫. 国外电子测量技术. 2016(08)
[10]基于卷积神经网络的人脸识别方法[J]. 陈耀丹,王连明. 东北师大学报(自然科学版). 2016(02)
博士论文
[1]基于深度卷积神经网络的人脸基准点定位研究[D]. 张少华.华中科技大学 2016
[2]基于计算机视觉的手势识别系统研究[D]. 周航.北京交通大学 2008
硕士论文
[1]基于深度学习的无人机位姿视觉测量与计算方法[D]. 张嘉旭.西安理工大学 2019
[2]改进DCNN算法及其在无人机目标识别中应用[D]. 翟进有.南昌航空大学 2019
[3]基于卷积神经网络的医学图像分类方法研究[D]. 史亮亮.河北科技大学 2019
[4]FPGA实现的可编程神经网络处理器[D]. 赵博然.西安电子科技大学 2018
[5]临近空间强机动目标跟踪算法研究[D]. 苗士雨.北京交通大学 2018
[6]基于深度卷积神经网络和无监督K均值特征的SAR图像目标识别方法研究[D]. 刘凯品.五邑大学 2017
[7]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[8]基于深度学习的人脸识别算法研究[D]. 马良慧.山东理工大学 2017
[9]基于卷积神经网络的高光谱数据分类方法研究[D]. 宋欣益.哈尔滨工业大学 2016
[10]工件非接触检测中机器视觉的研究与应用[D]. 段德山.北京邮电大学 2007
本文编号：3462688
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3462688.html
