基于深度学习的无人舰艇目标检测方法研究

发布时间：2023-03-13 20:04

　　近年来智能船舶技术不断发展,海洋战略地位也日益提高,为了提高对于海洋的监管与控制能力,各国逐渐加大了对于水面无人艇的研究。无人艇在海面复杂环境航行时,为了能够实现其自主避障功能,需要实时地对海面上的舰船目标进行感知、识别和标定。本文以此为切入点,运用深度学习算法,研究舰艇目标检测问题,针对无人舰艇航行过程中舰船检测任务的需要,重点从提高检测算法的精度和速度等方面开展研究。本文主要研究内容如下。针对海面舰船数据集缺乏的问题,本文自建了舰船图像数据集。通过网络爬虫爬取大量的舰船图片,将舰船图片进行手工标注,数据集一共有6000多张图片,包含货船、客轮、帆船、军舰以及普通船只五种舰船,为后续的深度学习网络的训练与评估打下良好基础。同时,所建立的数据集弥补了现有舰船数据集的空缺,为以后舰船检测任务提供有效资源。本文建立了一种改进的Faster R-CNN舰船目标检测深度学习算法。使用Faster R-CNN算法在自建的训练集上进行训练,完成舰船检测任务,同时为了进一步提高网络的检测精度,对于基础特征提取网络进行改进,选用更深层的残差网络替代原始的VGG-16网络,并利用聚类算法对网络中锚盒进行...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 传统目标检测方法
        1.2.2 深度学习目标检测方法
    1.3 舰船目标检测关键问题分析
    1.4 论文研究内容和章节安排
第2章 相关理论和工作基础
    2.1 卷积网络结构
        2.1.1 卷积方式
        2.1.2 池化层
        2.1.3 激活层
    2.2 常用卷积网络的结构
        2.2.1 Alex Net网络
        2.2.2 VGG Net网络
    2.3 本章小结
第3章 基于Faster R-CNN的舰船检测算法研究
    3.1 R-CNN算法机理分析
    3.2 Fast R-CNN算法
    3.3 Faster R-CNN舰船检测算法网络结构设计
        3.3.1 基础网络
        3.3.2 RPN网络
        3.3.3 边框回归
        3.3.4 RoI pooling
    3.4 Faster R-CNN舰船检测网络的训练
        3.4.1 RPN损失函数
        3.4.2 Fast RCNN损失函数
        3.4.3 正负样本选取规则
    3.5 Faster R-CNN算法优化
        3.5.1 基础提取网络的优化
        3.5.2 锚盒筛选方法的优化
        3.5.3 锚盒尺寸的优化
    3.6 数据集
        3.6.1 舰船数据集的创建
        3.6.2 数据集标注
        3.6.3 数据集的划分
    3.7 优化前后均平均精度(mAP)对比
        3.7.1 基础网络的改进对算法性能的影响
        3.7.2 Soft-NMS对网络性能的影响分析
        3.7.3 改进锚盒对网络性能的影响
        3.7.4 改进Faster R-CNN最终检测结果
    3.8 本章小结
第4章 改进的R-FCN舰船检测算法
    4.1 R-FCN舰船检测算法的网络结构
        4.1.1 Position-Sensitive Score Map
        4.1.2 Position-Sensitive Rol Pooling
        4.1.3 Position-Sensitive Regression
    4.2 R-FCN网络训练
        4.2.1 R-FCN损失函数
        4.2.2 正负样本的生成策略
    4.3 R-FCN算法的改进和优化
        4.3.1 在线难例挖掘
        4.3.2 focal loss
    4.4 实验结果及分析
        4.4.1 算法性能测试
        4.4.2 改进检测算法的性能比较与分析
    4.5 本章小结
第5章 总结
    5.1 总结
    5.2 展望
参考文献
致谢



本文编号：3762297