港口主要記錄進(jìn)出港口的列車車廂信息（列車車廂號(hào)、列車皮重等）和進(jìn)出港口的實(shí)際信息,并以差值作為依據(jù)用于結(jié)算使用。目前,存在列車車廂信息與系統(tǒng)中信息不一致的問(wèn)題,通過(guò)人工抄錄勞動(dòng)強(qiáng)度大,且出現(xiàn)錯(cuò)誤率無(wú)從考證,所以如何快速精準(zhǔn)的檢測(cè)列車車廂信息是研究的關(guān)鍵。針對(duì)實(shí)際環(huán)境和列車車廂信息目標(biāo)的特點(diǎn),采用了基于回歸的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法,完成了對(duì)列車車廂信息的檢測(cè)。首先設(shè)計(jì)了數(shù)據(jù)采集系統(tǒng),來(lái)獲得清晰的視頻圖像,通過(guò)預(yù)處理和目標(biāo)檢測(cè)算法,對(duì)列車車廂信息進(jìn)行檢測(cè)并保存。主要工作內(nèi)容如下:（1）對(duì)比研究了五種卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法,對(duì)比分析了其中三種算法的測(cè)試結(jié)果的精度和速度,選取了速度較高、精度較高的YOLOv3算法。（2）根據(jù)列車車廂規(guī)格大小和拍攝點(diǎn)與列車車廂之間的距離,選擇Genie TS-C2048相機(jī)和VS-0618H1鏡頭,選用LDR2-32SW2環(huán)形光源增加補(bǔ)光,保證視頻圖像的清晰程度,通過(guò)網(wǎng)線進(jìn)行數(shù)據(jù)傳輸?shù)诫娔X端。用labelImg軟件對(duì)經(jīng)過(guò)預(yù)處理的圖像進(jìn)行標(biāo)注,得到網(wǎng)絡(luò)所需的數(shù)據(jù)集。（3）在數(shù)據(jù)集的基礎(chǔ)上,結(jié)合K-means++聚類算法調(diào)整anchor box的大小,根據(jù)目標(biāo)間... 

【文章來(lái)源】：青島大學(xué)山東省

【文章頁(yè)數(shù)】：56 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 本課題的研究目的及意義
    1.2 國(guó)內(nèi)外研究背景及現(xiàn)狀
    1.3 研究?jī)?nèi)容及章節(jié)安排
第二章 需求分析與總體設(shè)計(jì)
    2.1 需求分析
    2.2 總體設(shè)計(jì)
第三章 卷積神經(jīng)網(wǎng)絡(luò)及目標(biāo)算法概念
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 輸入層
        3.1.2 卷積層
        3.1.3 池化層
        3.1.4 全連接層
        3.1.5 輸出層
    3.2 殘差網(wǎng)絡(luò)
    3.3 目標(biāo)檢測(cè)算法
        3.3.1 傳統(tǒng)的目標(biāo)檢測(cè)
        3.3.2 基于分類的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)
        3.3.3 基于回歸的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)
        3.3.4 目標(biāo)檢測(cè)算法的選擇
    3.4 本章小結(jié)
第四章 數(shù)據(jù)集的制作
    4.1 圖像的獲取
        4.1.1 相機(jī)模塊
        4.1.2 光源模塊
        4.1.3 圖像采集模塊
    4.2 圖像的預(yù)處理
        4.2.1 亮度轉(zhuǎn)換
        4.2.2 圖像增強(qiáng)
    4.3 圖像的標(biāo)注
    4.4 本章小結(jié)
第五章 YOLOV3算法的改進(jìn)
    5.1 ANCHOR BOX的大小
    5.2 網(wǎng)絡(luò)層數(shù)的修改
    5.3 特征融合方式的改進(jìn)
    5.4 測(cè)試結(jié)果對(duì)比
    5.5 本章小結(jié)
第六章 實(shí)驗(yàn)平臺(tái)及測(cè)試結(jié)果
    6.1 實(shí)驗(yàn)平臺(tái)配置
    6.2 項(xiàng)目要求及檢測(cè)指標(biāo)分析
    6.3 訓(xùn)練和測(cè)試結(jié)果分析
        6.3.1 訓(xùn)練過(guò)程
        6.3.2 測(cè)試過(guò)程
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 前景展望
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]人工智能背景下數(shù)字圖像處理教學(xué)方法的兩點(diǎn)思考[J]. 酒明遠(yuǎn).  科技風(fēng). 2019(33)
[2]基于激光測(cè)距傳感器的障礙物檢測(cè)與模式識(shí)別[J]. 王麗珍,劉慧玲,薛小蘭.  激光雜志. 2019(08)
[3]一種去除椒鹽噪聲的自適應(yīng)模糊中值濾波算法[J]. 萬(wàn)豐豐,周國(guó)民,周曉.  浙江大學(xué)學(xué)報(bào)(理學(xué)版). 2019(04)
[4]基于YOLOv3的自動(dòng)駕駛中運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 李云鵬,侯凌燕,王超.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(04)
[5]數(shù)字圖像去噪算法原理及應(yīng)用[J]. 江唯奕.  電子制作. 2019(06)
[6]基于無(wú)線射頻與FPGA技術(shù)的數(shù)據(jù)采集系統(tǒng)研究[J]. 伍懷琪,習(xí)斌.  計(jì)算機(jī)產(chǎn)品與流通. 2019(03)
[7]基于圖像處理的車牌識(shí)別技術(shù)[J]. 付莉,付秀偉,陳玲玲.  吉林化工學(xué)院學(xué)報(bào). 2019(03)
[8]Multi-scale object detection by top-down and bottom-up feature pyramid network[J]. ZHAO Baojun,ZHAO Boya,TANG Linbo,WANG Wenzheng,WU Chen.  Journal of Systems Engineering and Electronics. 2019(01)
[9]卷積神經(jīng)網(wǎng)絡(luò)綜述[J]. 劉健,袁謙,吳廣,喻曉.  計(jì)算機(jī)時(shí)代. 2018(11)
[10]淺談智能型工業(yè)相機(jī)的應(yīng)用[J]. 周文彬.  電子測(cè)試. 2018(22)



本文編號(hào)：3185894