發(fā)布時(shí)間：2021-08-30 08:23

　　隨著我國(guó)提出海洋強(qiáng)國(guó)戰(zhàn)略,水上交通將日趨繁忙。另一方面,在新一輪的人工智能的沖擊下,水上交通智能化成為大勢(shì)所趨。無人艇作為一種智能型海洋裝備,其推廣應(yīng)用將加快海洋經(jīng)濟(jì)的快速發(fā)展。目前的無人艇技術(shù)主要依賴?yán)走_(dá)、傳感器、傳統(tǒng)的目標(biāo)檢測(cè)技術(shù)等,隨著計(jì)算機(jī)硬件技術(shù)的發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)可以挖掘圖像深層次特征信息,大大的彌補(bǔ)了傳統(tǒng)目標(biāo)檢測(cè)和雷達(dá)技術(shù)的不足,并且可以節(jié)省大量成本。本文將采用基于深度學(xué)習(xí)的方法對(duì)水面目標(biāo)檢測(cè)展開研究。本文綜合分析當(dāng)今基于深度學(xué)習(xí)的經(jīng)典算法的檢測(cè)速度和檢測(cè)精度,采用SSD算法設(shè)計(jì)水面目標(biāo)檢測(cè)的網(wǎng)絡(luò)結(jié)構(gòu),通過自主收集、標(biāo)注以及標(biāo)準(zhǔn)化的水面目標(biāo)數(shù)據(jù)集進(jìn)行訓(xùn)練、驗(yàn)證和測(cè)試,并對(duì)最后的檢測(cè)結(jié)果進(jìn)行了對(duì)比分析。通過對(duì)比分析發(fā)現(xiàn)基于SSD算法的水面目標(biāo)檢測(cè)在小目標(biāo)數(shù)據(jù)的檢測(cè)效果不太理想,并且在訓(xùn)練數(shù)據(jù)時(shí)經(jīng)常發(fā)生中斷等問題。為了解決SSD算法的水面目標(biāo)檢測(cè)的定位不準(zhǔn)確以及小目標(biāo)難以提取特征的缺陷,本文使用K-medoids算法對(duì)默認(rèn)候選框的長(zhǎng)寬比進(jìn)行了聚類優(yōu)化,使得默認(rèn)候選框的長(zhǎng)寬比更加貼合水面目標(biāo)數(shù)據(jù)集,減少模型訓(xùn)練時(shí)位置偏移回歸的次數(shù)。為了更好的提取小目標(biāo)的特征,增加... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－２文章組織架構(gòu)圖??Ｆｉｇ．?１－２?Ａｒｔｉｃｌｅ?ｏｒｇａｎｉｚａｔｉｏｎ?ｃｈａｒｔ??

?大連海事大學(xué)碩士學(xué)位論文???２相關(guān)基礎(chǔ)理論概述??目標(biāo)檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的一項(xiàng)研究重點(diǎn)和研究難點(diǎn)，其主要研究方向可以分為??基于運(yùn)動(dòng)目標(biāo)的目標(biāo)檢測(cè)以及基于靜態(tài)圖片的目標(biāo)檢測(cè)。本文主要研宄基于靜態(tài)圖片的??目標(biāo)檢測(cè)，即收集圖片，通過對(duì)圖像中的目標(biāo)進(jìn)行標(biāo)注以及標(biāo)準(zhǔn)化處理，然后經(jīng)過卷積??神經(jīng)網(wǎng)絡(luò)有監(jiān)督的進(jìn)行訓(xùn)練并最終得到檢測(cè)模型，最后在靜態(tài)圖像中檢測(cè)目標(biāo)，對(duì)目標(biāo)??進(jìn)行定位與分類。目前，對(duì)靜態(tài)圖片的目標(biāo)檢測(cè)方面的應(yīng)用非常廣泛，比如生物醫(yī)療、??人臉檢測(cè)、工業(yè)制造、道路監(jiān)控等。??目標(biāo)檢測(cè)的在工業(yè)界的研宄成果具有很大應(yīng)用價(jià)值，這些成果正在改變我們的日常??生活，近年來引起了越來越多研究學(xué)者、科技公司的研宄興趣。目標(biāo)檢測(cè)在初期的特征??提取中都是基于人工設(shè)計(jì)的特征，這些基于傳統(tǒng)人工設(shè)計(jì)圖像特征的目標(biāo)檢測(cè)算法在目??標(biāo)檢測(cè)精度上難以得到突破，并且具有很高的時(shí)間復(fù)雜度。隨著計(jì)算機(jī)硬件技術(shù)的進(jìn)步??與發(fā)展…級(jí)ＧＰＵ技術(shù)對(duì)于計(jì)算速度的加快，解決了卷積神經(jīng)網(wǎng)絡(luò)初期計(jì)算耗時(shí)嚴(yán)重、??硬件基礎(chǔ)達(dá)不到要求以及數(shù)據(jù)樣本不足的問題，基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)技術(shù)開始??進(jìn)入了黃金期。??２．?１人工神經(jīng)網(wǎng)絡(luò)??人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ，即ＡＮＮ）?［３｜］，是根據(jù)生物神經(jīng)網(wǎng)絡(luò)的特??征而設(shè)計(jì)的，是一種進(jìn)行信息處理的數(shù)學(xué)模型。通過輸入數(shù)據(jù)，經(jīng)過隱層神經(jīng)元的計(jì)算??并調(diào)整隱層神經(jīng)元的權(quán)重參數(shù)，來進(jìn)行信息處理和模型計(jì)算。??圖２＿〗生物神經(jīng)元結(jié)構(gòu)圖??Ｆｉｇ．?２－１?Ｂｉｏｌｏｇｉｃａｌ?ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??－９－??

?基于ＳＳＤ算法的水面目標(biāo)圖像的檢測(cè)研究???如圖２－１所示，是生物神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)圖。神經(jīng)元能夠經(jīng)過軸突作用于數(shù)以萬(wàn)??計(jì)的其它神經(jīng)元，同時(shí)也能夠經(jīng)過樹突從數(shù)以萬(wàn)計(jì)的神經(jīng)元中接收信息。在前端的神經(jīng)??元感受軸突中傳到電信號(hào)時(shí)，釋放出化學(xué)遞質(zhì)，后端神經(jīng)元的樹突接收到化學(xué)遞質(zhì)后產(chǎn)??生出相應(yīng)的電信號(hào)，從而完成了神經(jīng)元間的一次信息傳遞。??０＾１?Ｚ?＾?３??ｋＵ??圖２－２神經(jīng)網(wǎng)絡(luò)的感知器??Ｆｉｇ．?２－２?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｐｅｒｃｅｐｔｒｏｎ??人工神經(jīng)網(wǎng)絡(luò)的基本計(jì)算單元被稱為感知機(jī)（Ｐｅｒｃｅｐｔｒｏｎ）［３２］，如圖２－２所示，它就??是模擬生物神經(jīng)網(wǎng)絡(luò)的構(gòu)成而設(shè)計(jì)的。它是經(jīng)過簡(jiǎn)化的人類神經(jīng)元細(xì)胞模型。它本質(zhì)上??是一個(gè)函數(shù)，它接受多個(gè)實(shí)數(shù)輸入變量（此圖只包含兩個(gè)輸入變量，即圖中的ｘ?１和ｘ２），??每個(gè)變量所在的連接上具有權(quán)重值（即圖中的ｗｌ、ｗ２），輸入變量經(jīng)過加權(quán)求和后與??一個(gè)偏置項(xiàng)相加（即圖中的ｂ），作為神經(jīng)元的輸入，經(jīng)過一個(gè)非線性的激活函數(shù)的激??活作用（即圖中的ｇ?（ｚ）），最終產(chǎn)生一個(gè)激活值。如公式２－１所示。??Ｚ＾ＸＷ＋ｂ?（２－１）??／＝］??其中為ｉ層的權(quán)重，６為偏置項(xiàng)。??輸入值模擬對(duì)神經(jīng)細(xì)胞的刺激，而輸出值模擬神經(jīng)細(xì)胞的響應(yīng)。而多個(gè)感知器的組??合就可以形成一個(gè)人工神經(jīng)網(wǎng)絡(luò)，如圖２－３所示，是一個(gè)三層的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，??其中包括兩個(gè)隱層以及輸入、輸出層，輸入層是負(fù)責(zé)數(shù)據(jù)的輸入的，可以是一個(gè)也可以??是多個(gè)。隱層是對(duì)輸入層的數(shù)據(jù)進(jìn)行計(jì)算的，隱層至少有一個(gè)，隱層中的神經(jīng)元的個(gè)數(shù)??是不限制的，根據(jù)自己的輸入數(shù)據(jù)適當(dāng)選擇。輸出層是對(duì)輸入數(shù)據(jù)計(jì)算后所

【參考文獻(xiàn)】：
期刊論文
[1]人工智能助力高速公路視頻監(jiān)控[J]. 陳波,張秀杰.  公路交通科技(應(yīng)用技術(shù)版). 2018(09)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)檢測(cè)[J]. 李健偉,曲長(zhǎng)文,彭書娟,鄧兵.  系統(tǒng)工程與電子技術(shù). 2018(09)
[3]基于深度學(xué)習(xí)的水面無人船前方船只圖像識(shí)別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[4]SSD算法推理過程的探析[J]. 郭葉軍,汪敬華,吉明明.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(05)
[5]醫(yī)學(xué)影像計(jì)算機(jī)輔助檢測(cè)與診斷系統(tǒng)綜述[J]. 鄭光遠(yuǎn),劉峽壁,韓光輝.  軟件學(xué)報(bào). 2018(05)
[6]深度強(qiáng)化學(xué)習(xí)進(jìn)展:從AlphaGo到AlphaGo Zero[J]. 唐振韜,邵坤,趙冬斌,朱圓恒.  控制理論與應(yīng)用. 2017(12)
[7]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[8]深度學(xué)習(xí)發(fā)展綜述[J]. 侯宇青陽(yáng),全吉成,王宏偉.  艦船電子工程. 2017(04)
[9]基于深度卷積網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測(cè)識(shí)別[J]. 李君寶,楊文慧,許劍清,彭宇.  導(dǎo)航定位與授時(shí). 2017(01)
[10]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)

碩士論文
[1]改進(jìn)的SSD的目標(biāo)檢測(cè)研究[D]. 趙慶北.廣西大學(xué) 2018
[2]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)志識(shí)別應(yīng)用研究[D]. 賈雨辰.成都理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法研究[D]. 溫捷文.廣東工業(yè)大學(xué) 2018
[4]基于DSP的雷達(dá)目標(biāo)檢測(cè)與錄取技術(shù)[D]. 王剛.大連海事大學(xué) 2008



本文編號(hào)：3372436