發(fā)布時間：2021-10-28 10:25

　　隨著社會經(jīng)濟的發(fā)展,我們國家在航空領(lǐng)域也得到了進一步的突破,飛行器的種類和數(shù)量都在不斷增長,導致我國的許多空域出現(xiàn)了一種接近飽和的狀態(tài)。結(jié)合現(xiàn)狀存在的問題,研究空中各種可能出現(xiàn)的碰撞情景,制定避險方案。在其中,無人機自主完成對飛行目標的識別占有重要比重。這段時間以來,因為社會的飛速發(fā)展,深度學習理念也已經(jīng)進入了新的階段,所以在很多場景中我們都可以看到深度學習的影子。對于本文來講,對于卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在飛行器圖像識別上的研究是必不可少的。飛行器目標識別近年來也使用了深度學習進行了一些初步的嘗試。本文在TensorFlow學習框架的基礎(chǔ)上研究飛行器識別方法。將飛行器識別分為兩大板塊來重點研究,候選區(qū)域生成算法和圖像分類算法。首先,介紹了貫穿全文的基本理論算法卷積神經(jīng)網(wǎng)絡(luò),介紹了它的各個層次的構(gòu)造、作用和優(yōu)勢,并選取本文所用到的深度學習框架。其次,對候選區(qū)域生成算法進行結(jié)構(gòu)的介紹和分析所用到的幾類算法,并得出該類算法的優(yōu)缺性。候選區(qū)域生成算法借鑒faster R-CNN算法思路,提出了改進的候選區(qū)域生成算法。然后,介紹圖像分類的幾種算法。并且以AlexNet網(wǎng)絡(luò)為基礎(chǔ)進行網(wǎng)絡(luò)上的改進,并結(jié)合... 

【文章來源】：河北科技大學河北省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

AlexNet網(wǎng)絡(luò)模型

第1章緒論5圖1-2VGG16網(wǎng)絡(luò)模型1.2.3目標識別目標識別作為機器視覺中一個長期存在且具有挑戰(zhàn)性的任務(wù)，長期以來都屬于研究的重點方向和領(lǐng)域[38]。準確的來說，目標識別的目的是盤查所需要檢查的圖像中是否包含給出的目標，如果圖像中有的話，則將目標在圖像的大致位置得出后返回它。目標識別也廣泛應(yīng)用在各行各業(yè)，比如先進的門鎖，支付寶的人臉付款功能等。就目前來看，深度學習已經(jīng)滲入到了我們周邊的各種環(huán)境中，也促進著我們的發(fā)展。而且來說，深度學習將目標識別的發(fā)展推向了更高的一個臺階。目標識別不僅能識別非相似的物體，比如電視機和床，也能識別相似的物體，比如民航飛機和民用無人機。從剛開始研究到現(xiàn)在初步有成，他的領(lǐng)域大致都在單個或者幾個固定

第2章卷積神經(jīng)網(wǎng)絡(luò)7第2章卷積神經(jīng)網(wǎng)絡(luò)2.1引言卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在各個環(huán)境中，是深度學習的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)是通過對動物的腦子進行研究得到的，學者們通過研究發(fā)現(xiàn)了動物腦子里有極其敏感的神經(jīng)元，通過這個研究，學者們提出了感受野這一詞，并且學者們發(fā)現(xiàn)了神經(jīng)元與神經(jīng)元之間的連接方式是十分科學有效的，它能夠降低整體的復雜性，簡化整體的結(jié)構(gòu)[40]。自此，學者們又在這個研究成果的基礎(chǔ)上進行改進，得到神經(jīng)認知機，它被學術(shù)界認為是卷積神經(jīng)網(wǎng)絡(luò)的雛形，也是通過對動物腦子的研究的第一次應(yīng)用和展現(xiàn)[41]。在此基礎(chǔ)上，學者們又將其進行革新?lián)Q代，研究出了一種好幾層的神經(jīng)網(wǎng)絡(luò)LeNet-5[42]，將它應(yīng)用于人們手寫的數(shù)字上的識別中，并且效果極佳。自此，歷史上卷積神經(jīng)網(wǎng)絡(luò)的第一個結(jié)構(gòu)雛形誕生了。但是該結(jié)構(gòu)僅僅對人類手寫的數(shù)字的識別效果好，對于別的物體的識別效果，依然不是很理想。隨著時代的進步和計算機突飛猛進的升級，人類建立了歷史上第一個數(shù)量最大的圖像數(shù)據(jù)集—ImageNet[43]，而且在此數(shù)據(jù)集的基礎(chǔ)上創(chuàng)辦了視覺識別的比賽[44]，自此，學者們都爭鋒相擁的開始關(guān)注這個領(lǐng)域。我們通過將如圖2-1所示的LeNet-5網(wǎng)絡(luò)模型作為神經(jīng)網(wǎng)絡(luò)的代表來深入的介紹卷積神經(jīng)網(wǎng)絡(luò)的各個部分以及區(qū)別于其他算法的不同之處[45]。圖2-1LeNet-5卷積神經(jīng)網(wǎng)絡(luò)2.2卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)主要包含卷積層、采樣層（池化層）和全連接層[46]。每一層對于網(wǎng)絡(luò)來說都是無法取代的，都有其特定的功能，以下我們會對各層進行展開詳細的描述。

【參考文獻】：
期刊論文
[1]基于改進的Faster R-CNN算法的機械零件圖像識別[J]. 郭斐,靳伍銀,王猛.  機械設(shè)計. 2019(09)
[2]北京民航運輸與區(qū)域發(fā)展關(guān)系研究[J]. 張碩.  民航管理. 2019(07)
[3]基于深度學習的輪廓檢測算法:綜述[J]. 林川,曹以雋.  廣西科技大學學報. 2019(02)
[4]安全vs隱私:美國無人機聯(lián)邦監(jiān)管述評[J]. 王歡,付超.  中國刑警學院學報. 2019(01)
[5]基于RCNN的車輛區(qū)域檢測研究[J]. 賈瑞.  數(shù)字技術(shù)與應(yīng)用. 2019(02)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的深度圖像超分辨率重建方法[J]. 李偉,張旭東.  電子測量與儀器學報. 2017(12)
[7]深度卷積神經(jīng)網(wǎng)絡(luò)在計算機視覺中的應(yīng)用研究綜述[J]. 王琳,趙耀,余靜華,陳曦.  農(nóng)村經(jīng)濟與科技. 2017(14)
[8]基于深度卷積神經(jīng)網(wǎng)絡(luò)的貨車車號識別研究[J]. 廖健.  交通運輸工程與信息學報. 2016(04)
[9]基于CNN模型的高分辨率遙感圖像目標識別[J]. 曲景影,孫顯,高鑫.  國外電子測量技術(shù). 2016(08)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別方法[J]. 陳耀丹,王連明.  東北師大學報(自然科學版). 2016(02)

博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉基準點定位研究[D]. 張少華.華中科技大學 2016
[2]基于計算機視覺的手勢識別系統(tǒng)研究[D]. 周航.北京交通大學 2008

碩士論文
[1]基于深度學習的無人機位姿視覺測量與計算方法[D]. 張嘉旭.西安理工大學 2019
[2]改進DCNN算法及其在無人機目標識別中應(yīng)用[D]. 翟進有.南昌航空大學 2019
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學圖像分類方法研究[D]. 史亮亮.河北科技大學 2019
[4]FPGA實現(xiàn)的可編程神經(jīng)網(wǎng)絡(luò)處理器[D]. 趙博然.西安電子科技大學 2018
[5]臨近空間強機動目標跟蹤算法研究[D]. 苗士雨.北京交通大學 2018
[6]基于深度卷積神經(jīng)網(wǎng)絡(luò)和無監(jiān)督K均值特征的SAR圖像目標識別方法研究[D]. 劉凱品.五邑大學 2017
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學 2017
[8]基于深度學習的人臉識別算法研究[D]. 馬良慧.山東理工大學 2017
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究[D]. 宋欣益.哈爾濱工業(yè)大學 2016
[10]工件非接觸檢測中機器視覺的研究與應(yīng)用[D]. 段德山.北京郵電大學 2007



本文編號：3462688