高光譜影像船舶溢油目標(biāo)異常檢測(cè)與識(shí)別
發(fā)布時(shí)間:2023-03-19 15:23
海上溢油對(duì)海洋環(huán)境、海上運(yùn)輸造成了嚴(yán)重的影響,而這些溢油危害主要來源于存油基地、海上鉆井平臺(tái)以及船舶。溢油發(fā)生后,實(shí)時(shí)掌握溢油的分布信息對(duì)后續(xù)的應(yīng)急決策、清污工作極其重要。遙感技術(shù)因其具有能夠獲取大面積信息的優(yōu)勢(shì),在溢油檢測(cè)研究中發(fā)揮著重要的作用。與雷達(dá)、激光、多光譜影像數(shù)據(jù)相比,高光譜遙感影像具有監(jiān)測(cè)范圍廣、連續(xù)波譜信息、高維度特征的優(yōu)勢(shì),在環(huán)境監(jiān)測(cè)中扮演著重要的角色。近些年隨著傳感器技術(shù)、機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,高光譜圖像識(shí)別技術(shù)逐步向“空譜”結(jié)合處理以及深度學(xué)習(xí)方向發(fā)展。但當(dāng)前基于高光譜油膜識(shí)別研究中,極少采用“空譜”聯(lián)合技術(shù)和深度學(xué)習(xí)技術(shù);在系統(tǒng)集成方面,當(dāng)前的研究只是針對(duì)于某種模型進(jìn)行,并沒有將多個(gè)模型進(jìn)行系統(tǒng)集成,形成可操作的軟件系統(tǒng)。針對(duì)上述存在的問題和目前技術(shù)需求,本文在高光譜油膜相對(duì)厚度識(shí)別以及船舶初步檢測(cè)方面做了相關(guān)研究。首先,采用一種基于異常檢測(cè)的方法,在提取油膜感興趣區(qū)域的同時(shí)找到船舶感興趣區(qū)域;之后將支持向量機(jī)、BP-神經(jīng)網(wǎng)絡(luò)以及基于支持向量機(jī)的棧式自編碼網(wǎng)絡(luò)成功的應(yīng)用到船舶溢油目標(biāo)識(shí)別中,其中基于支持向量機(jī)的棧式自編碼網(wǎng)絡(luò)在驗(yàn)證集上總體分類精度為71%,Kapp...
【文章頁數(shù)】:69 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 研究目標(biāo)和主要工作
1.3.1 研究目標(biāo)
1.3.2 主要工作
1.4 文章結(jié)構(gòu)
第2章 船舶溢油目標(biāo)的異常檢測(cè)
2.1 異常檢測(cè)原理
2.1.1 Rx算子
2.1.2 Rx變種算法
2.2 船舶和溢油目標(biāo)的異常檢測(cè)結(jié)果與分析
2.3 本章小結(jié)
第3章 基于光譜信息溢油目標(biāo)識(shí)別
3.1 支持向量機(jī)與BP-神經(jīng)網(wǎng)絡(luò)
3.1.1 基于支持向量機(jī)的油膜識(shí)別
3.1.2 基于BP-神經(jīng)網(wǎng)絡(luò)的油膜識(shí)別
3.2 基于棧式自動(dòng)編碼器的神經(jīng)網(wǎng)絡(luò)
3.2.1 自動(dòng)編碼器
3.2.2 棧式自動(dòng)編碼器
3.3 數(shù)據(jù)來源與處理
3.4 模型評(píng)價(jià)方法
3.5 實(shí)驗(yàn)結(jié)果與分析
3.5.1 支持向量機(jī)的油膜識(shí)別模型
3.5.2 BP神經(jīng)網(wǎng)絡(luò)油膜識(shí)別模型
3.5.3 SAE網(wǎng)絡(luò)油膜識(shí)別模型
3.5.4 結(jié)果分析
3.6 本章小結(jié)
第4章 基于空譜聯(lián)合的溢油目標(biāo)識(shí)別
4.1 基于空譜聯(lián)合的SAE模型
4.2 卷積神經(jīng)網(wǎng)絡(luò)
4.2.1 感受野
4.2.2 參數(shù)共享
4.2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.3 基于卷積神經(jīng)網(wǎng)絡(luò)的油膜識(shí)別實(shí)驗(yàn)
4.3.1 深度學(xué)習(xí)框架
4.3.2 CNN模型
4.3.3 實(shí)驗(yàn)結(jié)果與分析
4.4 本章小結(jié)
第5章 算法集成與系統(tǒng)實(shí)現(xiàn)
5.1 系統(tǒng)設(shè)計(jì)
5.1.1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)
5.1.2 系統(tǒng)功能設(shè)計(jì)
5.2 系統(tǒng)實(shí)現(xiàn)
5.2.1 系統(tǒng)開發(fā)技術(shù)
5.2.2 系統(tǒng)功能界面
5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
本文編號(hào):3765487
【文章頁數(shù)】:69 頁
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
第1章 緒論
1.1 研究背景
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 研究目標(biāo)和主要工作
1.3.1 研究目標(biāo)
1.3.2 主要工作
1.4 文章結(jié)構(gòu)
第2章 船舶溢油目標(biāo)的異常檢測(cè)
2.1 異常檢測(cè)原理
2.1.1 Rx算子
2.1.2 Rx變種算法
2.2 船舶和溢油目標(biāo)的異常檢測(cè)結(jié)果與分析
2.3 本章小結(jié)
第3章 基于光譜信息溢油目標(biāo)識(shí)別
3.1 支持向量機(jī)與BP-神經(jīng)網(wǎng)絡(luò)
3.1.1 基于支持向量機(jī)的油膜識(shí)別
3.1.2 基于BP-神經(jīng)網(wǎng)絡(luò)的油膜識(shí)別
3.2 基于棧式自動(dòng)編碼器的神經(jīng)網(wǎng)絡(luò)
3.2.1 自動(dòng)編碼器
3.2.2 棧式自動(dòng)編碼器
3.3 數(shù)據(jù)來源與處理
3.4 模型評(píng)價(jià)方法
3.5 實(shí)驗(yàn)結(jié)果與分析
3.5.1 支持向量機(jī)的油膜識(shí)別模型
3.5.2 BP神經(jīng)網(wǎng)絡(luò)油膜識(shí)別模型
3.5.3 SAE網(wǎng)絡(luò)油膜識(shí)別模型
3.5.4 結(jié)果分析
3.6 本章小結(jié)
第4章 基于空譜聯(lián)合的溢油目標(biāo)識(shí)別
4.1 基于空譜聯(lián)合的SAE模型
4.2 卷積神經(jīng)網(wǎng)絡(luò)
4.2.1 感受野
4.2.2 參數(shù)共享
4.2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
4.3 基于卷積神經(jīng)網(wǎng)絡(luò)的油膜識(shí)別實(shí)驗(yàn)
4.3.1 深度學(xué)習(xí)框架
4.3.2 CNN模型
4.3.3 實(shí)驗(yàn)結(jié)果與分析
4.4 本章小結(jié)
第5章 算法集成與系統(tǒng)實(shí)現(xiàn)
5.1 系統(tǒng)設(shè)計(jì)
5.1.1 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)
5.1.2 系統(tǒng)功能設(shè)計(jì)
5.2 系統(tǒng)實(shí)現(xiàn)
5.2.1 系統(tǒng)開發(fā)技術(shù)
5.2.2 系統(tǒng)功能界面
5.3 本章小結(jié)
結(jié)論
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
本文編號(hào):3765487
本文鏈接:http://sikaile.net/kejilunwen/anquangongcheng/3765487.html
最近更新
教材專著