載人潛水器水下攝像信息識別技術研究
發(fā)布時間：2021-01-31 22:53
深海環(huán)境蘊藏豐富的生物及礦產(chǎn)資源,攝像技術是研究深海生物多樣性以及深海礦產(chǎn)分布等規(guī)律一種有效的手段,目前海洋研究機構已經(jīng)在部分海域定點安裝攝像頭以實現(xiàn)對海洋的動態(tài)檢測。然而,海洋研究人員需要對長時間拍攝的深海攝像信息投入大量的時間和精力提取攝像中的目標信息。針對如何高效挖掘水下信息這一問題,本文提出了一項載人潛水器水下攝像信息識別技術研究,該項技術通過對深海攝像信息中具體對象進行特征提取、特征分類從而實現(xiàn)對載人潛水器水下攝像信息的挖掘,具體研究工作如下:（1）針對載人潛水器水下攝像信息提取困難這一問題,提出了一種載人潛水器水下攝像信息識別方法,并圍繞該識別技術設計出一款載人潛水器水下攝像信息識別系統(tǒng)軟件,將計算機視覺技術及深度學習思想應用于載人潛水器領域。（2）針對深海圖像特點選擇了三種不同深度學習識別算法,對三種識別算法原理及結構進行了詳細的研究與分析,并通過大量實驗數(shù)據(jù)比較了三種識別算法分別針對單一型和密集型兩種不同類型的攝像信息在識別速度及精度兩方面的性能。實驗結果表明不同識別算法針對相同的載人潛水器水下攝像信息在準確率、識別速度等方面有所差異,最終確定綜合性能最好的R-FCN算...
【文章來源】：青島科技大學山東省
【文章頁數(shù)】：82 頁
【學位級別】：碩士
【部分圖文】：
圖像采集示意圖(a)"AUSS"underwatervehicle(b)IAUV(c)Imageacquisition（a）“AUSS”水下運載器（b）IAUV（c）
卷積神經(jīng)網(wǎng)絡（CNN）一般由五部分組成即輸入層、卷積層、池化層、全連接層和 Softmax 層[35]，其中隱含層的卷積層和池化采樣層是整個卷積神經(jīng)網(wǎng)絡的核心模塊負責實現(xiàn)對神經(jīng)網(wǎng)絡特征提取功能。網(wǎng)絡訓練算法采用的是 BP出無限接近，從而達到訓練的目的心模塊負責實現(xiàn)對神經(jīng)網(wǎng)絡特征提取功能。卷積神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡一樣算法[36]，通過不斷調(diào)整參數(shù)使網(wǎng)絡最終輸出與期望輸[37]，卷積神經(jīng)網(wǎng)絡整體架構如圖卷積神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡一樣2-1 所示。
Fig.2-2（2）卷積層積層是卷積神經(jīng)網(wǎng)絡的核心單元，大部分計算過程都在卷積層中完成，該層中每一個神經(jīng)元與上一層的一個或是多個輸出特征圖連接，不同的特征經(jīng)過組合圖 2-2 卷積神經(jīng)網(wǎng)絡輸入層示意圖2 Convolutional neural network input layer schematic
【參考文獻】：
期刊論文
[1]基于深度學習的圖像識別技術綜述[J]. 徐夢雪. 計算機產(chǎn)品與流通. 2019(01)
[2]基于混合采樣的不平衡數(shù)據(jù)集算法研究[J]. 張明,胡曉輝,吳嘉昕. 計算機工程與應用. 2019(17)
[3]深海潛水器研究現(xiàn)狀與展望[J]. 朱大奇,胡震. 安徽師范大學學報(自然科學版). 2018(03)
[4]載人潛水器發(fā)展現(xiàn)狀及趨勢[J]. 任玉剛,劉保華,丁忠軍,李曄,楊磊,胡曉涵. 海洋技術學報. 2018(02)
[5]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在密度界面反演中的應用[J]. 張代磊,黃大年,張沖. 吉林大學學報(地球科學版). 2017(02)
[6]基于D-S證據(jù)理論的信息融合圖像識別[J]. 張逵,朱大奇. 上海海事大學學報. 2012(03)
[7]神經(jīng)網(wǎng)絡BP算法研究綜述[J]. 陳流豪. 電腦知識與技術. 2010(36)
[8]一種新的有效消除圖像中Gibbs噪聲的算法[J]. 郭寶龍,武曉玥,李雷達. 中國激光. 2010(03)
[9]基于穩(wěn)態(tài)自適應技術的水下機器人系統(tǒng)在線辨識[J]. 張銘鈞,胡明茂,徐建安. 系統(tǒng)仿真學報. 2008(18)
[10]智能水下機器人技術展望[J]. 徐玉如,龐永杰,甘永,孫玉山. 智能系統(tǒng)學報. 2006(01)
博士論文
[1]水下圖像處理及目標分類關鍵技術研究[D]. 白繼嵩.哈爾濱工程大學 2017
碩士論文
[1]基于局部特征的表情識別研究[D]. 李月.南京郵電大學 2018
[2]基于特征學習與有效區(qū)域基因選擇算法的商品圖像屬性標注[D]. 殷依.華東交通大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡和混合高斯的行人重識別[D]. 宋曉芳.西安理工大學 2018
[4]基于深度卷積神經(jīng)網(wǎng)絡的人體動作識別[D]. 張瑞.南昌航空大學 2018
[5]基于卷積神經(jīng)網(wǎng)絡的小麥葉部病害圖像識別研究[D]. 林中琦.山東農(nóng)業(yè)大學 2018
[6]基于視覺的水下目標識別與定位技術研究[D]. 權穩(wěn)穩(wěn).山東大學 2018
[7]基于深度學習的圖像語義分割方法[D]. 張建.電子科技大學 2018
[8]基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D]. 段萌.鄭州大學 2017
[9]基于TensorFlow的卷積神經(jīng)網(wǎng)絡的應用研究[D]. 姜新猛.華中師范大學 2017
本文編號：3011722
【文章來源】：青島科技大學山東省
【文章頁數(shù)】：82 頁
【學位級別】：碩士
【部分圖文】：
圖像采集示意圖(a)"AUSS"underwatervehicle(b)IAUV(c)Imageacquisition（a）“AUSS”水下運載器（b）IAUV（c）
卷積神經(jīng)網(wǎng)絡（CNN）一般由五部分組成即輸入層、卷積層、池化層、全連接層和 Softmax 層[35]，其中隱含層的卷積層和池化采樣層是整個卷積神經(jīng)網(wǎng)絡的核心模塊負責實現(xiàn)對神經(jīng)網(wǎng)絡特征提取功能。網(wǎng)絡訓練算法采用的是 BP出無限接近，從而達到訓練的目的心模塊負責實現(xiàn)對神經(jīng)網(wǎng)絡特征提取功能。卷積神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡一樣算法[36]，通過不斷調(diào)整參數(shù)使網(wǎng)絡最終輸出與期望輸[37]，卷積神經(jīng)網(wǎng)絡整體架構如圖卷積神經(jīng)網(wǎng)絡與其他神經(jīng)網(wǎng)絡一樣2-1 所示。
Fig.2-2（2）卷積層積層是卷積神經(jīng)網(wǎng)絡的核心單元，大部分計算過程都在卷積層中完成，該層中每一個神經(jīng)元與上一層的一個或是多個輸出特征圖連接，不同的特征經(jīng)過組合圖 2-2 卷積神經(jīng)網(wǎng)絡輸入層示意圖2 Convolutional neural network input layer schematic
【參考文獻】：
期刊論文
[1]基于深度學習的圖像識別技術綜述[J]. 徐夢雪. 計算機產(chǎn)品與流通. 2019(01)
[2]基于混合采樣的不平衡數(shù)據(jù)集算法研究[J]. 張明,胡曉輝,吳嘉昕. 計算機工程與應用. 2019(17)
[3]深海潛水器研究現(xiàn)狀與展望[J]. 朱大奇,胡震. 安徽師范大學學報(自然科學版). 2018(03)
[4]載人潛水器發(fā)展現(xiàn)狀及趨勢[J]. 任玉剛,劉保華,丁忠軍,李曄,楊磊,胡曉涵. 海洋技術學報. 2018(02)
[5]基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡在密度界面反演中的應用[J]. 張代磊,黃大年,張沖. 吉林大學學報(地球科學版). 2017(02)
[6]基于D-S證據(jù)理論的信息融合圖像識別[J]. 張逵,朱大奇. 上海海事大學學報. 2012(03)
[7]神經(jīng)網(wǎng)絡BP算法研究綜述[J]. 陳流豪. 電腦知識與技術. 2010(36)
[8]一種新的有效消除圖像中Gibbs噪聲的算法[J]. 郭寶龍,武曉玥,李雷達. 中國激光. 2010(03)
[9]基于穩(wěn)態(tài)自適應技術的水下機器人系統(tǒng)在線辨識[J]. 張銘鈞,胡明茂,徐建安. 系統(tǒng)仿真學報. 2008(18)
[10]智能水下機器人技術展望[J]. 徐玉如,龐永杰,甘永,孫玉山. 智能系統(tǒng)學報. 2006(01)
博士論文
[1]水下圖像處理及目標分類關鍵技術研究[D]. 白繼嵩.哈爾濱工程大學 2017
碩士論文
[1]基于局部特征的表情識別研究[D]. 李月.南京郵電大學 2018
[2]基于特征學習與有效區(qū)域基因選擇算法的商品圖像屬性標注[D]. 殷依.華東交通大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡和混合高斯的行人重識別[D]. 宋曉芳.西安理工大學 2018
[4]基于深度卷積神經(jīng)網(wǎng)絡的人體動作識別[D]. 張瑞.南昌航空大學 2018
[5]基于卷積神經(jīng)網(wǎng)絡的小麥葉部病害圖像識別研究[D]. 林中琦.山東農(nóng)業(yè)大學 2018
[6]基于視覺的水下目標識別與定位技術研究[D]. 權穩(wěn)穩(wěn).山東大學 2018
[7]基于深度學習的圖像語義分割方法[D]. 張建.電子科技大學 2018
[8]基于卷積神經(jīng)網(wǎng)絡的圖像識別方法研究[D]. 段萌.鄭州大學 2017
[9]基于TensorFlow的卷積神經(jīng)網(wǎng)絡的應用研究[D]. 姜新猛.華中師范大學 2017
本文編號：3011722
本文鏈接：http://sikaile.net/kejilunwen/chuanbolw/3011722.html
