基于深度學習的漁網(wǎng)檢測方法研究
發(fā)布時間：2022-01-17 21:27
隨著社會的發(fā)展,海洋的價值越來越被人類所重視,人們開始從不同角度開發(fā)和利用海洋。然而在海洋捕撈的過程中往往伴隨著漁網(wǎng)破損,散落在海中,進而導致漁網(wǎng)纏繞螺旋槳事件越來越多的發(fā)生,給航運業(yè)以及海洋環(huán)境帶來了很大的直接或者間接的損失。目前對于漁網(wǎng)探測仍缺乏有效的探測手段,也未見漁網(wǎng)檢測相關的報道。本文針對當下的深海探測技術對漁網(wǎng)探測距離近、檢測精度低、實時性不好以及缺少空間信息等問題,提出生成網(wǎng)絡、深度學習目標檢測和雙目定位方法相結合的漁網(wǎng)目標檢測方法,其具體研究內容如下:1)對當下水下目標探測以及深度學習國內外發(fā)展現(xiàn)狀進行深入分析,并結合漁網(wǎng)自身的特點,構建水下激光掃描系統(tǒng)進行水下漁網(wǎng)數(shù)據(jù)高精度、遠距離的采集,得到具有清晰漁網(wǎng)特點的水下光學數(shù)據(jù)。2)簡要介紹傳統(tǒng)卷積神經(jīng)網(wǎng)絡的結構單元,針對實驗采集漁網(wǎng)數(shù)據(jù)形態(tài)單一、數(shù)據(jù)量小的問題,改進網(wǎng)絡結構和優(yōu)化算法的深度生成對抗網(wǎng)絡,生成具有訓練評價指標的高質量偽漁網(wǎng)圖像,實現(xiàn)對原始數(shù)據(jù)擴增,為后續(xù)深度學習目標檢測奠定大數(shù)據(jù)基礎。3)分析經(jīng)典深度學習特征提取網(wǎng)絡結構以及主流的深度目標檢測算法的優(yōu)缺點,改進特征提取網(wǎng)絡、擴大感受野范圍的多尺度特征融合的深...
【文章來源】：哈爾濱工程大學黑龍江省 211工程院校
【文章頁數(shù)】：89 頁
【學位級別】：碩士
【部分圖文】：
目標檢測在大量專家、學者的努力下，目標檢測技術實現(xiàn)跨越式進步，智能化的算法性能接
圖 1.2 DPM 目標檢測計算流程今的生產、生活應用中，深度學習的目標檢測方法逐漸替代傳深度學習模型是卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，C授團隊利用卷積神經(jīng)網(wǎng)絡設計了 AlexNet[8]，使之在 ImageNet 法團隊，使得 CNN 成為計算機視覺領域中最為重要的工具之了一個新的階段。目前，現(xiàn)有的深度學習的目標檢測算法大致 的區(qū)域目標檢測算法，典型代表性的 R-CNN 系列[9-13]；基于型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標搜索的檢測算 Attention-Net[18]算法。
圖 1.2 DPM 目標檢測計算流程如今的生產、生活應用中，深度學習的目標檢測方法逐漸替代傳統(tǒng)方的深度學習模型是卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，CNN)n 教授團隊利用卷積神經(jīng)網(wǎng)絡設計了 AlexNet[8]，使之在 ImageNet 問題方法團隊，使得 CNN 成為計算機視覺領域中最為重要的工具之一。入了一個新的階段。目前，現(xiàn)有的深度學習的目標檢測算法大致分為NN 的區(qū)域目標檢測算法，典型代表性的 R-CNN 系列[9-13]；基于回歸典型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標搜索的檢測算法，的 Attention-Net[18]算法。
【參考文獻】：
期刊論文
[1]基于LK和FAST的時間序列圖像快速配準算法[J]. 荊瀅,齊乃新,楊小岡,盧瑞濤. 紅外與激光工程. 2018(11)
[2]射電天文圖像的反卷積算法研究[J]. 張利,徐龍,米立功,馬家君. 天文學報. 2018(06)
[3]聲納技術的發(fā)展道路[J]. 佟宏偉. 科技創(chuàng)新與應用. 2018(33)
[4]基于SqueezeNet的輕量化卷積神經(jīng)網(wǎng)絡SlimNet[J]. 董藝威,于津. 計算機應用與軟件. 2018(11)
[5]顆粒物分界層Mie散射激光雷達識別的sigmoid算法[J]. 朱育雷,倪長健,鄧佩云. 中國環(huán)境科學. 2018(10)
[6]基于改進特征加權的樸素貝葉斯分類算法[J]. 丁月,汪學明. 計算機應用研究. 2019(12)
[7]S-Harris:一種改進的角點檢測算法[J]. 孫萬春,張建勛,朱佳寶,陳虹伶,鄭集元. 重慶理工大學學報(自然科學). 2018(10)
[8]Harris和Sift算法在不同尺度下提取特征點分析[J]. 羅通. 信息系統(tǒng)工程. 2018(08)
[9]基于單光子的星載激光水下目標探測深度研究[J]. 彭志興,周保琢,陳華,張志,譚平. 激光與紅外. 2018(07)
[10]基于CNN雙目特征點匹配目標識別與定位研究[J]. 蔣強衛(wèi),甘興利,李雅寧. 無線電工程. 2018(08)
博士論文
[1]半監(jiān)督學習和數(shù)值模擬的煤層底板突水預警系統(tǒng)研究[D]. 劉雪艷.太原理工大學 2016
碩士論文
[1]基于非冗余互補信息的圖像超分辨率算法研究[D]. 史長宏.蘭州理工大學 2018
[2]基于深度視感知學習的食物識別移動端系統(tǒng)研究與開發(fā)[D]. 藍天.蘭州理工大學 2018
[3]人臉檢測與匹配識別算法研究[D]. 王藝蒙.哈爾濱工業(yè)大學 2018
[4]基于深度學習的隱寫分析研究[D]. 吳艷紅.北京交通大學 2018
[5]AGV視覺定位系統(tǒng)的設計與實現(xiàn)[D]. 于亦奇.浙江大學 2018
[6]基于深度卷積神經(jīng)網(wǎng)絡的人臉檢測算法研究[D]. 王啟航.浙江理工大學 2018
[7]面向目標識別的多特征融合研究與實現(xiàn)[D]. 張建虎.北京交通大學 2018
[8]基于生成對抗網(wǎng)絡的圖像超分辨率算法研究與改進[D]. 付凌志.哈爾濱工業(yè)大學 2018
[9]基于深度輪廓波卷積神經(jīng)網(wǎng)絡的遙感圖像地物分類[D]. 馬麗媛.西安電子科技大學 2017
[10]基于SIFT的局部不變特征研究[D]. 滕日.中國科學院研究生院(光電技術研究所) 2016
本文編號：3595469
【文章來源】：哈爾濱工程大學黑龍江省 211工程院校
【文章頁數(shù)】：89 頁
【學位級別】：碩士
【部分圖文】：
目標檢測在大量專家、學者的努力下，目標檢測技術實現(xiàn)跨越式進步，智能化的算法性能接
圖 1.2 DPM 目標檢測計算流程今的生產、生活應用中，深度學習的目標檢測方法逐漸替代傳深度學習模型是卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，C授團隊利用卷積神經(jīng)網(wǎng)絡設計了 AlexNet[8]，使之在 ImageNet 法團隊，使得 CNN 成為計算機視覺領域中最為重要的工具之了一個新的階段。目前，現(xiàn)有的深度學習的目標檢測算法大致 的區(qū)域目標檢測算法，典型代表性的 R-CNN 系列[9-13]；基于型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標搜索的檢測算 Attention-Net[18]算法。
圖 1.2 DPM 目標檢測計算流程如今的生產、生活應用中，深度學習的目標檢測方法逐漸替代傳統(tǒng)方的深度學習模型是卷積神經(jīng)網(wǎng)絡(Convolution Neural Network，CNN)n 教授團隊利用卷積神經(jīng)網(wǎng)絡設計了 AlexNet[8]，使之在 ImageNet 問題方法團隊，使得 CNN 成為計算機視覺領域中最為重要的工具之一。入了一個新的階段。目前，現(xiàn)有的深度學習的目標檢測算法大致分為NN 的區(qū)域目標檢測算法，典型代表性的 R-CNN 系列[9-13]；基于回歸典型代表 YOLO 系列[14-16]和 SSD 系列[17]；基于目標搜索的檢測算法，的 Attention-Net[18]算法。
【參考文獻】：
期刊論文
[1]基于LK和FAST的時間序列圖像快速配準算法[J]. 荊瀅,齊乃新,楊小岡,盧瑞濤. 紅外與激光工程. 2018(11)
[2]射電天文圖像的反卷積算法研究[J]. 張利,徐龍,米立功,馬家君. 天文學報. 2018(06)
[3]聲納技術的發(fā)展道路[J]. 佟宏偉. 科技創(chuàng)新與應用. 2018(33)
[4]基于SqueezeNet的輕量化卷積神經(jīng)網(wǎng)絡SlimNet[J]. 董藝威,于津. 計算機應用與軟件. 2018(11)
[5]顆粒物分界層Mie散射激光雷達識別的sigmoid算法[J]. 朱育雷,倪長健,鄧佩云. 中國環(huán)境科學. 2018(10)
[6]基于改進特征加權的樸素貝葉斯分類算法[J]. 丁月,汪學明. 計算機應用研究. 2019(12)
[7]S-Harris:一種改進的角點檢測算法[J]. 孫萬春,張建勛,朱佳寶,陳虹伶,鄭集元. 重慶理工大學學報(自然科學). 2018(10)
[8]Harris和Sift算法在不同尺度下提取特征點分析[J]. 羅通. 信息系統(tǒng)工程. 2018(08)
[9]基于單光子的星載激光水下目標探測深度研究[J]. 彭志興,周保琢,陳華,張志,譚平. 激光與紅外. 2018(07)
[10]基于CNN雙目特征點匹配目標識別與定位研究[J]. 蔣強衛(wèi),甘興利,李雅寧. 無線電工程. 2018(08)
博士論文
[1]半監(jiān)督學習和數(shù)值模擬的煤層底板突水預警系統(tǒng)研究[D]. 劉雪艷.太原理工大學 2016
碩士論文
[1]基于非冗余互補信息的圖像超分辨率算法研究[D]. 史長宏.蘭州理工大學 2018
[2]基于深度視感知學習的食物識別移動端系統(tǒng)研究與開發(fā)[D]. 藍天.蘭州理工大學 2018
[3]人臉檢測與匹配識別算法研究[D]. 王藝蒙.哈爾濱工業(yè)大學 2018
[4]基于深度學習的隱寫分析研究[D]. 吳艷紅.北京交通大學 2018
[5]AGV視覺定位系統(tǒng)的設計與實現(xiàn)[D]. 于亦奇.浙江大學 2018
[6]基于深度卷積神經(jīng)網(wǎng)絡的人臉檢測算法研究[D]. 王啟航.浙江理工大學 2018
[7]面向目標識別的多特征融合研究與實現(xiàn)[D]. 張建虎.北京交通大學 2018
[8]基于生成對抗網(wǎng)絡的圖像超分辨率算法研究與改進[D]. 付凌志.哈爾濱工業(yè)大學 2018
[9]基于深度輪廓波卷積神經(jīng)網(wǎng)絡的遙感圖像地物分類[D]. 馬麗媛.西安電子科技大學 2017
[10]基于SIFT的局部不變特征研究[D]. 滕日.中國科學院研究生院(光電技術研究所) 2016
本文編號：3595469
本文鏈接：http://sikaile.net/kejilunwen/chuanbolw/3595469.html
