水上運輸是我國綜合運輸體系中的重要組成部分,并正日益顯示出它的巨大作用。在我國的內(nèi)河每日都有大量船舶通航,但某些航道有時需要禁止或限制船舶通行,如水域跨設(shè)電纜、建橋施工期間以及其他需要對航道進(jìn)行管控的時段,需要對過往船舶盡早警示甚至驅(qū)離以避免發(fā)生事故。為了盡早識別船舶以提前發(fā)出信號,常用具備長焦鏡頭的網(wǎng)絡(luò)攝像機(jī)對航道指定水域周期性掃描監(jiān)控,但受水面水紋、船舶行駛過程中引起的波浪及攝像機(jī)轉(zhuǎn)動、震顫的影響,使得傳統(tǒng)目標(biāo)檢測算法在船舶檢測過程中出現(xiàn)準(zhǔn)確率低、計算量大等問題。針對以上問題本文開發(fā)了基于深度學(xué)習(xí)的方法來對動態(tài)背景下的船舶目標(biāo)進(jìn)行檢測識別,使檢測效果得到了顯著的改善。本文所作的主要工作總結(jié)如下:1)對比研究了Faster R-CNN、SSD及YOLOv3三種典型基于深度學(xué)習(xí)的目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)、原理及效率,并對YOLOv3網(wǎng)絡(luò)進(jìn)行優(yōu)化。在Ubuntu系統(tǒng)下利用Python編程語言以及Tensorflow深度學(xué)習(xí)框架搭建網(wǎng)絡(luò)模型,后利用在航道實景采集、標(biāo)注的船舶數(shù)據(jù)集進(jìn)行訓(xùn)練分析。結(jié)果表明YOLOv3比Faster R-CNN的平均誤檢率低10%,推理速度更快且擁有相似的平均檢測識別率...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
內(nèi)容摘要
abstract
選題依據(jù)與意義
國內(nèi)外文獻(xiàn)資料綜述
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文章節(jié)安排
2 卷積神經(jīng)網(wǎng)絡(luò)理論概述
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)
    2.3 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析
    2.4 典型網(wǎng)絡(luò)模型性能對比
    2.5 本章小結(jié)
3 動態(tài)背景下船舶檢測識別網(wǎng)絡(luò)搭建與優(yōu)化
    3.1 引言
    3.2 實驗數(shù)據(jù)準(zhǔn)備
    3.3 Faster R-CNN檢測網(wǎng)絡(luò)分析與測試
    3.4 SSD檢測網(wǎng)絡(luò)分析與測試
    3.5 YOLOv3 檢測網(wǎng)絡(luò)分析與測試
    3.6 模型的性能評價
    3.7 基于YOLOv3 的船舶檢測網(wǎng)絡(luò)優(yōu)化
    3.8 本章小結(jié)
4 目標(biāo)的跟蹤、計數(shù)與預(yù)警
    4.1 引言
    4.2 干擾排除
    4.3 目標(biāo)特征建模
    4.4 目標(biāo)匹配
    4.5 目標(biāo)跟蹤、計數(shù)與預(yù)警
    4.6 本章小結(jié)
5 系統(tǒng)設(shè)計與軟件實現(xiàn)
    5.1 引言
    5.2 系統(tǒng)方案設(shè)計
    5.3 網(wǎng)絡(luò)攝像機(jī)二次開發(fā)
    5.4 軟件開發(fā)
    5.5 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 論文展望
參考文獻(xiàn)
附錄:攻讀工程碩士學(xué)位期間發(fā)表的部分科研成果
    發(fā)表文章
    發(fā)表專利
    發(fā)表軟件著作權(quán)
致謝



本文編號：3903261