面向空間站內(nèi)對(duì)物體感知的需求,基于Darknet-53網(wǎng)絡(luò)建立了人工智能物體識(shí)別模型,利用COCO數(shù)據(jù)集開展了機(jī)器視覺的物體識(shí)別研究,采用國(guó)際空間站艙內(nèi)生活視頻進(jìn)行了物體識(shí)別實(shí)驗(yàn),分析了識(shí)別物體時(shí)邊框劃分準(zhǔn)確程度和類別準(zhǔn)確程度。結(jié)果表明:所提方法針對(duì)空間站內(nèi)的典型物體識(shí)別效果好,邊框劃分正確率為95.45%,邊框內(nèi)物體類別的識(shí)別正確率達(dá)到79.54%。所提方法為空間站內(nèi)物體感知提供了有效解決方法,工程上易于構(gòu)建和實(shí)現(xiàn),也可拓展到艙外物體識(shí)別的任務(wù)中。 

【文章來源】：西北工業(yè)大學(xué)學(xué)報(bào). 2020,38(S1)北大核心EICSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

4種常見神經(jīng)網(wǎng)絡(luò)的性能與效果對(duì)比

預(yù)測(cè)每個(gè)邊界的目標(biāo)分?jǐn)?shù)(objectness score),利用邏輯回歸的方法,當(dāng)真實(shí)標(biāo)簽框與某個(gè)邊界框重疊的面積比大于其他任何邊界框時(shí),設(shè)此先驗(yàn)邊界框?yàn)?�；谖墨I(xiàn)[6]的方法,若先驗(yàn)邊界框非最優(yōu),但是與目標(biāo)的真實(shí)標(biāo)簽框重疊面積大于閾值,則忽略此預(yù)測(cè)。設(shè)定閾值為0.5。本方法僅對(duì)每個(gè)真實(shí)標(biāo)簽框分配一個(gè)邊界框,當(dāng)先驗(yàn)邊界框未分配給真實(shí)標(biāo)簽框時(shí),不會(huì)產(chǎn)生坐標(biāo)或類別預(yù)測(cè)損失,只會(huì)產(chǎn)生目標(biāo)預(yù)測(cè)損失。1.3 類別的檢測(cè)

實(shí)驗(yàn)結(jié)果

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的彩色圖像聲吶目標(biāo)檢測(cè)[J]. 王曉,關(guān)志強(qiáng),王靜,王永強(qiáng).  計(jì)算機(jī)應(yīng)用. 2019(S1)
[2]人工智能在中國(guó)航天的應(yīng)用與展望[J]. 岳夢(mèng)云,王偉,張羲格.  計(jì)算機(jī)測(cè)量與控制. 2019(06)
[3]基于深度學(xué)習(xí)的空間站艙內(nèi)服務(wù)機(jī)器人視覺跟蹤[J]. 張銳,王兆魁.  上海航天. 2018(05)



本文編號(hào)：3435709