特定目標識別技術在工業(yè)無人機應用上的研究
發(fā)布時間：2021-11-19 15:14
工程車輛識別旨在解決工業(yè)運輸中的安全問題,伴隨著無人機技術的發(fā)展,工業(yè)運輸領域迎來了巨大的變革,而深度學習的進步,GPU硬件設備的增強,都為工程車輛類別識別提供了強大助力。在工業(yè)運輸環(huán)境中,工程車輛特征復雜,視頻監(jiān)控和人工辨別已遠遠不能滿足實際需要。而工業(yè)無人機在多領域的應用,讓人們看到了曙光。將工業(yè)無人機投放到工業(yè)運輸場景,能夠及時地幫助人們捕捉工程車輛信息,操作更加便捷。由此將深度學習方法和工業(yè)無人機應用到工業(yè)運輸車輛的識別中,可以很好的分類識別工程車輛,為實現工業(yè)運輸的智能化起到了紐帶作用。本文的識別算法基于當前的工業(yè)運輸環(huán)境,針對性的設計新模型TD-CNN,將TD-CNN模型應用在工程車輛的類別識別上,主要目的是為了提升識別準確率。首先,本文在原始CNN網絡的基礎上,進行分類神經網絡的改進,然后融合區(qū)域提取網絡,設計出新的網絡模型TD-CNN。本文重點改進了分類卷積神經網絡的結構,通過設計卷積核尺寸、增加核數量、設計網絡深度、添加特殊層、分類器假設證明等確定分類神經網絡的具體模型。為了提高新模型的識別率,采用多種優(yōu)化策略,對參數進行修正調整,證明了添加批標準化的效果好于正則化優(yōu)...
【文章來源】：長春理工大學吉林省
【文章頁數】：66 頁
【學位級別】：碩士
【部分圖文】：
BP 神經網絡模型
1M2M3M4 5 M M 圖 2.3 卷積網絡結構行濾波操作，以此來提取數據特征，一般將先定義一個 kernel 矩陣，把已經分塊完畢的得到輸出值，乘積結束以后獲得的圖譜就原理，定義擁有探測器效果的核就是卷積核的數字中，卷積核能夠對信息作出分析如，輸入為5 5的圖像，卷積核和圖像連接到卷積輸出特征，二維卷積過程如圖 2.4。
( ) ( )1, 1,1, 1,m g v g x wβ βα βψ = = + ，x 表示輸入，w 表示核函數，輸出是特征圖。從卷積層3M ，然后與卷積核運算。假設從池化層M3 的輸出如式所示：( )3 3,3, 3,3, 2,1iiziM mm g m wβωω ωω βψ= = = + 激活函數，w 表示權值，ψ 表示閾值， ( 2,1im i β≤ 采樣，主要利用下采樣操作處理上一層特征圖。通成聚合統(tǒng)計操作以縮小特征圖尺寸[39]。通常情況大值池化，另一類是平均值池化。取2 × 2小區(qū)域
【參考文獻】：
期刊論文
[1]基于Mask R-CNN的物體識別和定位[J]. 彭秋辰,宋亦旭. 清華大學學報(自然科學版). 2019(02)
[2]基于深度學習的圖像檢索系統(tǒng)[J]. 彭騁. 通訊世界. 2018(06)
[3]基于改進卷積神經網絡的船舶目標檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵. 中國航海. 2018(02)
[4]基于改進的FAST R-CNN的前方車輛檢測研究[J]. 史凱靜,鮑泓. 計算機科學. 2018(S1)
[5]Fast R-CNN人臉檢測技術淺析[J]. 路海. 信息技術與信息化. 2018(04)
[6]基于圖像紋理特征提取的船舶目標定位方法[J]. 張正本,王玉芬. 艦船科學技術. 2018(08)
[7]卷積神經網絡的多字體漢字識別[J]. 柴偉佳,王連明. 中國圖象圖形學報. 2018(03)
[8]基于深度學習的圖像語義分割算法概述[J]. 華敏杰. 中國戰(zhàn)略新興產業(yè). 2018(04)
[9]基于融合卷積神經網絡的協(xié)同過濾模型[J]. 楊錫慧. 軟件導刊. 2017(12)
[10]深度學習相關研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯. 計算機應用研究. 2018(07)
博士論文
[1]異構網絡環(huán)境中的MP2P若干關鍵技術研究[D]. 屈海濤.北京郵電大學 2010
[2]基于粗糙集與前饋網絡的案例智能系統(tǒng)的研究[D]. 李建洋.合肥工業(yè)大學 2009
碩士論文
[1]基于卷積神經網絡的鐵軌表面缺陷識別研究[D]. 劉雄祥.西南科技大學 2018
[2]基于深度學習的視頻行為識別技術研究[D]. 余興.電子科技大學 2018
[3]基于視頻的微表情識別方法[D]. 蘆敏.中北大學 2018
[4]基于卷積神經網絡的人臉識別研究與實現[D]. 于志剛.中北大學 2018
[5]基于三維形變模型的人臉替換技術研究[D]. 魏璐.北京郵電大學 2017
[6]群智能優(yōu)化算法中基于信賴域的代理模型研究[D]. 孔倩倩.太原科技大學 2017
[7]基于卷積神經網絡的人臉性別識別研究[D]. 裴子龍.山西師范大學 2017
[8]小型高速無人機及其協(xié)同編隊控制技術研究[D]. 沈佩珺.南京航空航天大學 2015
本文編號：3505306
【文章來源】：長春理工大學吉林省
【文章頁數】：66 頁
【學位級別】：碩士
【部分圖文】：
BP 神經網絡模型
1M2M3M4 5 M M 圖 2.3 卷積網絡結構行濾波操作，以此來提取數據特征，一般將先定義一個 kernel 矩陣，把已經分塊完畢的得到輸出值，乘積結束以后獲得的圖譜就原理，定義擁有探測器效果的核就是卷積核的數字中，卷積核能夠對信息作出分析如，輸入為5 5的圖像，卷積核和圖像連接到卷積輸出特征，二維卷積過程如圖 2.4。
( ) ( )1, 1,1, 1,m g v g x wβ βα βψ = = + ，x 表示輸入，w 表示核函數，輸出是特征圖。從卷積層3M ，然后與卷積核運算。假設從池化層M3 的輸出如式所示：( )3 3,3, 3,3, 2,1iiziM mm g m wβωω ωω βψ= = = + 激活函數，w 表示權值，ψ 表示閾值， ( 2,1im i β≤ 采樣，主要利用下采樣操作處理上一層特征圖。通成聚合統(tǒng)計操作以縮小特征圖尺寸[39]。通常情況大值池化，另一類是平均值池化。取2 × 2小區(qū)域
【參考文獻】：
期刊論文
[1]基于Mask R-CNN的物體識別和定位[J]. 彭秋辰,宋亦旭. 清華大學學報(自然科學版). 2019(02)
[2]基于深度學習的圖像檢索系統(tǒng)[J]. 彭騁. 通訊世界. 2018(06)
[3]基于改進卷積神經網絡的船舶目標檢測[J]. 王新立,江福才,寧方鑫,馬全黨,張帆,鄒紅兵. 中國航海. 2018(02)
[4]基于改進的FAST R-CNN的前方車輛檢測研究[J]. 史凱靜,鮑泓. 計算機科學. 2018(S1)
[5]Fast R-CNN人臉檢測技術淺析[J]. 路海. 信息技術與信息化. 2018(04)
[6]基于圖像紋理特征提取的船舶目標定位方法[J]. 張正本,王玉芬. 艦船科學技術. 2018(08)
[7]卷積神經網絡的多字體漢字識別[J]. 柴偉佳,王連明. 中國圖象圖形學報. 2018(03)
[8]基于深度學習的圖像語義分割算法概述[J]. 華敏杰. 中國戰(zhàn)略新興產業(yè). 2018(04)
[9]基于融合卷積神經網絡的協(xié)同過濾模型[J]. 楊錫慧. 軟件導刊. 2017(12)
[10]深度學習相關研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯. 計算機應用研究. 2018(07)
博士論文
[1]異構網絡環(huán)境中的MP2P若干關鍵技術研究[D]. 屈海濤.北京郵電大學 2010
[2]基于粗糙集與前饋網絡的案例智能系統(tǒng)的研究[D]. 李建洋.合肥工業(yè)大學 2009
碩士論文
[1]基于卷積神經網絡的鐵軌表面缺陷識別研究[D]. 劉雄祥.西南科技大學 2018
[2]基于深度學習的視頻行為識別技術研究[D]. 余興.電子科技大學 2018
[3]基于視頻的微表情識別方法[D]. 蘆敏.中北大學 2018
[4]基于卷積神經網絡的人臉識別研究與實現[D]. 于志剛.中北大學 2018
[5]基于三維形變模型的人臉替換技術研究[D]. 魏璐.北京郵電大學 2017
[6]群智能優(yōu)化算法中基于信賴域的代理模型研究[D]. 孔倩倩.太原科技大學 2017
[7]基于卷積神經網絡的人臉性別識別研究[D]. 裴子龍.山西師范大學 2017
[8]小型高速無人機及其協(xié)同編隊控制技術研究[D]. 沈佩珺.南京航空航天大學 2015
本文編號：3505306
本文鏈接：http://sikaile.net/kejilunwen/hangkongsky/3505306.html
