由于海上環(huán)境的復雜性,無人船進行目標檢測與分割任務時,必須具有快速準確的檢測識別能力以及對多種場景的適應能力。在現有的無人船水面目標檢測算法中,背景建模法等運動目標檢測方法容易被海上環(huán)境中的干擾影響,從而出現誤檢的情況,降低了目標識別準確率。而基于手工特征的目標檢測算法容易產生窗口冗余,計算量大,難以適用于對實時性要求嚴格的場景。針對上述問題,本文提出了基于深度學習的目標檢測與分割算法,利用深度卷積神經網絡強大的特征提取能力和抗干擾能力,對基于視頻圖像的海上目標進行端到端的檢測,快速識別并捕捉更多的圖像細節(jié)特征,為后續(xù)無人船進行避碰操作或任務轉換提供準確且實時的目標信息。主要完成工作如下:1)本文提出了基于YOLO v3網絡的目標檢測算法,充分利用多尺度特征和快速回歸計算的設計思想,對輸入圖像的各個位置進行不同分辨率的特征提取,減少波浪、光照和霧氣等干擾的影響,提高對圖像中各類目標物體的識別率和快速性。并從網絡通用性和場景復雜度的角度出發(fā),采用更加簡易實用的ResNet-50網絡結構替換了原有的主干網絡DarkNet-53,便于后續(xù)聯合算法的實現。并依據海上環(huán)境中常見的目標物體制作了訓... 

【文章來源】：武漢理工大學湖北省 211工程院校 教育部直屬院校

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

Sigmoid型激活函數及函數梯度經過該函數作用后，響應輸出的值域為[0,1]，且單調連續(xù)，優(yōu)化穩(wěn)定，但該

武漢理工大學碩士學位論文122)Tanh型激活函數為了解決Sigmoid型激活函數的均值不為0的問題，tanh型激活函數（又稱雙曲正切激活函數）在其基礎上應運而生。tanh型激活函數數學表達式如式(2-4)所示：tanh(x)=2σ(2x)1(2-4)tanh型激活函數值域范圍為[-1,1]，從圖2-4中可以明顯看出，其輸出響應的均值為0，實際訓練效果較Sigmoid型激活函數要更優(yōu)，但是其仍然會出現梯度飽和現象，不利于網絡中的權重更新。圖2-4tanh型激活函數及函數梯度3)ReLU型激活函數針對上述產生梯度飽和的問題，Hinton等人于2010年提出了ReLU型函數[47]，其數學表達式如式(2-5)所示：ReLU(x)=max{0,x}(2-5)ReLU型激活函數是當今卷積神經網絡中使用最多也最為流行的激活函數之一，與上述兩種激活函數相比，其對數據輸入神經元為正的部分不存在梯度飽和的問題，且ReLU型激活函數只有線性關系，計算復雜度相對簡單，前后向傳播也更快。同時，ReLU型激活函數利于隨機梯度下降法快速收斂[46]。但是ReLU型激活函數也存在部分缺陷，從圖2-5中明顯看出，當卷積結果響應小于0時，其梯度為0，將無法影響網絡訓練，形成“死區(qū)”。

武漢理工大學碩士學位論文13圖2-5ReLU型激活函數及函數梯度綜上所述，各類激活函數憑借各自的函數特性，體現出不同的優(yōu)缺點。激活函數的選取需要與實際情況相結合，進行綜合使用。四、全連接層全連接層由眾多簡單的神經元組成，且后一層的每個結點都和前一層的所有結點相連，如圖2-6所示：X2a4X3X4a2a3X1Xna1an……圖2-6全連接層結構圖在卷積神經網絡中，全連接層主要作用是充當分類器。經過網絡訓練，將提取的特征表示與樣本的標記空間相映射。全連接層位于卷積神經網絡的末端，跟輸出層相連，用來計算整個模型的輸出。卷積神經網絡模型通過在全連接層使用一個關于權值可微的分類器，讓模型能夠采取基于梯度的學習方法來進行訓練。2.2典型網絡模型一、AlexNetAlexNet網絡模型對卷積神經網絡的廣泛應用起到了不可磨滅的作用，樹立

【參考文獻】：
期刊論文
[1]基于深度學習方法的海上艦船目標檢測[J]. 袁明新,張麗民,朱友帥,姜烽,申燚.  艦船科學技術. 2019(01)
[2]無人船目標探測與跟蹤系統[J]. 張磊,許勁松,秦操.  船舶工程. 2018(08)
[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]基于深度學習的水面無人船前方船只圖像識別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[5]水面航行體對艦船目標的圖像檢測方法[J]. 方晶,馮順山,馮源.  北京理工大學學報. 2017(12)
[6]基于內容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學報. 2017(01)
[7]USV發(fā)展現狀及展望[J]. 柳晨光,初秀民,吳青,王桂沖.  中國造船. 2014(04)
[8]無人水面艇目標圖像自適應分割算法[J]. 馬忠麗,梁秀梅,文杰.  哈爾濱工業(yè)大學學報. 2014(07)
[9]無人艇視覺系統多類水面目標特征提取與識別[J]. 馬忠麗,文杰,梁秀梅,陳虹麗,趙新華.  西安交通大學學報. 2014(08)
[10]多USV協同系統研究現狀與發(fā)展概述[J]. 馬天宇,楊松林,王濤濤,辛磊,陳燚.  艦船科學技術. 2014(06)

博士論文
[1]海上目標被動識別方法研究[D]. 孟慶昕.哈爾濱工程大學 2016
[2]基于光視覺的無人艇水面目標檢測與跟蹤研究[D]. 曾文靜.哈爾濱工程大學 2013

碩士論文
[1]基于深度學習的快速目標檢測算法研究[D]. 王海龍.哈爾濱工業(yè)大學 2018
[2]基于深度學習的圖像語義分割方法研究與實現[D]. 張學鵬.電子科技大學 2018
[3]水面無人艇視覺目標圖像識別技術研究[D]. 張伊輝.哈爾濱工程大學 2015
[4]內河航道目標的特征識別與分類算法研究與實現[D]. 焦昌勇.武漢理工大學 2013
[5]無人艇視覺系統目標圖像特征提取與識別技術研究[D]. 梁秀梅.哈爾濱工程大學 2013
[6]基于光流法的運動目標檢測與跟蹤技術[D]. 裴巧娜.北方工業(yè)大學 2009
[7]基于人工神經網絡的水面運動目標識別技術研究[D]. 李薇.哈爾濱工程大學 2007



本文編號：3527778