近年來,海上運輸、石油開發(fā)等行業(yè)持續(xù)發(fā)展,給經(jīng)濟(jì)增長帶來新活力的同時,也促使了海洋溢油事故的頻繁發(fā)生。港口作為貿(mào)易樞紐,發(fā)生溢油事故的頻率也不容樂觀。溢油事故本身具有不可預(yù)測性,且在事故發(fā)生后,大面積的油污擴(kuò)散會造成巨大的危害,而及時、快速地識別溢油并獲取重要的定位信息能夠使后續(xù)的圍油工作更加精準(zhǔn)、高效,防止溢油二次擴(kuò)散,是亟待解決的重大問題。本文基于YOLOv3（You Only Look Once:version 3）溢油識別模型與輪廓提取算法,分別實現(xiàn)溢油的識別與邊緣的檢測,主要完成了以下幾個部分的工作:（1）對比分析目前應(yīng)用廣泛的幾種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的圖像識別算法,根據(jù)港口溢油自身的特點,選擇YOLOv3模型作為溢油識別的基礎(chǔ)框架,并利用無人機(jī)采集溢油圖像和視頻,構(gòu)建圖像數(shù)據(jù)集。（2）基于YOLOv3算法框架,搭建溢油識別模型。利用MobileNetv1輕量級網(wǎng)絡(luò)替代YOLOv3模型默認(rèn)的主干網(wǎng)絡(luò)Darknet-53,改善Darknet-53在識別單一且面積較大的目標(biāo)時存在的網(wǎng)絡(luò)冗余問題,縮短了溢油識別的計算時... 

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 溢油的遙感圖像識別方法研究
        1.2.2 深度學(xué)習(xí)在溢油識別中的應(yīng)用
    1.3 課題來源、研究內(nèi)容及創(chuàng)新點
        1.3.1 課題來源
        1.3.2 研究內(nèi)容
        1.3.3 創(chuàng)新點
    1.4 論文結(jié)構(gòu)
第二章 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 神經(jīng)元
        2.1.2 局部感受野
        2.1.3 權(quán)值共享
        2.1.4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
    2.2 基于CNN的目標(biāo)檢測算法性能對比分析
    2.3 本章小結(jié)
第三章 基于改進(jìn)YOLOv3算法的溢油識別
    3.1 數(shù)據(jù)采集及溢油圖像數(shù)據(jù)集建立
        3.1.1 實驗設(shè)備
        3.1.2 數(shù)據(jù)采集過程
        3.1.3 溢油圖像數(shù)據(jù)擴(kuò)充
        3.1.4 溢油圖像數(shù)據(jù)集的構(gòu)建
    3.2 溢油模型的網(wǎng)絡(luò)結(jié)構(gòu)搭建與改進(jìn)
        3.2.1 YOLOv3溢油模型的網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.2 改進(jìn)的YOLOv3-MobileNetv1 溢油模型
    3.3 溢油目標(biāo)的邊界框預(yù)測
        3.3.1 Anchor機(jī)制
        3.3.2 K-means聚類算法
    3.4 溢油模型的損失函數(shù)改進(jìn)
        3.4.1 YOLOv3模型的損失函數(shù)
        3.4.2 溢油模型的GIOU Loss損失函數(shù)
    3.5 溢油模型的非極大值抑制改進(jìn)
        3.5.1 YOLOv3模型的非極大值抑制
        3.5.2 溢油模型的Soft-NMS改進(jìn)
    3.6 溢油識別效果測試與分析
        3.6.1 測試目標(biāo)
        3.6.2 測試過程
        3.6.3 測試結(jié)果與分析
    3.7 本章小結(jié)
第四章 溢油邊緣檢測算法
    4.1 溢油圖像預(yù)處理
        4.1.1 灰度化
        4.1.2 均值濾波
        4.1.3 二值化處理
    4.2 輪廓提取與canny邊緣檢測
        4.2.1 canny算法的溢油邊緣檢測
        4.2.2 輪廓提取函數(shù)的溢油邊緣檢測
    4.3 溢油邊緣的定位及距離計算
    4.4 本章小結(jié)
第五章 溢油識別與定位系統(tǒng)的GUI設(shè)計與實現(xiàn)
    5.1 GUI的設(shè)計環(huán)境與開發(fā)平臺
    5.2 GUI界面設(shè)計
    5.3 GUI界面功能測試
        5.3.1 測試目標(biāo)
        5.3.2 測試過程
        5.3.3 測試結(jié)果與分析
    5.4 溢油動態(tài)擴(kuò)散識別與定位效果測試
        5.4.1 測試目標(biāo)
        5.4.2 測試過程
        5.4.3 測試結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
在讀期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于最小二乘法與霍夫變換的虹膜定位算法[J]. 田子林,陳家新.  電子技術(shù)應(yīng)用. 2019(02)
[2]一種基于OpenCV的車道線檢測方法[J]. 王文豪,高利.  激光雜志. 2019(01)
[3]采用HOG特征和機(jī)器學(xué)習(xí)的行人檢測方法[J]. 陳麗楓,王佳斌,鄭力新.  華僑大學(xué)學(xué)報(自然科學(xué)版). 2018(05)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機(jī)學(xué)報. 2017(06)
[5]內(nèi)河溢油監(jiān)測應(yīng)急指揮系統(tǒng)設(shè)計與研究[J]. 徐其林,康堯磊,羅時暉.  自動化與儀器儀表. 2015(08)
[6]基于快速SIFT匹配的行人信息檢測[J]. 杜金輝,管業(yè)鵬,時勇杰.  電子器件. 2012(05)
[7]基于紋理分析和人工神經(jīng)網(wǎng)絡(luò)的SAR圖像中海面溢油識別方法[J]. 石立堅,趙朝方,劉朋.  中國海洋大學(xué)學(xué)報(自然科學(xué)版). 2009(06)
[8]基于膚色和類Harr特征的人臉圖像的人眼檢測[J]. 陳勇飛,劉新明.  計算機(jī)工程與應(yīng)用. 2008(33)
[9]海洋表面膜特征的SAR圖像探測[J]. 黃曉霞,朱振海.  遙感學(xué)報. 1999(01)
[10]基于不變矩的SAR圖象海面油膜形態(tài)分類[J]. 黃曉霞,李紅旮,朱振海.  中國圖象圖形學(xué)報. 1999(02)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的新生兒疼痛表情識別方法研究[D]. 柳毅.南京郵電大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別方法研究[D]. 呂妙嫻.暨南大學(xué) 2017
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類[D]. 徐敏.西安電子科技大學(xué) 2017
[4]強(qiáng)光照下內(nèi)河溢油紋理特征提取研究[D]. 賀亞超.大連海事大學(xué) 2017
[5]基于極化特征的SAR溢油檢測研究[D]. 鄭洪磊.中國海洋大學(xué) 2015
[6]SAR圖像海面溢油檢測技術(shù)研究[D]. 王棟.國防科學(xué)技術(shù)大學(xué) 2014
[7]基于紋理分析的溢油SAR圖像分類研究[D]. 梁小祎.大連海事大學(xué) 2007



本文編號：3713016