论文部分内容阅读
随着人工智能技术的发展,无人系统的研究和布局,作为无人系统一大分支的无人船是未来船舶的发展趋势。无人船实现全面智能化可代替人执行危险或需要长期值守的任务减少人员伤亡和成本。而目标检测是无人船实现全面智能化的关键技术。近年来基于卷积神经网络的目标检测方法脱颖而出成为该研究领域的前沿技术,将深度学习目标检测方法应用在无人船上,可以更高效、更智能地完成无人船的环境感知任务。本文针对基于图像的无人船目标检测研究开展工作。通过分析海上的环境影响和目标特点设计无人船目标检测总体方案,详细讨论海上水界线检测和目标检测方法,主要内容如下:首先,通过对海上环境和目标特点分析,设计基于图像处理的水界线检测和目标检测方案。依据无人船目标检测系统的任务需求,完成图像采集硬件设备的选型和系统软件环境的选择与配置。其次,研究水界线检测方法。分析水面图像的特点,对光照干扰和噪声问题使用高亮区去除和中值滤波的方法进行预处理。通过分析已有水界线的检测方法,针对这些方法对背景复杂的海岸线检测不佳问题,提出基于灰度共生矩阵纹理熵和形态学开运算的检测方法。由对比实验结果表明基于纹理熵的检测方法相比其他方法检测准确率更高,且能同时适用于海天线和海岸线的检测。第三,分析比较卷积神经网络的目标检测方法。准备海上图像数据集,针对数据样本少的问题,讨论了迁移学习的理论和应用,介绍了主网络VGG16和ResNet的结构原理。详细分析Faster R-CNN、YOLO和SSD三种检测算法,完成各算法对海上图像的测试实验,结果显示基于ResNet主网络的Faster R-CNN算法更适合用于无人船的目标检测。最后,针对Faster R-CNN算法对小目标检测准确率低的问题,提出ResNet和DenseNet混合主网络结合循环特征金字塔的检测方法,循环利用网络结构中底层多细节特征和高层强语义特征进一步增强对小目标的检测。实验结果验证了该方法相比其他检测方法对小目标的检测具有更高的平均精度均值,更适合无人船目标检测应用。