共查询到20条相似文献,搜索用时 456 毫秒
1.
2.
3.
舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。 相似文献
4.
对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。 相似文献
5.
6.
7.
为了改善舰船图像增强效果,提出基于卷积神经网络的舰船图像增强算法,首先采用同态滤波器对原始舰船图像进行预处理,有效压缩舰船图像的动态范围,丰富舰船图像的细节信息,然后引入卷积神经网络对舰船图像色彩进行校正处理和补偿,解决舰船图像偏色问题,最后进行舰船图像增强仿真模拟实验。结果表明,卷积神经网络可以提高舰船图像的对比度,凸显了舰船图像细节,舰船图像的视觉效果优,舰船图像的增强结果要优于对比算法,同时降低了舰船图像增强的时间复杂度,舰船图像增强效率得以提升。 相似文献
8.
舰船目标的检测与识别技术有重要作用,一方面,在海上交通管理和航线疏导上,舰船目标检测技术可以提供舰船准确的航行速度等信息,另一方面,海上舰船检测广泛应用于军事领域的敌方舰船侦察、锁定等,对保护海上领土有重要意义。本文主要研究了合成孔径雷达(SAR)技术,针对SAR技术舰船目标图像特征提取、噪声过滤等问题,采用一种有序数据可变索引技术,提高了舰船合成孔径雷达SAR图像处理的精度,并进行了海上舰船目标的仿真试验。 相似文献
9.
基于深度学习方法的海上舰船目标检测 总被引:1,自引:0,他引:1
为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。 相似文献
10.
11.
12.
13.
针对水下被动声呐目标分类识别问题,借签深度学习网络在图像、语音等领域的成功运用,提出一种基于深度自编码网络的舰船辐射噪声分类识别方法。首先使用Welch功率谱估计方法获得舰船辐射噪声的功率谱特征,然后对原始训练样本集结构优化得到新训练样本集,并构建训练深度自编码网络。依据总体正确识别概率和各类目标正确识别概率对网络参数进行优化设置,实现对舰船辐射噪声的分类识别。经过大量海上实录舰船辐射噪声的分类识别实验,验证了该方法的可行性和实用性。对比BP神经网络分类器,具有更高的正确分类识别概率。 相似文献
14.
15.
16.
《舰船科学技术》2021,(10)
航运时代的到来,舰船行驶速度得到提升,航运货物量逐渐增加,舰船事故频发。依靠当前舰船前方障碍物图像快速识别方法完成障碍物识别的方法已经逐渐落后。针对目前的舰船发展方向,设计基于深度学习的舰船前方障碍物图像快速识别方法。使用Sobel算子完成障碍物图像边缘划分过程,初步确定障碍物边缘形状。选用深入学习中的人工神经网络技术作为核心技术,构建对应的图像识别网络,完成障碍物识别过程。至此,基于深度学习的舰船前方障碍物图像快速识别方法设计完成。构建实验环节,经实验结果表明,深度学习识别方法的图像识别效率较高,识别精度较为稳定,使用其完成障碍物识别效果优于当前方法。综合以上结果可知,深度学习识别方法具有科学性,可将其应用到日常生活中。 相似文献
17.
为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率. 相似文献
18.
19.