基于卷积神经网络的内河船舶检测与识别研究
我国幅员辽阔，内河水系众多，拥有丰富的水运资源。随着我国经济的日益发展，内河货物吞吐量逐年递增，内河航道中的往来船舶越来越多，因此内河航道中的船舶事故发生风险逐年递增。对内河航道进行监控管理不仅能够及时发现违法违规船舶，降低事故发生风险，同时能够合理调度内河水运资源，提高船舶运行效率。在内河航道监控系统中，最基本也是最重要的环节是对船舶进行识别检测，获得当前视频画面中的船舶数量以及所处的位置。当前船舶识别检测的研究大多采用人工特征提取方法和传统机器学习算法。人工特征提取方法无法适应复杂多变的环境，且容易受到图像或视频中杂波的影响，导致船舶识别检测准确率不高，效率低下。 基于以上所述，本文提出了一种基于卷积神经网络的分类模型用于内河航道船舶的识别任务。目前并没有支持训练船舶分类模型的船舶开源数据集，无法对船舶分类模型充分训练。因此，本文首先构建了一个简单的船舶分类识别数据集，并提出了一种基于迁移学习的训练方法。该方法能够利用卷积神经网络强大的拟合能力和空间表征能力，充分学习船舶的各类特征。本文对比分析了采用迁移学习的模型和不采用迁移学习的模型之间的差异，最后通过与传统机器学习算法进行对比，验证了该方法的有效性。 在上述船舶分类模型的基础上，本文进一步提出了基于卷积神经网络的内河船舶检测模型。本文首先对比分析了几种常见的目标检测算法，并指出了这些算法在内河航道船舶检测任务中存在的缺陷，即难以检测视频中被遮挡的船舶以及小目标船舶。针对遮挡情况，本文结合了一种新的损失函数来优化模型，并在后处理过程中采用权重衰减的策略代替原本的权重置零的策略，然后在内河船舶数据集中与原模型进行了对比实验，验证了该方法在遮挡情况发生时的有效性。针对小目标船舶，本文首先分析了难以检测的原因，并从丰富小目标船舶信息量方面进行了改进，采用了特征金字塔方法进行信息融合。该方法能够将含有丰富语义信息的高层特征图与含有丰富空间信息的底层特征图进行融合，加强对小目标船舶的检测能力。最后通过与原模型进行对比实验，验证了特征金字塔方法在小目标船舶检测方面的有效性。
船舶分类;船舶检测;特征金字塔;损失函数;迁移学习;卷积神经网络
大连理工大学
硕士
船舶与海洋结构物设计制造
杨飏
2020
中文
U69;TP391.41;TP183
2020-12-08（万方平台首次上网日期，不代表论文的发表时间）