基于深度学习的港口溢油识别与定位系统开发

发布时间：2022-12-07 22:51

　　近年来,海上运输、石油开发等行业持续发展,给经济增长带来新活力的同时,也促使了海洋溢油事故的频繁发生。港口作为贸易枢纽,发生溢油事故的频率也不容乐观。溢油事故本身具有不可预测性,且在事故发生后,大面积的油污扩散会造成巨大的危害,而及时、快速地识别溢油并获取重要的定位信息能够使后续的围油工作更加精准、高效,防止溢油二次扩散,是亟待解决的重大问题。本文基于YOLOv3（You Only Look Once:version 3）溢油识别模型与轮廓提取算法,分别实现溢油的识别与边缘的检测,主要完成了以下几个部分的工作:（1）对比分析目前应用广泛的几种基于卷积神经网络（Convolutional Neural Network,CNN）的图像识别算法,根据港口溢油自身的特点,选择YOLOv3模型作为溢油识别的基础框架,并利用无人机采集溢油图像和视频,构建图像数据集。（2）基于YOLOv3算法框架,搭建溢油识别模型。利用MobileNetv1轻量级网络替代YOLOv3模型默认的主干网络Darknet-53,改善Darknet-53在识别单一且面积较大的目标时存在的网络冗余问题,缩短了溢油识别的计算时... 

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 溢油的遥感图像识别方法研究
        1.2.2 深度学习在溢油识别中的应用
    1.3 课题来源、研究内容及创新点
        1.3.1 课题来源
        1.3.2 研究内容
        1.3.3 创新点
    1.4 论文结构
第二章 基于卷积神经网络的目标检测算法
    2.1 卷积神经网络
        2.1.1 神经元
        2.1.2 局部感受野
        2.1.3 权值共享
        2.1.4 卷积神经网络结构
    2.2 基于CNN的目标检测算法性能对比分析
    2.3 本章小结
第三章 基于改进YOLOv3算法的溢油识别
    3.1 数据采集及溢油图像数据集建立
        3.1.1 实验设备
        3.1.2 数据采集过程
        3.1.3 溢油图像数据扩充
        3.1.4 溢油图像数据集的构建
    3.2 溢油模型的网络结构搭建与改进
        3.2.1 YOLOv3溢油模型的网络结构
        3.2.2 改进的YOLOv3-MobileNetv1 溢油模型
    3.3 溢油目标的边界框预测
        3.3.1 Anchor机制
        3.3.2 K-means聚类算法
    3.4 溢油模型的损失函数改进
        3.4.1 YOLOv3模型的损失函数
        3.4.2 溢油模型的GIOU Loss损失函数
    3.5 溢油模型的非极大值抑制改进
        3.5.1 YOLOv3模型的非极大值抑制
        3.5.2 溢油模型的Soft-NMS改进
    3.6 溢油识别效果测试与分析
        3.6.1 测试目标
        3.6.2 测试过程
        3.6.3 测试结果与分析
    3.7 本章小结
第四章 溢油边缘检测算法
    4.1 溢油图像预处理
        4.1.1 灰度化
        4.1.2 均值滤波
        4.1.3 二值化处理
    4.2 轮廓提取与canny边缘检测
        4.2.1 canny算法的溢油边缘检测
        4.2.2 轮廓提取函数的溢油边缘检测
    4.3 溢油边缘的定位及距离计算
    4.4 本章小结
第五章 溢油识别与定位系统的GUI设计与实现
    5.1 GUI的设计环境与开发平台
    5.2 GUI界面设计
    5.3 GUI界面功能测试
        5.3.1 测试目标
        5.3.2 测试过程
        5.3.3 测试结果与分析
    5.4 溢油动态扩散识别与定位效果测试
        5.4.1 测试目标
        5.4.2 测试过程
        5.4.3 测试结果与分析
    5.5 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
在读期间发表的学术论文及研究成果


【参考文献】：
期刊论文
[1]基于最小二乘法与霍夫变换的虹膜定位算法[J]. 田子林,陈家新.  电子技术应用. 2019(02)
[2]一种基于OpenCV的车道线检测方法[J]. 王文豪,高利.  激光杂志. 2019(01)
[3]采用HOG特征和机器学习的行人检测方法[J]. 陈丽枫,王佳斌,郑力新.  华侨大学学报(自然科学版). 2018(05)
[4]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[5]内河溢油监测应急指挥系统设计与研究[J]. 徐其林,康尧磊,罗时晖.  自动化与仪器仪表. 2015(08)
[6]基于快速SIFT匹配的行人信息检测[J]. 杜金辉,管业鹏,时勇杰.  电子器件. 2012(05)
[7]基于纹理分析和人工神经网络的SAR图像中海面溢油识别方法[J]. 石立坚,赵朝方,刘朋.  中国海洋大学学报(自然科学版). 2009(06)
[8]基于肤色和类Harr特征的人脸图像的人眼检测[J]. 陈勇飞,刘新明.  计算机工程与应用. 2008(33)
[9]海洋表面膜特征的SAR图像探测[J]. 黄晓霞,朱振海.  遥感学报. 1999(01)
[10]基于不变矩的SAR图象海面油膜形态分类[J]. 黄晓霞,李红旮,朱振海.  中国图象图形学报. 1999(02)

硕士论文
[1]基于卷积神经网络的新生儿疼痛表情识别方法研究[D]. 柳毅.南京邮电大学 2018
[2]基于卷积神经网络的人脸识别方法研究[D]. 吕妙娴.暨南大学 2017
[3]基于深度卷积神经网络的高光谱图像分类[D]. 徐敏.西安电子科技大学 2017
[4]强光照下内河溢油纹理特征提取研究[D]. 贺亚超.大连海事大学 2017
[5]基于极化特征的SAR溢油检测研究[D]. 郑洪磊.中国海洋大学 2015
[6]SAR图像海面溢油检测技术研究[D]. 王栋.国防科学技术大学 2014
[7]基于纹理分析的溢油SAR图像分类研究[D]. 梁小祎.大连海事大学 2007



本文编号：3713016