✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
(1) 基于多尺度特征提取的船舶图像识别网络设计
船舶会遇态势识别是海上交通安全的重要技术保障,准确识别船舶的类型和运动状态对于避碰决策具有重要意义。海上环境复杂多变,船舶图像的采集受到天气条件、光照变化、拍摄距离等多种因素的影响,使得船舶目标在图像中呈现出显著的尺度差异。近距离船舶在图像中占据较大面积,特征丰富易于识别;远距离船舶则表现为小目标,像素数量有限,特征稀疏,给识别带来很大挑战。本研究结合实际航行情况构建了多尺度船舶图像数据集,通过降采样模拟不同距离下的船舶成像效果,系统分析了目标尺度对识别精度的影响。针对船舶图像的多尺度特性,设计了基于特征金字塔的多尺度特征提取网络,该网络在骨干网络的不同层级提取特征图,形成自底向上的特征金字塔,浅层特征图分辨率高、语义信息弱,适合检测小目标;深层特征图分辨率低、语义信息强,适合检测大目标。通过自顶向下的特征融合路径,将深层的语义信息传递到浅层,增强浅层特征的判别能力。在特征融合过程中,采用可学习的通道注意力机制自适应地调整不同层级特征的融合权重,使网络能够根据输入图像的特点动态选择最优的特征组合。实验结果表明,多尺度特征提取网络在处理不同距离的船舶图像时表现出良好的适应性,在各组降采样数据集上均取得了较高的识别准确率,为船舶会遇态势判断提供了可靠的船舶类型识别能力。
(2) 面向小目标船舶的改进YOLOv4检测算法
远距离小目标船舶的检测是船舶会遇态势识别中的技术难点,传统的目标检测算法在处理小目标时往往出现漏检和误检的问题。小目标在图像中的像素数量有限,经过多次下采样后特征信息严重损失,难以被检测网络准确定位和分类。本研究针对小目标船舶检测的挑战,提出了改进的YOLOv4检测算法。在骨干网络层面,将原始的CSPDarknet53骨干网络的下采样倍数从32倍降低到16倍,保留更多的空间细节信息,避免小目标特征在下采样过程中消失。在颈部网络层面,增加了专门针对小目标的检测分支,该分支使用较浅层的高分辨率特征图进行目标检测,能够更好地捕获小目标的位置信息。在检测头层面,对锚框的设计进行了优化,通过聚类分析船舶数据集中小目标的尺寸分布,设计了更加贴合小目标尺寸特点的锚框参数,提高了检测框与真实目标的匹配度。在损失函数层面,引入了聚焦损失来处理正负样本不平衡的问题,对难以分类的小目标样本给予更大的损失权重,促使网络更加关注小目标的学习。结合理想光学模型分析了目标大小、距离与成像分辨率之间的定量关系,计算了船舶识别所需的最小像素要求,为船载光学设备的参数选择提供了理论指导。实验结果验证了改进算法在小目标船舶检测任务上的有效性。
(3) 基于深度学习的船舶会遇态势判断与预警系统
船舶会遇态势判断需要综合考虑本船和来船的相对位置、相对速度和相对航向等运动参数,判断两船是否处于碰撞危险状态,并确定会遇类型以制定相应的避碰策略。本研究将深度学习目标检测技术与船舶运动学模型相结合,构建了完整的船舶会遇态势判断与预警系统。系统首先利用改进的YOLOv4算法对船载摄像头采集的图像进行实时检测,识别视野范围内的来船目标及其类型。基于检测结果,通过单目视觉测距方法估计来船的距离信息,结合摄像头的标定参数将图像坐标转换为世界坐标,得到来船相对于本船的方位角和距离。通过连续帧之间的目标跟踪,计算来船的相对速度和相对航向变化率。
如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
