基于AlexNet卷积神经网络的红外图像船舶分类方法

船舶分类是海上安全和交通管理中的重要问题,已广泛应用于民用领域和军事领域。可见光图像对目标的区分度好,但易受光照影响。文章基于深度学习探讨红外图像船舶分类方法。首先使用AlexNet网络提取红外船舶图像的深层特征,并训练网络,得到最优的船舶分类训练模型;接着调用最优的船舶分类训练模型对测试集中的红外船舶图像进行测试,得到船舶分类结果。在公开可用的VAIS船舶数据集上进行实验,该方法的分类准确率达到了83.79%。实验结果表明,该方法具有较好的船舶分类性能。

基于图像处理和模糊神经网络理论的船舶分类研究

本文将图像处理算法和模糊神经网络分类器相结合进行船舶分类,在研究过程中,首先利用图像处理技术进行图像分割、设定阈值、边缘检测等操作,然后建立了模糊神经网络结构,在此结构基础上进行模糊神经网络分类学习,最后采集到实测数据进行船舶分类,实验结果表明了本文算法的可行性和有效性。

深度学习船舶分类技术研究

为了提高船舶分类正确率,针对当前船舶分类方法存在的精度低、误差大等缺陷,提出基于深度学习的船舶分类方法。首先对船舶分类图像进行采集,并提取多个船舶分类特征,组成船舶分类的特征向量集,然后将特征向量集作为深度学习算法的输入,船舶类型作为深度学习算法的输出进行学习,建立船舶分类模型,最后进行船舶分类的仿真实验,结果表明,深度学习算法的船舶分类正确率超过90%,不仅可以很好地描述船舶类型,而且船舶分类的速度也很快,可以应用于日常船舶分类管理工作。

国际航运碳强度规则下的船舶分类

由于各类船舶碳排放特性存在差异,在国际航运碳强度规则下计算船舶碳强度指标时会涉及船舶分类问题。为便于根据船舶分类计算相应类别船舶的碳强度指标,基于MARPOL公约附则VI 2021年修正案以及船舶碳强度相关技术导则,根据各类船舶的定义,分析国际航运碳强度规则下的船舶分类问题,为各类船舶碳强度指标的计算及能耗数据收集、统计分析提供船舶分类依据,供相关方参考。

改进的SqueezeNet网络在船舶分类中的应用

船舶分类在仿真系统中应用广泛,针对目前船舶分类准确率不高以及在提高准确率的同时无法很好兼顾实时性的问题,提出了先对输入图片预处理,经过彩色转灰度再二值化后输入改进的卷积神经网络(CNN)的方法。所改良的网络结构以SqueezeNet为基础,并将网络浅层输出和深层输出级联合并作为最终输出,使得特征内容更加丰富;同时对Adam优化器进行改进,针对模型训练时Loss是否持续降低自适应调整学习率,加快模型收敛速度。经实验对比,所改进算法的船舶分类准确率比SqueezeNet、GoogleNet、MobileNet_V3网络平均高出1.24%,运行时间平均降低3.09%。

基于卷积神经网络的船舶分类模型

近年来智能交通发展迅速,但目前的研究大多是关于陆上交通的研究,分类任务也大多数是关于日常物体的分类,现在基本上很少有关于船舶分类的研究。但船舶分类对于航道安全,航道监管具有重要意义。卷积神经网络是近年来学术界和工业界广泛关注的一种图像处理方法。本文将近年来十分热门且高效的卷积神经网络应用到船舶分类任务当中,将船舶分成五类,构建了基于卷积神经网络的适应实际情况的船舶分类模型。一方面填补了这个领域研究上的空白,另一方面为船舶管理提供了一个新的方法。

船检与海事管理中船舶分类的分析与探讨

船舶分类是船舶检验管理与海事管理领域中一个重要的组成部分,但两者的分类又有所不同,本文就对船舶检验与海事管理中的船舶分类进行了比较,并根据国家标准创建了海事系统中统一的船舶分类标准,目的在于帮助相关人员对船舶进行更好地分类。

船舶徘徊轨迹Douglas Peucker算法提取及其深度学习分类

船舶徘徊行为是一种在局部空间中频繁转向的船舶运动,船舶徘徊形态与船舶运动意图相关,对船舶类型识别与异常行为检测有重要研究意义。针对现有船舶徘徊轨迹提取算法的提取效率与精确度、徘徊轨迹分类准确度有待提高等问题,设计基于Douglas Peucker算法的船舶徘徊轨迹提取方法,提出徘徊波点概念来定义船舶大幅度转向变化过渡点,将提取出的徘徊轨迹数据转化为徘徊轨迹图像数据集,并把徘徊轨迹划分为无序往返、两点往返、前进往返和杂乱线团等4种形态,构建ResNet50深度学习模型对船舶徘徊轨迹数据集进行训练,采用Adam算法对模型进行优化,提高了模型的训练效率。试验结果表明:船舶徘徊轨迹提取算法可达到98.56%的精确率,徘徊轨迹提取效率提高超23%,在对4种徘徊轨迹形态数据集的识别分类中,模型获得91.03%的平均准确率,优于对比试验中的VGG16模型和支持向量机(SVM)模型。

船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能,对模型的解释性关注较少。本文首先采用导向反向传播和输入空间优化,基于DeepShip数据集,构建以对数谱为输入的船舶辐射噪声分类卷积神经网络(CNN),提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示,多帧特征对齐算法改进了可视化效果,深层卷积核检测线谱和背景两类特征。其次,基于线谱是船舶分类的稳健特征这一知识,提出了一种卷积核剪枝方法,不仅提升了CNN分类性能,且训练过程更加稳定。导向反向传播可视化结果表明,卷积核剪枝后的CNN更加关注线谱信息。

轻量化卷积神经网络在船舶分类中的应用

为权衡船舶分类模型的分类精度和模型大小,提出一种改进GhostNet-50的轻量化卷积神经网络AGNet对自制的船舶数据集进行分类.首先,提出一种融合非对称卷积的Ghost模块,用于提升AGNet卷积过程的特征提取能力;然后,结合瓶颈结构,设计一种非对称Ghost瓶颈模块,在维持模型表达能力的同时能进一步降低计算成本;最后,去除GhostNet-50中的一层1×1卷积,以降低整体模型的参数冗余.实验通过分类精度、参数量、计算量、推理速度等评价指标对所提方法进行多角度对比.实验结果中,AGNet模型在33个类别的测试集中精度达到了 93.87%,模型参数量仅为0.72×106,相比GhostNet-50压缩了 46.67%,且精度提升了 2.93个百分点.实验结果表明:AGNet在较低模型大小的前提下能达到更优的分类效果,可较好应用到船舶分类任务中.

基于注意力机制的遥感船舶图像分类

遥感船舶图像细粒度分类的难点在于类间差异小和类内差异大,并且该领域公开可用的数据集太少,常规的数据增强方法效率低且效果不够好。为了解决上述问题,提出一种基于注意力机制的遥感船舶图像分类网络。首先,利用CBAM注意力机制生成每张训练图的注意力图以突出目标的显著特征部分;其次,通过注意力引导的区域剪裁和区域删除两种方式进行数据增强;最后,将原图和增强后的图片输入进行训练。在数据集FGSCR-42上对该方法进行验证,实验结果表明,该方法超越了其他现有模型,有效提升了遥感船舶图像细粒度分类精度。

基于结构特征分析的COSMO-SkyMed图像商用船舶分类算法

船舶分类与识别对于海洋交通运输监测与管理具有重要意义,同时也是SAR海洋应用的重要组成部分。COSMO-SkyMed高分辨率合成孔径雷达(SAR)图像下,商用船舶的结构轮廓明显,散货船、集装箱船和油船的特征清晰可辨,为船舶识别分类提供有效支持。提出了一种基于结构特征分析的商用船舶分类算法,通过提取核密度估计值、船舶积分主轴位置及左中右3部分积分量比例等特征,可实现船舶类型的区分。通过在东海试验区的同步实验,证明COSMO-SkyMed图像商用船舶分类算法的平均分类精度达到89.94%。

基于YOLOv2的船舶目标检测分类算法

为克服传统船舶检测方法提取的特征在复杂多变的实际海域场景中泛化能力差而导致船舶检出率和识别率较低这一问题,提出一种基于YOLOv2和支持向量机(support vector machine,SVM)的船舶检测分类算法。基于YOLOv2网络检测船舶目标,通过卷积神经网络提取船舶区域的深度特征,特征全局池化后利用SVM分类器实现分类。实验结果表明,该算法在自建的船舶数据集上船舶检测的平均精确率达80.5%,船舶分类的准确率达90.87%,有效实现复杂海况下船舶目标的检测以及舰艇、货船、渔船的识别。

基于三维卷积神经网络的点云图像船舶分类方法

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3DCNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3DCNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3DShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

基于微多普勒效应的运动船舶目标分类研究

基于雷达的舰船目标识别技术具有重要的应用,包括海上交通的管理与监控、舰船运动目标的识别、敌方舰船侦察等,在雷达系统的运行过程中,地面杂波信号、气象杂波信号等干扰信号会降低雷达系统的精度,导致水面舰船目标识别出现误差等问题。微多普勒效应是指激光雷达发生二次散射时,运动目标产生位移时目标的雷达回波频率会发生改变,利用微多普勒效应可以显著提高雷达系统的精度,提高海上舰船目标的识别与分类水平。本文首先介绍了微多普勒效应的原理,然后对水面监控雷达系统进行详细研究,最后开发了基于微多普勒效应的海上运动船舶目标识别与分类系统。

图像处理在船舶目标分类中的应用研究

随着我国航运业的快速发展,航运交通安全问题也成为管理者关注的重点。船舶交通管理系统得到发展和广泛使用。虽然雷达、自动识别系统(AIS)、全球定位系统(GPS)等辅助技术在VTS系统中得到运用,但这些技术在船舶分类识别等方面存在一定局限性。本文对图像处理技术在VTS系统中船舶分类应用的可行性进行研究,提出一种基于模板匹配和神经网络的船舶分类的算法模型,尝试通过该算法模型解决现有VTS系统存在的一些不足,同时进行仿真实验并给出仿真结果。

基于1DCNN-LSTM的船舶轨迹分类方法

由于监控设备视野有限、代价昂贵等问题,导致基于船舶图像或视频的船舶分类效果欠佳,改进船舶分类方法、提高船舶分类的准确率迫在眉睫。近几年,随着各类轨迹数据采集系统的兴起,通过船舶航行轨迹数据实现船舶类型的分类逐渐成为可能。针对使用传统二维卷积神经网络(Convolutional Neural Network,CNN)对船舶轨迹分类存在特征压缩和时序特征表达能力匮乏的问题,文中提出了一种一维CNN(One-Dimensional CNN,1DCNN)与长短期记忆网络(Long Short-Term Memory,LSTM)相结合的混合分类模型,对采集到的船舶自动识别系统(Automatic Identification System,AIS)数据进行船舶类型识别。首先,针对AIS采集到的船舶轨迹数据进行预处理,过滤噪声数据;然后,针对隐含在船舶轨迹信息中的特征对于1DCNN而言过于隐晦的问题,提出了一种针对大规模航舶轨迹数据的,且1DCNN能够识别的轨迹分布特征向量的构建算法,同时在此基础上提取了LSTM能够识别的时序特征向量;最后,将训练后的1DCNN模型与LSTM模型进行数据融合得到混合船舶分类模型。以渤海区域2016年6月的船舶AIS数据为基础,使用1DCNN与LSTM相结合的混合模型对渔船、客船、油船、集装箱船和散货船5类典型船舶的轨迹数据进行分类,并将其与使用一种神经网络如LSTM作为分类器的方法进行对比,结果表明所提方法具有明显的有效性,是一种有效的船舶轨迹分类方法。

基于加权朴素贝叶斯的船舶轨迹分类算法

为实现船舶自动识别系统(Automatic Identification System,AIS)轨迹数据快速分类,提出一种基于加权朴素贝叶斯的船舶轨迹分类算法。通过船舶AIS数据预处理和轨迹特征分析,设计加权的朴素贝叶斯分类器,利用AIS数据进行训练;采用有监督的分类方法提高分类效率,提出基于特征连续值的加权方法,构建船舶AIS分类加权最优特征集合,提高轨迹分类的准确率和速度。以长江中游武汉河段为例,进行试验验证。结果表明:AIS动态信息是重要的轨迹特征,提出的朴素贝叶斯船舶轨迹分类算法准确率达99.05%,相比未加权和其他常用分类算法表现更优;研究成果可应用于船舶异常轨迹识别和船舶航行风险分析等领域中。

基于深度卷积神经网络的船舶轨迹分类研究

为了提取船舶轨迹数据的空间特征,解决船舶轨迹分类及船舶轨迹所属航道识别问题,提出了一种基于深度卷积神经网络的船舶轨迹分类方法.考虑到经纬度数据难以准确描述船舶轨迹空间特征,将船舶轨迹数据转换为船舶轨迹图像数据,并建立数据集.构建基于深度卷积神经网络的船舶轨迹分类模型,使用人工标注的数据集开展训练.选取以经纬度数据为输入的全连接神经网络模型和SVM模型进行对比分析.结果表明:基于深度卷积神经网络船舶轨迹分类模型可以有效地区分不同航道内的船舶轨迹,所提方法是一种有效的船舶轨迹分类方法.

基于双对数谱和卷积网络的船舶辐射噪声分类

卷积层平移等变性与线性谱不适配,卷积网络对高维特征的长距离依赖建模能力不足。该文提出一种双对数谱特征用于船舶辐射噪声分类。双对数谱通过重新排列对数谱频点,保证高频端分辨率的同时,规避使用太深的卷积网络。利用双对数谱各行表征同一目标的先验知识,构建卷积网络和目标函数。DeepShip数据集上的试验结果表明,特征维数相同情况下,提出的算法分类正确率比以线性谱为输入的卷积网络提高2.4%以上。