基于深度学习的光学遥感影像舰船检测算法对比分析

舰船目标检测是进行海洋环境监管,保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能,为测试不同深度学习目标检测算法在舰船检测中的效果,本文构建了一个包含3893张图像的数据集,涵盖了复杂背景下不同类型的舰船,基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验,结果表明,YOLOv4 、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上,其中YOLOv4最高达到91.77%,Faster RCNN误检较多,而SSD平均精度最低,只有79.23%,总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试,得到较好的检测效果,对舰船检测未来理论研究的开展具有一定的指导意义。     

基于深度学习的声呐图像目标检测系统

声呐图像目标检测是实现水下勘探、海底救援、敌对目标侦查等任务的重要环节,深度学习相关技术的突破为该领域的发展带来了新的机遇。基于深度学习的声呐图像目标检测算法性能优于传统方法,然而相关的系统性研究与应用仍然不足。鉴于此,利用深度学习模型数据驱动的优势设计了一种声呐图像目标检测系统,以满足实际应用对系统精度、速度、可移植性、可扩展性、部署环境的需求。该系统由数据集生成、算法模型训练与测试、模型部署应用3个子系统组成,应用于水下可疑目标探测任务,实验结果表明：所实现的目标检测系统在测试数据上和实际应用中均具有良好的性能。     

深度学习遥感影像油罐检测算法精度对比分析

油罐目标的检测对于海洋战场环境保障具有重要的意义和作用。选择当前较为经典的几种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3、RetinaNet,利用已有的公开数据,对各算法进行油罐检测的精度进行深入对比分析和实验验证。实验结果表明,上述方法中鲁棒性和平均精度最好的是RFCN和RetinaNet;影像中目标的尺寸是影响各算法精度的重要因素。最后对基于深度学习的遥感影像油罐目标检测算法提出了改进的建议。相关研究对于利用深度学习算法完成油罐目标的实际检测应用具有重要的指导意义和参考价值。     

基于多波束前视声呐的水下静态目标的探测识别技术

基于声呐的水下目标检测是具有重要意义的研究课题.由于声呐图像质量差、对比度低、边缘模糊等,基于特征提取的识别方法在精度和速度上无法满足现有要求.鉴于此,将基于卷积神经网络的YOLOv3引入声呐图像的目标识别任务中,首先通过动态亮度分配和中值滤波对图像进行预处理建立数据集,然后对YOLOv3模型进行训练和测试,最后根据静...     

基于YOLO模型的SAR舰船目标检测方法研究

随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集（SAR Ship Detection Dataset,SSDD）的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络（Backbone...     

基于深度学习的水下光学图像超分辨率重建综述

图像超分辨率重建旨在从低分辨率图像中生成包含高频细节的高分辨率图像。随着近年来人工智能的快速发展,基于深度学习的超分辨率重建算法取得了突破性进展。然而,水下光学图像通常会产生严重的颜色失真、细节缺失、对比度下降与模糊等多种退化问题,重建难度远高于常规的自然光学图像。目前尚未有文献对基于深度学习的水下光学图像超分辨率重建进行系统性综述。首先,对自然图像退化方式和数据集进行分类总结,结合国内外最新研究现状将基于深度学习的单幅图像超分辨率重建算法分为针对一般退化、已知（非盲）多种退化、未知（盲）多种退化3个方面进行详细总结,为水下应用场景提供参考。然后,介绍了水下光学图像退化方式,归纳了常见的公开数据集,总结并分析了水下光学图像超分辨率重建的最新进展。最后,对该领域未来可能的发展趋势进行了展望。     

基于无监督学习卷积神经网络的声呐图像分割

声呐图像分割是图像分割技术发展中的组成部分,是水下目标识别与检测的重要一环。传统方法中基于有监督分割方法的算法往往代价较大,表现出试验周期长、实时性较差、运行速率较慢等不足。并且由于声呐图像的成像质量差、分辨率不高、边缘条件不清晰、人工标注工作量大等客观因素,不易建立用于有监督模型训练的大规模数据集,使得传统分割方法越来越不适应当前实际应用的多方面要求。将基于无监督学习卷积神经网络引入到声呐图像分割任务中,分割模型通过对单帧声呐图像进行训练和测试,最后经过推理得到将阴影区和目标高亮区分割后的声呐图像,得到分割出来的水下目标。通过对实验的分割结果进行各项指标分析,证明此方法有着更好的运行效率和分割精度,并且实时性较高,综合性能优于传统方法。     

基于蚁群优化的近岸影像水边线变化分析方法

由于近岸视频监测技术具有构建成本低、时空分辨率高的特点,近年来已成为海岸动态监测的互补手段。在近岸视频监测中,水边线可作为岸滩边缘位置变化的替代指标,受复杂海滩地形及不规则的波浪及潮汐变化影响,如何从视频图像中准确检测水边线是近岸视频监测所面临的挑战问题之一。本文针对传统图像处理方法在水边线提取中存在的效率不高和抗噪声能力差等问题,将CIELab颜色模型和蚁群优化算法相结合,对台风风暴潮期间石老人海滩的水边线进行提取和定量分析,并与传统算法进行对比。对青岛石老人海滩2011年台风期间的实时影像资料分析结果表明,与传统的提取算法相比,本文提出的方法在数字视频影像的水边线监测应用中可靠性高,并具有良好的细节呈现能力和抗边缘噪声能力,适用于弱边缘水边线的提取。分析结果验证了本方法在极端天气条件下对视频影像中水边线动态变化的自动提取可行性,对构建长时序海滩岸线动态变化影像自动分析系统具有较好的应用价值。     

结合训练加速及注意力机制的桥梁检测算法

在解析YOLOv4算法基础上,针对应用YOLOv4算法检测遥感影像桥梁目标任务中出现的训练耗时严重及精度较低缺陷,从算法训练过程和结构模块两方面进行优化:使用多尺度训练以及fp_16训练策略降低算法训练成本,并引入SE模块和CBAM模块两种注意力机制提升算法检测精度.消融实验结果表明:优化训练策略能够有效降低算法训练成...     

基于图像识别与远程校准的潮位观测系统设计

为了解决浮子式水位计（以下简称浮子水位计）由工作人员定时到潮位观测场校准的工作问题,提高校准准确度,设计了基于图像识别与远程校准的潮位观测系统。该系统依靠在潮位观测场搭载摄像机拍摄目标,采集井内水尺图像,并通过4G、5G通讯将井内水尺视频图像和浮子水位计观测的数据传输至数据中心。数据中心管理软件通过对水尺图片进行图像识别获取井内水尺读数,对井内水尺数据和浮子水位计观测的潮位数据进行对比分析,计算系统不确定度、随机不确定度、综合不确定度,当综合不确定度大于规范误差时,系统不确定度作为漂移量发送给浮子水位计,实现浮子水位计的远程自动校准。经示范应用验证,系统功能性能指标满足业务化运行需求。     

海洋观测图像的深度哈希检索及FPGA在轨实现

近年来,星载/机载的在轨海洋观测设备日益增多。如何从星/机在轨观测的数据中快速且准确地检索出关键图像并进行回传,逐渐成为在轨实时处理的重要研究课题。哈希函数作为一种映射函数,能够将不同图像变换为相同长度的二进制码,并且保持类似图像二进制码的相似性。为了保证二进制编码的特征表达能力,采用深度卷积神经网络(Convolutional Neural Network,CNN)提取海洋图像的特征信息,对图像进行哈希变换。本文以海洋观测图像作为训练数据集,基于深度卷积神经网络在GPU(Graphics Processing Unit)上训练哈希算法。在此基础上,本文将训练好的哈希函数在FPGA(Field Programmable Gate Array)上实现,完成海洋观测图像的在轨快速检索,为海洋观测实时处理提供了有效技术手段。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难,传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题,提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片(海雾、雨)的判别方法,实现图片清晰度分类处理;其次为提高海雾气象条件下海上船只的实时检测精度,消除海雾遮挡对目标识别的影响,运用暗通道先验去雾方法对含有海雾的图像实行去雾;最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只,对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

低空无人机视频影像可量测立体模型构建技术

提出了一种利用无人机快速获取的视频数据的可量测立体模型构建方法。首先,通过无人机飞行平台快速获取视频数据,基于改进平板摄像机智能标定技术,获取摄像头的内方位元素,结合摄像机内方位参数、视频帧率、飞行高度、速度、影像分辨率等参数实现了基于实时视频流的关键帧影像自适应自动提取算法,并对提取关键帧影像进行畸变差改正;其次,通过对校正后的影像进行光束法空中三角测量加密处理,计算视频关键帧影像的外方位元素信息。最后,利用北京地区的试验数据进行了验证分析。结果表明利用能快速实现可量测立体模型构建,具有较高的量测精度,能有效的提高应急测绘条件下的灾情地理信息获取,为灾情评估和辅助决策提供依据。     

多波束声呐水体影像沉船自动提取方法

为解决人工浏览水体数据耗时且无法保证结果可重复性的问题,提高数据的利用率和定量分析能力,通过分析水体数据的成像机理,提出一种基于单帧水体影像自动提取沉船目标的算法,利用噪声抑制、数学形态学方法检测目标边缘,根据海底统计特性识别海底,再结合深度特性实现海底与沉船目标分离。使用实测数据验证了沉船自动提取算法,且抗噪性较强。通过水体影像提取的目标信息能够弥补水深点目标模型分辨率不足的缺点,为后续目标三维精细建模奠定基础。     

近海视频测量与应用

近海视频测量技术是一种基于视频传感器实时采集近海图像,再运用图像处理和信息分析,获取近海环境过程和特征参数的观测技术。文中回顾近海视频测量与应用的发展概况,介绍了测量系统的构成,讨论了测量波浪、海流和近岸过程等参数与算法的应用,建议在我国开展研究应用,促进我国海洋观测技术的发展和进步。     

基于R-FCN_ResNet的深海冷泉区生物的识别与分布研究

针对深海冷泉生物数量多、密度大、特征低,人工识别它们的种类和数取它们的数量耗时费力且准确度低这一问题,利用残差学习块,改进了基于区域的全卷积网络算法,用以深海冷泉生物的自动识别与检测。首先,构建了一组包括5类目标生物的深海冷泉生物图像目标检测数据集;然后,在TensorFlow框架下对比了R-FCN_ResNet、Faster R-CNN和SSD_MobileNet三种典型的卷积神经网络算法。从训练耗损时间、平均检测速度、平均置信度三方面权衡,突出了R-FCN_ResNet模型的优势;最后,将测试集图片输入至该模型中检测深海冷泉生物的种类和数量,并且以此复现了生物的分布情况。实验证明,所提方法结合本文数据集进行的深海冷泉生物识别与分布研究,是有效可行的,且具有较高的目标分类和定位准确率。     

基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力。利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用。对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果。建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabraxjaponicus)、(Lizahaematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像。基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNetV3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性。结果表明,三种模型在测试集的类准确率分别达到96.64%、94.75%和99.23%,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性。综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法。     

一种快速自动检测海面目标算法

为实现海事动态视频监测中海面目标的自动检测,提出基于小波域视觉注意选择机制的海面目标快速检测算法。根据人类视觉观测特点,首先利用提升小波变换在小波域建立了双尺度视觉选择注意模型,然后在粗分辨率低频子带上分别利用相位谱法和梯度法建立视觉显著图,并对两者进行有效融合形成综合视觉显著图,最后通过小波反变换得到原始高分辨率图像的视觉显著图,并由此实现海面目标区域的提取。实验结果表明:该算法能够快速、准确地实现海面目标的自动检测,可用于基于海洋浮标的海事智能监测。     

一种增强型YOLOv3的合成孔径雷达(SAR)舰船检测方法

近年来,海战场成为现代战争的主要作战区域之一,舰船目标逐渐成为海上重点监测对象,能否快速准确地识别海战场舰船目标的战术意图,给指挥员的决策提供必要的支持,这关系到一场海上战役的成败。随着合成孔径雷达(synthetic aperture radar, SAR)成像技术的不断发展,大量SAR图像可用于舰船目标检测与识别。利用SAR图像进行舰船目标检测与识别,已经成为重要的海洋应用之一。针对传统SAR图像舰船检测方法准确率较低的问题,本文在YOLOv3的基础上,结合感受野(receptive fieldblock,RFB)模块,提出一种增强型的SAR舰船检测方法。该方法在最近公开的SAR图像舰船检测数据集上平均准确率值达到了91.50%,与原YOLOv3相比提高了0.92%。实验结果充分表明本文提出的算法在SAR舰船的检测中具有较好的检测效果。     

海岸带实时实地视频观测ARGUS技术

区别于传统的定时定点野外测量方法,近年来各种遥感监测技术被应用于海岸带的实地观测领域。其中基于岸线的近岸实时实地视频观测技术(ARGUS系统)可获取大范围、长时间内的海岸带动力环境要素实测资料(诸如波浪、水流、岸线、地貌特征等),在海岸工程研究领域被广泛应用。通过对ARGUS系统的回顾,叙述了该技术的发展概况、视频数据类型和特点、图像分析方法和实际应用举例,同时简介了我国第一套ARGUS系统的构建。此外,也简要介绍了X波段雷达影像系统和红外线摄像系统在海岸工程研究中的应用。期望进一步推动上述近岸视频观测技术在我国海岸工程研究中的应用,为海岸带的综合管理利用和合理开发规划提供相应的科学支撑,同时促进各相关学科间(如海岸工程、测绘、图像分析等)的交叉合作。