基于卷积神经网络的声呐图像目标识别与检测

发布时间：2025-05-15 06:02

　　随着声成像技术的成熟和高分辨率成像声呐的发展,利用声呐图像对水下目标进行识别和检测逐渐成为近海国防与海洋资源探测的重要手段。针对传统的声呐图像目标识别和检测方法中存在的步骤繁琐、效率低下以及依赖人工经验等诸多缺点,本文研究了基于卷积神经网络的声呐图像目标识别与检测方法,主要内容和成果包括:(1)详细介绍了卷积神经网络(CNN)的基本概念和原理,对基于CNN的目标识别和目标检测方法进行了阐述。(2)为了研究何种CNN网络结构对声呐图像目标识别效果更好,本文设计了5种不同的CNN模型,研究了不同的网络层数、卷积核大小以及激活函数对声呐图像目标识别结果的影响。(3)为了将CNN方法和传统的目标识别方法进行对比,本文对基于人工特征的传统目标识别方法原理进行了简单介绍,分析了HOG算子和LBP算子的基本原理,介绍了支持向量机(SVM)分类器的分类流程,研究了不同SVM核函数对声呐图像目标识别结果的影响。(4)将基于CNN的YOLOv3目标检测算法应用至声呐图像目标检测任务中,并使用k-means聚类算法提高了YOLOv3算法的性能。(5)针对YOLOv3在声呐图像目标检测过程中存在的计算冗余和特征...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 卷积神经网络研究现状
        1.2.2 声呐图像目标识别研究现状
        1.2.3 声呐图像目标检测研究现状
    1.3 本文主要研究工作和内容安排
2 基于CNN的目标识别与检测方法理论基础
    2.1 基于人工特征的目标识别方法
        2.1.1 HOG特征
        2.1.2 LBP特征
        2.1.3 支持向量机分类器
    2.2 基于CNN的目标识别方法原理
        2.2.1 卷积层
        2.2.2 池化层
        2.2.3 全连接层
        2.2.4 激活函数
    2.3 基于CNN的目标检测方法原理
        2.3.1 YOLOv3目标检测算法的基本思想
        2.3.2 YOLOv3目标检测算法的网络结构
        2.3.3 YOLOv3目标检测算法检测步骤
        2.3.4 YOLOv3先验框设置
        2.3.5 YOLOv3输出结果解码
    2.4 本章小结
3 基于CNN的声呐图像目标识别研究
    3.1 基于CNN的声呐图像目标识别算法设计
        3.1.1 网络设计
        3.1.2 损失函数
        3.1.3 训练参数
    3.2 实验设计
        3.2.1 声呐图像目标识别实验数据
        3.2.2 实验环境
    3.3 实验与结果分析
        3.3.1 基于人工特征方法的声呐图像目标识别实验研究
        3.3.2 基于CNN的声呐图像目标识别实验研究
        3.3.3 实验结果对比分析
    3.4 本章小结
4 基于CNN的声呐图像目标检测研究
    4.1 实验数据与评价体系
        4.1.1 声呐图像目标检测实验数据
        4.1.2 基于CNN的声呐图像目标检测评价体系
    4.2 YOLOv3声呐图像目标检测实验研究
        4.2.1 先验框设置
        4.2.2 实验与结果分析
    4.3 改进的FW-YOLOv3 声呐图像目标检测算法设计
        4.3.1 基本思想
        4.3.2 单尺度预测网络
        4.3.3 加权特征融合
    4.4 改进的FW-YOLOv3 声呐图像目标检测实验研究
        4.4.1 先验框设置
        4.4.2 实验与结果分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：4046360