一、水下目标识别的相关技术研究（论文文献综述）
谢京华,董文晓,李林莉[1]（2021）在《一种海上多元多域一体化目标识别新方法》文中认为针对当前识别体系不完备、水下识别手段缺失、海上目标识别信息资源汇聚难等现实问题,提出一种海上多元多域一体化目标识别新方法。基于空中、海面、陆地、水下等多级节点构建多域目标网络化协同识别体系,通过当前已有识别功能的数据通信链路、水声数据通信链路以及其他数据通信链路实现各域平台识别信息的互联互通,通过采用基于海陆空潜的多域识别体系构建、基于海上浮标的多域动态组网、基于多源信息的多元属性识别、基于多域组网的水下目标识别等创新性设计,实现对多域目标的多元识别。结果表明:该方法可为目标识别达到"海陆空天潜岸全域覆盖"提供技术支撑,具有较好的军事价值、经济价值和社会价值。
马博也[2]（2021）在《基于双目视觉的水下动态目标识别与跟踪技术研究》文中进行了进一步梳理
刘金鑫[3]（2021）在《基于四目视觉的水下光视觉系统研究》文中进行了进一步梳理
曾强[4]（2021）在《水下低速运动小目标的图像识别方法研究》文中研究指明在目标识别领域,水下低速运动小目标由于声纳图像像素点少、易受背景噪声干扰等特性导致其识别率较低。高分辨率声纳成像设备生成的水声视频图像保留了小目标的时序细节,融合目标运动信息的深度学习识别方法能够提高目标识别率。本文以水下低速运动小目标为研究对象,分析其识别精度低的原因以及提升识别精度的可能性,基于深度学习目标识别网络,研究一种融合运动信息后处理的水下低速运动小目标图像识别方法。在水声图像预处理方面,对原始声纳图像进行去噪及尺寸调整;在网络设计方面,分析YOLO目标识别网络特性,结合课题需求,选择YOLOv3作为基础网络并对其改进,针对小样本特征不足的问题,设计数据增加方法,针对小目标特征提取及特征强化问题,建立新的特征提取网络及特征强化网络,同时优化网络参数,改进损失函数与后处理算法;在算法优化方面,针对单帧识别方法存在的误检与漏检问题,分析连续多帧图像中每类目标的运动信息,提取运动特征并设计优化方法,将其融入改进的YOLO网络,设计一种融合目标运动信息后处理的多帧识别方法;本文以AP、m AP指标评估识别精度,以IOU指标评估定位精度,以FPS指标评估运行速率。通过仿真测试,本文研究的水下低速运动小目标图像识别方法可靠有效,无噪声测试集测试单帧识别方法,识别精度达到86.9229%,每类目标都存在一定的误检与漏检,识别速率达到34.1FPS,有噪声的测试集测试单帧识别方法,随着噪声增大,识别精度呈下降趋势,噪声方差0.1时,目标识别精度达到65.3802%;无噪声测试集测试多帧识别方法中的Seq-Bbox-M后处理方法,每类目标的识别精度大于0.9,每类目标的定位精度大于0.94,模型整体的识别精度为0.9436,整体的定位精度为0.9573,误检与漏检大大减少,模型性能良好。最后,将该方法移植到嵌入式平台Jetson TX2,开发水下低速运动小目标识别系统。
曹文靖[5]（2021）在《小样本水下目标识别的深层神经网络设计与加速》文中研究表明随着声呐技术在国防建设、海洋勘探等领域的广泛应用,水下目标识别问题逐渐成为声呐智能化进程的重要研究内容。由于水下目标数据获取困难且代价高昂,导致水下样本量稀少,很难满足目前机器学习尤其是深度学习对数据量的要求,因此研究出一套准确率高、识别速度快的小样本数水下目标识别系统具有重要的实际意义。本文基于孪生（Siamese）网络架构和深层卷积神经网络,设计了用于度量水下目标样本相似度的网络模型。本文使用实际样本和仿真的虚拟样本训练该模型,通过训练后的模型计算两个待测样本之间的相似度,进而判断两个样本是否是同一类目标,有效解决了小样本水下目标难以识别的问题。首先,本文对水下目标辐射噪声的建模和特征提取方法进行了深入研究,基于真实数据设计了7类水下目标样本用于网络模型的训练。其次,为了评估设计的网络模型的泛化能力,基于上述7类水下目标样本设计了不同多普勒频偏样本、不同信噪比和不同干扰谱线数量的样本,作为网络模型的评估数据集。最后,为了测试网络模型的识别能力,利用真实的水下目标样本,对所得网络模型进行测试。测试结果表明,当多普勒频偏、信噪比和干扰谱线数在一定范围内,本文的网络模型对测试样本的识别准确率达到了85%以上。此外,本文基于FPGA实现深层神经网络的优化和加速,综合考虑资源利用率和识别速率等限制因素,设计了嵌入式小样本水下目标识别系统。该系统有利于推动小样本水下目标识别技术的工程化应用。
徐萌[6]（2020）在《基于机器视觉的水下海参图像识别技术研究》文中研究指明随着人民生活品质的提升,海参消费市场逐年扩大,海参养殖产业也随之迅猛壮大,但与其配套的海参检测识别方法还处于研究的初期阶段,无法满足养殖情况监测与水下机器人捕捞作业等任务所需的海参识别需求。为此,本文对现有水下图像处理算法与水下目标识别技术进行了研究,鉴于水下图像成像的特点,设计了一种基于机器视觉的水下海参图像目标识别系统,该系统分为水下图像增强环节与目标识别环节。在水下图像增强环节中,设计了一种基于图像融合的水下图像增强方法,综合运用了同态滤波、MSRCR以及基于导向滤波的暗通道先验增强算法来进行水下图像处理,然后通过基于点锐度权重的图像多通道线性融合方法进行结果融合,再对其进行USM锐化,最终得到增强后的结果图像。再计算处理结果图像的Brenner 梯度、Tenengrad 梯度、Laplacian 梯度、SMD2、能量梯度、MSE、PSNR和SSIM等指标,验证了算法增强效果。最后,通过SIFT特征匹配实验得出该算法可以有效地提升图像特征信息密度,为目标识别环节建立了良好的条件。在目标识别环节中,筛选出400张经过增强处理的海参图像制作图像数据集,搭建基于YOLOv3的海参目标识别神经网络模型并进行训练。经过500次训练后,模型的训练集loss与验证集valloss损失值分别下降到12.479与14.954后逐渐趋于平缓,得到用于水下海参图像识别的神经网络模型。最后通过大量的水下海参图像目标识别仿真实验,对该系统进行了识别精度分析,其多类别平均精度（mAP）能够达到98.87%。交并比（IOU）阈值设定为0.5,置信度阈值设定为0.6时,海参目标的识别准确率可以达到97.49%。实验结果显示,本文所设计的方法,符合设计预期,能够很好地满足水下海参图像目标识别的任务需求,识别准确率与模型精度较高。
张弓[7]（2020）在《基于卷积神经网络的水下目标识别研究》文中认为水下目标识别广泛应用于海底打捞、资源勘探和开采,以及管道铺设等军事、民用领域。光视觉因具有近距离感知且获得图像信息更丰富等优势而弥补了声视觉的不足,成为近年来国内外专家和学者研究水下目标识别的一个重要分支。本文重点基于光视觉的水下目标识别技术进行深入研究,以期解决其中的部分问题。主要工作如下:（1）搭建水下目标识别系统硬件平台,并进行数据集制作与标注。选取工件与几何体两类样本作为目标样本,利用所搭建的实验系统进行样本收集;提出一种基于图像风格转换的数据增强方法来扩增数据集;利用标注工具对数据集进行标注,生成PA SCAL VOC格式的标注文件。（2）在分析两大类常用图像增强方法的基础上,针对水下成像所产生图像降质和颜色衰减,提出改进全局背景光估计和颜色校正的图像增强方法。在估计图像全局背景光时选取矩形模板对图像进行分块计算色彩饱和度方差,选取方差最小的区域作为背景光的预估图片;针对原始的背景光估计方法会使图像偏白,做最小值滤波处理;通过Retinex算法来校正图像的R通道的颜色,再结合各颜色通道的色彩衰减系数比获得其他通道;最后通过对比实验验证本文算法的优越性。（3）在分析常用传统的目标检测与特征提取方法SIFT与HOG的基础上,针对其计算量大、需要人手工提取特征等缺点,提出改进的Faster R-CNN。利用深度可分离卷积改进Faster R-CNN的特征提取层并且将全连接层替换成卷积层,以大幅度减少网路结构中参数的数量;利用ROI Align降低Faster R-CNN在训练过程中的两次量化带来的精度损失,以提高目标识别的精度。（4）对本文所提出的目标识别方法进行对比实验和性能评价,实验结果证明了本文所做工作的有效性。
刘有用[8]（2020）在《基于生成对抗网络的水下多目标识别》文中研究指明水下目标的准确识别是水下机器人实现抓取、捕捞等自主作业的前提,随着计算机技术的发展和深度学习技术的不断成熟,针对陆上图像的目标检测与识别能力在近年来得到了大幅提升,但对于水下目标检测与识别,长期以来人们致力于水下声纳技术的研究,对基于视觉的水下目标检测任务的研究相对较少。在利用深度学习方法对水下目标识别模型进行训练的过程中,容易遇到两方面的问题:一方面,由于受到水下恶劣成像环境的影响,水下图像常呈现出低对比度、模糊多噪声及颜色失真等特点;另一方面,由于水下环境的特殊性,对水下图像采集设备要求高且技术难度大,因此不能够采集大量满足不同水下场景和各种图像质量要求的训练数据,采集到的样本容易出现类别不平衡等问题。给水下多目标的检测带来较大困难。针对上述问题,本文提出了一种基于生成对抗网络的小样本及类不平衡处理方法,构建适用于水下多目标检测的深度神经网络模型,并在原始样本集和生成对抗网络扩充的样本集上进行实验,本文的研究工作包括以下几个方面:1)研究基于生成对抗网络的水下样本扩充方法。在水下图像小样本及类不平衡问题上,通过截取训练样本中数目少的类别目标图像,训练生成对抗网络后生成与真实图像相似的目标图像,并将生成目标与背景图像融合后实现样本扩充的目的。最后,通过对比生成图像与真实图像的颜色直方图和直方图巴氏系数,验证生成图像与真实图像间的相似性。2)研究基于YOLOv3算法的水下目标检测方法。首先对水下图像目标检测的特点进行分析,在此基础上构建基于YOLOv3算法的水下目标检测模型,并完成了模型的参数设计和优化。为了验证所提方法的有效性,分别在原始图像集和扩充后样本集上进行实验,实验结果表明了基于生成对抗网络的样本扩充方法的可行性和有效性;通过本文改进的目标识别模型与原始模型之间的对比试验,验证了本文所提水下目标识别模型的有效性。3)设计了一套完整的水下目标检测算法应用系统,该系统具有水下多目标识别模型的训练、图像检测和实时检测等功能。本文研究了基于生成对抗网络的水下样本扩充方法,并在原始样本集和扩充的样本集上开展水下目标识别模型的构建和识别实验,实验结果表明,本文所提方法能够在一定程度上改善小样本及类不平衡问题,提高水下目标识别精确度,对实现水下目标准确抓取、促进水下作业及海洋资源的开发具有重要意义。
张健[9]（2020）在《基于深度学习的水下目标识别的研究》文中指出被动声呐水下目标识别通常包含特征提取和分类识别两部分,早期的研究中上述任务都是由声呐员完成的,但人工特征提取的方式既容易丢失信息,又无法保证识别精度和效率,因此效率更高的自动识别方法如机器学习方法等被逐渐提出。首先本文研究了传统机器学习方法,然后建立了基于传统机器学习方法的水下目标识别框架,并进行仿真验证。根据舰船辐射噪声的产生机理对噪声进行仿真建模,将构造产生的舰船辐射噪声与实测海洋环境噪声混合得到不同信噪比下的混合仿真信号,提取信号的梅尔倒谱系数（Mel Frequency Cepstral Coefficents,MFCC）特征并使用支持向量机（Support Vector Machine,SVM）分类器完成分类识别实验。通过研究发现:在信噪比为-2dB时,其识别准确率可达到98.6%,但在信噪比较低的情况下,其识别准确率下降很快,在-10dB的情况下其识别准确率仅为55.9%。其次本文研究了水下目标识别特征预处理方法,并提出了基于深度学习的水下目标识别框架。针对实测舰船辐射噪声和混合舰船辐射噪声仿真信号,采用基于谐振的稀疏信号分解算法提取信号中的高谐振分量,两类信号高谐振分量间的谱相关系数为0.7074,小于原始信号间的谱相关系数0.7161,证明该算法增强了两类信号间的区分度,有利于提高识别率;对高谐振分量采用短时傅里叶变换计算LOFAR（LOw Frequency Analysis and Recording）谱图,并采用基于多步判决的LOFAR谱线谱增强算法,对与水下目标识别关联密切的线谱进行检测和增强,可以检测出信噪比为-5dB的LOFAR谱中所有的线谱,并能够对因为海洋环境干扰而在LOFAR谱中出现“断点”的线谱补全。最后,将传统机器学习方法与基于经典深度学习网络结构的水下目标识别的研究实验性能作比较。采用卷积神经网络（Convolutional Neural Networks,CNN）、长短时记忆网络（Long Short Term Memory,LSTM）以及传统机器学习方法,分别对实测舰船辐射噪声信号和混合舰船辐射噪声仿真信号所生成的线谱增强的LOFAR谱进行特征提取并完成分类,并采用识别准确率、混淆矩阵、ROC曲线（Receiver Operating Characteristic Curve）、AUC（Area Under the Curve）值等评价指标对三种方法识别性能作比较:对实测舰船辐射噪声而言,CNN识别效果最优,取得了95.22%的识别准确率;对于混合舰船辐射噪声仿真信号而言,在-2dB时三种方法的识别率均达到98%以上,而-10dB两种深度学习方法均可以达到近80%的识别率。
李保红[10]（2020）在《基于深度神经网络的水下目标识别技术研究》文中提出随着人类日常消耗造成陆地资源的枯竭,海洋必将成为人类未来获取资源的重要来源之一,而水下目标识别技术作为人类探索海洋资源必不可缺少的部分,越来越受到各国研究人员的关注。近年来,随着深度学习技术在各个领域应用的成功,本文通过研究当前常用的深度神经网络（比如卷积神经网络和循环神经网络等）方法,并结合数值分析等机器学习知识对网络模型参数优化,从而对深度神经网络模型进行改进。利用深度神经网络提取特征用来替代现有的传统提取特征的方法（比如小波变换、梅尔频率倒谱系数和希尔伯特黄变换等）,探索其在水下场景下目标识别的可行性,以期相比于基于传统特征提取的水下目标识别方法有更高的识别准确率。具体而言,本文工作如下:1)详细介绍了几种典型的特征提取和分类方法,作为本文对比实验的基准方法。并对当前深度神经网络的两种网络模型进行了基本理论阐述。2)通过分析常用的损失函数的优劣,提出一种基于卷积神经网络（CNN）的水下目标识别方法。该方法将一个正则项嵌入到基本均方误差损失函数从而得到了目标函数。同时,基于改进的目标函数,本文对CNN前向传播和反向传播进行了分析,得到改进了适用于本文数据集的水下目标识别的CNN。3)通过分析循环神经网络（RNN）和长短时记忆网络（LSTM）的各自优劣,提出一种基于LSTM-RNN的水下目标识别方法。该方法结合本文数据集特点,通过使用LSTM隐藏层神经元替代原生RNN隐藏层神经元,建立了LSTM-RNN,避免了RNN的长期依赖关系所造成梯度爆炸和梯度消失的影响。本文提出的两种方法在主动声呐回波信号的数据集进行了仿真验证,都获得了很好的效果。并与作为基准的传统机器学习方法和改进的CNN方法对比,得出基于LSTM-RNN方法在水下场景的目标识别准确率提升了至少2%的性能效果。
二、水下目标识别的相关技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、水下目标识别的相关技术研究（论文提纲范文）
（1）一种海上多元多域一体化目标识别新方法（论文提纲范文）
| 0 引言 |
| 1 现有技术研究情况 |
| 2 系统总体设计 |
| 2.1 系统组成 |
| 2.2 实现流程 |
| 3 方法特点 |
| 4 应用前景分析 |
| 5 结束语 |
（4）水下低速运动小目标的图像识别方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水下小目标探测声纳系统发展现状 |
| 1.2.2 水下低速运动小目标的图像识别方法发展现状 |
| 1.3 研究目标与研究内容 |
| 1.4 论文结构安排 |
| 第二章 水下低速运动小目标声纳图像预处理 |
| 2.1 水下低速运动小目标声纳图像识别分析 |
| 2.1.1 图像质量分析 |
| 2.1.2 目标识别方法分析 |
| 2.2 水声图像去噪方法 |
| 2.2.1 均值滤波法 |
| 2.2.2 双边滤波法 |
| 2.2.3 非局部均值滤波法 |
| 2.2.4 中值滤波法 |
| 2.2.5 小波阈值去噪法 |
| 2.2.6 去噪方法仿真试验与分析 |
| 2.3 目标图像尺寸调整 |
| 2.4 本章小结 |
| 第三章 小目标图像单帧识别方法 |
| 3.1 目标识别网络 |
| 3.2 YOLO目标识别网络分析 |
| 3.3 基于YOLO的小目标识别网络改进 |
| 3.3.1 数据增强设计与选择 |
| 3.3.2 网络结构设计 |
| 3.3.3 网络参数选择与优化 |
| 3.4 实验验证和分析 |
| 3.4.1 目标识别模型性能指标 |
| 3.4.2 数据集制作 |
| 3.4.3 模型训练与目标识别分析 |
| 3.5 本章小结 |
| 第四章 运动小目标多帧图像识别方法及系统开发 |
| 4.1 基于多帧图像的运动目标识别分析 |
| 4.2 融合运动信息的多帧图像目标识别优化方法 |
| 4.2.1 基于运动信息的排错方法 |
| 4.2.2 NMS优化方法 |
| 4.2.3 Bounding Box优化 |
| 4.3 实验验证与分析 |
| 4.3.1 基于运动信息的排错方法仿真测试 |
| 4.3.2 NMS优化方法仿真测试 |
| 4.3.3 Bounding Box优化方法仿真测试 |
| 4.3.4 三种优化方法综合分析 |
| 4.4 水下低速运动小目标识别系统开发 |
| 4.4.1 系统功能设计 |
| 4.4.2 系统开发与测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（5）小样本水下目标识别的深层神经网络设计与加速（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水下目标识别技术的研究现状 |
| 1.2.2 小样本识别技术的研究现状 |
| 1.3 论文的研究内容与结构 |
| 第二章 水下目标辐射噪声建模和深层神经网络理论分析 |
| 2.1 水下目标辐射噪声建模 |
| 2.1.1 辐射噪声的产生机理 |
| 2.1.2 辐射噪声建模原理 |
| 2.2 水下目标辐射噪声的信号处理 |
| 2.3 卷积神经网络与Siamese网络分析 |
| 2.3.1 卷积神经网络 |
| 2.3.2 Siamese网络 |
| 2.4 本章小结 |
| 第三章 水下目标辐射噪声样本和数据集设计 |
| 3.1 水下目标辐射噪声样本设计 |
| 3.1.1 水下目标样本参数设计 |
| 3.1.2 DEMON谱处理 |
| 3.2 数据集的设计 |
| 3.3 本章小结 |
| 第四章 基于Siamese网络的水下目标识别 |
| 4.1 Siamese网络的设计原则 |
| 4.2 Siamese网络结构的优化过程 |
| 4.2.1 网络结构对多普勒频偏性能的影响 |
| 4.2.2 网络结构对信噪比性能的影响 |
| 4.2.3 网络结构对抗干扰性能的影响 |
| 4.2.4 Siamese网络结构及参数 |
| 4.3 网络性能的测试 |
| 4.3.1 多普勒性能的测试 |
| 4.3.2 信噪比性能的测试 |
| 4.3.3 抗干扰性能的测试 |
| 4.4 本章小结 |
| 第五章 基于FPGA的深层神经网络加速器的设计 |
| 5.1 深层神经网络加速器的方案设计 |
| 5.2 加速器IP核设计与优化 |
| 5.2.1 C语言的改写及验证 |
| 5.2.2 IP核的设计 |
| 5.2.3 IP核的优化 |
| 5.3 加速器IP核的测试 |
| 5.3.1 Testbench的设计 |
| 5.3.2 测试结果与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（6）基于机器视觉的水下海参图像识别技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 课题的研究背景 |
| 1.1.3 课题的研究意义 |
| 1.2 国内外研究概况 |
| 1.2.1 水下图像增强与复原技术研究概况 |
| 1.2.2 水下目标识别技术研究概况 |
| 1.3 主要研究内容 |
| 第2章 水下图像处理算法研究 |
| 2.1 水下光学图像成像特点 |
| 2.2 水下图像预处理技术 |
| 2.2.1 灰度化 |
| 2.2.2 图像滤波 |
| 2.3 水下图像增强 |
| 2.3.1 直方图均衡化 |
| 2.3.2 直方图规定化 |
| 2.3.3 图像频域滤波增强 |
| 2.4 水下图像复原 |
| 2.4.1 图像退化模型 |
| 2.4.2 经典图像复原算法 |
| 2.5 本章小结 |
| 第3章 基于图像融合的水下图像增强方法 |
| 3.1 同态滤波 |
| 3.2 带色彩恢复的多尺度视网膜增强 |
| 3.2.1 视网膜皮层理论模型 |
| 3.2.2 多尺度Retinex算法 |
| 3.2.3 带色彩恢复的多尺度Retinex算法 |
| 3.3 基于导向滤波的暗通道先验图像去雾 |
| 3.4 水下图像处理的融合与锐化 |
| 3.4.1 基于点锐度权重的图像融合 |
| 3.4.2 图像锐化 |
| 3.5 水下图像增强质量分析 |
| 3.5.1 无参考图像清晰度评价 |
| 3.5.2 全参考图像质量评价 |
| 3.5.3 SIFT特征匹配 |
| 3.6 本章小结 |
| 第4章 目标识别算法研究 |
| 4.1 卷积神经网络理论基础 |
| 4.1.1 神经元 |
| 4.1.2 激活函数 |
| 4.1.3 损失函数 |
| 4.1.4 梯度下降法 |
| 4.1.5 前向传播与反向传播 |
| 4.1.6 卷积神经网络结构 |
| 4.2 YOLO算法基本原理 |
| 4.2.1 YOLOv1 |
| 4.2.2 YOLO算法的改进 |
| 4.3 YOLOv3算法 |
| 4.3.1 YOLOv3区域提取网络 |
| 4.3.2 YOLOv3边界框预测 |
| 4.3.3 YOLOv3主体网络 |
| 4.4 本章小结 |
| 第5章 水下海参图像识别系统的设计与实验 |
| 5.1 水下海参图像识别系统方案设计 |
| 5.2 水下海参图像识别图建立 |
| 5.3 软件系统的设计与实现 |
| 5.3.1 实验设备环境 |
| 5.3.2 实验过程 |
| 5.3.3 软件系统设计 |
| 5.4 海参识别精度分析 |
| 5.4.1 目标检测评价指标 |
| 5.4.2 识别精度分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果及参与科研项目 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（7）基于卷积神经网络的水下目标识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水下图像增强的研究现状 |
| 1.2.2 基于深度学习的目标识别与检测的研究现状 |
| 1.3 本文主要研究内容 |
| 第二章 水下目标识别系统搭建与数据集制作 |
| 2.1 水下目标识别系统搭建 |
| 2.2 数据集采集 |
| 2.2.1 数据目标的选取与获取 |
| 2.2.2 基于图像风格转换的图像扩增 |
| 2.3 数据集的标注 |
| 2.4 本章小结 |
| 第三章 基于背景光估计和颜色修正的水下图像增强方法研究 |
| 3.1 常用图像增强算法分析 |
| 3.1.1 直方图均衡算法 |
| 3.1.2 水下图像复原 |
| 3.2 基于背景光估计和颜色修正的水下图像增强 |
| 3.2.1 基于R逆通道暗原色先验的水下增强 |
| 3.2.2 改进背景光估算方法 |
| 3.2.3 水下透射率估算 |
| 3.2.4 颜色较正 |
| 3.2.5 算法流程 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于改进Faster R-CNN的目标识别方法研究 |
| 4.1 经典目标识别方法分析 |
| 4.1.1 基于SIFT的目标识别 |
| 4.1.2 基于HOG的目标识别 |
| 4.2 卷积神经网络的基本结构 |
| 4.2.1 卷积层和激活函数 |
| 4.2.2 池化层 |
| 4.2.3 全连接层 |
| 4.2.4 输出层 |
| 4.3 Faster R-CNN目标识别算法 |
| 4.3.1 特征提取层 |
| 4.3.2 RPN网络 |
| 4.3.3 ROI Pooling |
| 4.3.4 R-CNN全连接模块 |
| 4.4 基于Faster R-CNN的改进算法 |
| 4.4.1 Backbone改进 |
| 4.4.2 ROI Align |
| 4.4.3 全连接的改进 |
| 4.5 本章小结 |
| 第五章 目标识别实验与性能分析 |
| 5.1 目标识别实验 |
| 5.2 实验评价指标分析 |
| 5.3 算法性能分析 |
| 5.3.1 训练模型的损失值分析 |
| 5.3.2 测试模型的精度,IoU与时间分析 |
| 5.3.3 典型方法的对比分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（8）基于生成对抗网络的水下多目标识别（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究意义与研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 传统水下目标识别方法 |
| 1.2.2 基于深度学习的水下目标识别方法 |
| 1.2.3 不平衡数据集处理 |
| 1.3 本文主要研究内容及创新点 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文创新点 |
| 1.4 论文章节安排 |
| 2 生成对抗网络与多目标检测相关理论 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积层 |
| 2.1.2 池化层 |
| 2.1.3 激活函数 |
| 2.1.4 残差网络 |
| 2.2 生成对抗网络 |
| 2.2.1 生成对抗网络基本模型 |
| 2.2.2 生成对抗网络训练 |
| 2.3 多目标识别算法 |
| 2.3.1 基于候选区域的目标检测算法 |
| 2.3.2 单次目标检测算法 |
| 2.4 本章小结 |
| 3 基于生成对抗网络的水下图像样本扩充方法 |
| 3.1 水下目标图像生成模型 |
| 3.1.1 基于DCGAN的水下目标图像生成模型 |
| 3.1.2 模型训练与优化 |
| 3.2 目标图像与背景融合 |
| 3.2.1 目标坐标计算与标注 |
| 3.2.2 图像融合算法 |
| 3.3 实验结果与分析 |
| 3.3.1参数优化实验 |
| 3.3.2 单个目标图像生成与样本集扩充结果分析 |
| 3.4 本章小结 |
| 4 基于YOLO算法的水下多目标识别方法 |
| 4.1 水下多目标识别问题分析 |
| 4.2 水下多目标识别模型构建 |
| 4.2.1 初始先验框聚类 |
| 4.2.2 多尺度预测模型设计 |
| 4.2.3 模型参数设计与训练 |
| 4.3 实验结果与分析 |
| 4.3.1 实验准备 |
| 4.3.2 对比实验 |
| 4.3.3 参数优化实验 |
| 4.3.4 实时检测实验 |
| 4.4 本章小结 |
| 5 水下多目标识别算法应用系统设计 |
| 5.1 系统功能结构介绍 |
| 5.2 系统设计与实现 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于深度学习的水下目标识别的研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 传统机器学习方法水下目标识别技术研究现状 |
| 1.2.2 深度学习在水下目标识别的研究现状 |
| 1.3 论文研究内容和结构安排 |
| 1.3.1 研究内容 |
| 1.3.2 结构安排 |
| 第二章 传统机器学习方法水下目标识别 |
| 2.1 传统机器学习方法的水下目标识别框架 |
| 2.2 传统机器学习水下目标识别的水声信号源构建方法与原理 |
| 2.2.1 舰船辐射噪声的产生机理及频谱结构 |
| 2.2.2 舰船辐射噪声仿真 |
| 2.3 传统机器学习水下目标信号识别MFCC特征提取 |
| 2.4 传统机器学习水下目标信号识别SVM分类器 |
| 2.4.1 线性支持向量机 |
| 2.4.2 非线性支持向量机 |
| 2.4.3 SVM的多分类方式 |
| 2.5 传统机器学习方法下水下目标识别实验 |
| 2.6 本章小结 |
| 第三章 水下目标信号特征预处理方法 |
| 3.1 基于深度学习的水下目标识别框架构建 |
| 3.2 基于谐振的稀疏信号分解算法 |
| 3.2.1 可调的Q因子小波变换 |
| 3.2.2 形态学成分分析 |
| 3.2.3 算法的有效性检验 |
| 3.3 基于多步判决的LOFAR谱线谱增强 |
| 3.3.1 LOFAR谱构造与线谱代价函数分析 |
| 3.3.2 基于多步判决的滑动窗线谱提取算法 |
| 3.3.3 舰船辐射噪声线谱增强效果 |
| 3.4 本章小结 |
| 第四章 基于经典深度学习网络结构的水下目标识别 |
| 4.1 深度学习分类问题评价体系 |
| 4.1.1 准确率与混淆矩阵 |
| 4.1.2 ROC曲线与AUC值 |
| 4.2 基于卷积神经网络的水下目标识别 |
| 4.2.1 卷积神经网络的原理 |
| 4.2.2 基于卷积神经网络的水下目标识别架构设计 |
| 4.2.3 基于卷积神经网络的水下目标识别实验验证 |
| 4.3 基于长短时记忆网络的水下目标识别 |
| 4.3.1 长短时记忆网络的原理 |
| 4.3.2 基于长短时记忆网络的水下目标识别架构设计 |
| 4.3.3 基于长短时记忆网络的水下目标识别实验验证 |
| 4.4 两种深度学习方法及传统方法的性能比较分析 |
| 4.4.1 实测舰船辐射噪声下的比较分析 |
| 4.4.2 仿真舰船辐射噪声下的比较分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文内容总结 |
| 5.2 未来的工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间参加的项目与取得的成果 |
（10）基于深度神经网络的水下目标识别技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外基于水下目标识别技术的研究现状 |
| 1.2.1 基于传统方法的特征提取方法 |
| 1.2.2 基于深度神经网络的特征提取方法 |
| 1.2.3 分类算法研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文的组织结构 |
| 2 基础理论 |
| 2.1 基于传统方法的特征提取 |
| 2.1.1 小波变换 |
| 2.1.2 梅尔频率倒谱系数 |
| 2.2 基于深度神经网络方法的特征提取 |
| 2.2.1 卷积神经网络 |
| 2.2.2 循环神经网络 |
| 2.3 分类器设计 |
| 2.3.1 支持向量机 |
| 2.3.2 k最近邻 |
| 2.4 本章总结 |
| 3 基于卷积神经网络的水下目标识别 |
| 3.1 前言 |
| 3.2 激活函数对比分析 |
| 3.3 损失函数设计 |
| 3.3.1 均方误差损失函数 |
| 3.3.2 交叉熵损失函数 |
| 3.4 正则化方法 |
| 3.4.1 L1与L2正则化 |
| 3.4.2 Dropout方法 |
| 3.5 卷积神经网络的权值更新 |
| 3.5.1 前向传播算法 |
| 3.5.2 反向传播算法 |
| 3.6 本章小结 |
| 4 基于LSTM-RNN的水下目标识别方法 |
| 4.1 前言 |
| 4.2 长短时记忆循环神经网络(LSTM-RNN) |
| 4.2.1 循环神经网络 |
| 4.2.2 长短时记忆循环神经网络 |
| 4.3 LSTM-RNN的权值更新 |
| 4.4 本章小结 |
| 5 实验与分析 |
| 5.1 实验环境 |
| 5.2 数据集描述 |
| 5.3 模型的训练和结果分析 |
| 5.3.1 CNN结构设计 |
| 5.3.2 LSTM-RNN结构设计 |
| 5.3.3 超参数优化 |
| 5.3.4 对比实验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、水下目标识别的相关技术研究（论文参考文献）
- [1]一种海上多元多域一体化目标识别新方法[J]. 谢京华,董文晓,李林莉. 兵工自动化, 2021(10)
- [2]基于双目视觉的水下动态目标识别与跟踪技术研究[D]. 马博也. 哈尔滨工程大学, 2021
- [3]基于四目视觉的水下光视觉系统研究[D]. 刘金鑫. 哈尔滨工程大学, 2021
- [4]水下低速运动小目标的图像识别方法研究[D]. 曾强. 电子科技大学, 2021(01)
- [5]小样本水下目标识别的深层神经网络设计与加速[D]. 曹文靖. 天津工业大学, 2021(01)
- [6]基于机器视觉的水下海参图像识别技术研究[D]. 徐萌. 山东大学, 2020(10)
- [7]基于卷积神经网络的水下目标识别研究[D]. 张弓. 江苏科技大学, 2020(03)
- [8]基于生成对抗网络的水下多目标识别[D]. 刘有用. 西南科技大学, 2020(08)
- [9]基于深度学习的水下目标识别的研究[D]. 张健. 电子科技大学, 2020(07)
- [10]基于深度神经网络的水下目标识别技术研究[D]. 李保红. 杭州电子科技大学, 2020(02)