基于能耗最优的无人艇智能航迹规划技术研究

这是一篇关于反距离加权插值,多阶段DBSCAN聚类,GhostNet,能耗节点矩阵,多层合成人工势场算法的论文, 主要内容为随着地下能源的不断开采,地表环境问题凸显,越来越多的国家也将原本对陆地资源开采利用的目光转向了物资更加丰富的海洋,无人艇作为新兴的海洋装备能够自主完成水面任务。由于无人艇能够携带的能源有限,为了使其能够拥有更长的航行工作时间,需要对无人艇的航迹进行能耗约束条件下的规划。而无人艇的航迹规划需要对水面环境有着很高的感知能力,能对水面出现的各种情况迅速做出相应的判断和措施,因此本文选用了扫描范围广的导航雷达和检测精度高的光电摄像头互相配合工作。主要的研究内容及结果如下:提出了导航雷达反距离加权插值的回波图像生成,对非均匀分布的二维回波数据进行插值操作,将雷达图像从极坐标系转换成直角坐标系,再对雷达图像中的障碍物进行多阶段DBSCAN聚类的实心率滤波,实现了对不同尺寸的障碍物聚类滤波操作,最后对检测到的障碍物进行匹配跟踪,并在电子海图中标记出来以便后续的全局规划。提出了光电摄像头基于Ghost Net的YOLOv5s检测算法,通过将YOLOv5s的CSP特征提取网络替换成Ghost Net网络,在保证了对障碍物检测速度(48FPS)的前提下提高了检测的精度(94.37%),再将导航雷达和光电摄像头检测的障碍物进行决策层的信息融合,利用自适应阈值容积卡尔曼滤波算法对障碍物位置进行预测,误差不超过最大量程的1.5%,为后续的局部规划提供了基础。提出了能耗最优的无人艇航迹规划,利用引入避碰约束Voronoi图算法对静态障碍物构建能耗节点矩阵,通过对能耗节点矩阵的搜索,生成一条基于能耗最优的全局航迹。在解决传统人工势场的局部极小值和目标不可达问题后,结合环境干扰矢量场,提出了多层合成人工势场法,在动态障碍物的干扰下生成一条基于能耗最优的局部航迹。

基于深度学习的无人机森林火灾图像识别与分割研究

这是一篇关于森林火灾,无人机图像,识别与分割,GhostNet,ShuffleNetv2,U-Net,Deeplabv3+的论文, 主要内容为森林火灾是林业最可怕的灾害,事关人类的生命和财产安全。目前,无人机技术已被广泛应用在森林火灾监测领域。尤其是,无人机遥感技术在采集火场数据、预测火灾规模和估计火点位置等方面发挥出巨大作用,显著提高了消防人员对火灾态势的感知能力。开展基于无人机图像的森林火灾识别与分割研究,能够辅助消防人员识别早期森林火灾并估计火灾规模,具有较高的研究意义和应用价值。因此,课题针对无人机森林火灾图像识别与分割,利用深度学习技术,开展了以下四方面的研究:(1)针对无人机森林火灾图像识别,提出一种基于C-GhostNet的航空森林火灾图像识别算法。该算法利用Concat操作和通道洗牌改进轻量网络GhostNet中的幻影模块,以解决GhostNet存在的特征表达问题。基于基准FLAME数据集的实验验证表明,在不引进额外参数的前提下,该算法提高了 GhostNet的识别准确率,其速度大约为20 FPS,基本实现了实时识别。(2)针对无人机火灾监测的快速响应要求,进一步提出一种基于R-ShuffleNetv2的实时航空森林火灾图像识别算法。该算法利用残差结构重构ShuffleNetv2中的基础构建单元,以增强网络的特征表达能力。基于基准FLAME数据集的实验验证表明,该算法能够获得比ShuffleNetv2更高的火灾识别准确率,其处理速度大约为31FPS。在权衡精度与速度方面,该算法的综合性能优于(1)中所提方法。(3)针对无人机森林火灾图像分割,提出一种基于F-Unet的航空森林火灾图像分割算法。该算法利用VGG16网络、多尺度特征融合技术和非线性激活函数Mish改进U-Net的结构以提升网络的分割精度。但使用VGG16网络和多尺度特征融合技术会为F-Unet引入额外的参数和计算量,导致影响算法的处理速度。基于基准FLAME分割数据集的实验验证表明,该算法提高了 U-Net的分割准确率,但运行速度仅有9 FPS。(4)针对无人机监测的实时性要求,进一步提出一种基于改进Deeplabv3+的实时航空森林火灾图像分割算法。该算法使用轻量网络MobileNetv3重构Deeplabv3+中的深度卷积神经网络,以达到提高分割速度的目的。然后为了补偿提升速度导致的精度损失,在Deeplabv3+的解码器中额外添加两种浅层特征,以使网络能够解码更多的火灾特征。基于基准FLAME分割数据集的实验验证表明,该算法不仅获得了比Deeplabv3+略好的火灾分割准确率,还大幅度提高了网络的运行速度,其分割速度约为59 FPS。

基于深度学习的数字水表读数检测与识别研究

这是一篇关于数字式水表,目标检测,DBNet,GhostNet,注意力机制的论文, 主要内容为随着科技的不断发展,社会上出现了许多智能水表。但是,全面使用智能水表代替传统的老式水表需要耗费大量的人力、物力和财力,需要重新购买新的设备,并构建对应的智能水表水务管理系统。因此,这个改造过程是比较缓慢的。传统的老式水表因其价格低廉、对用水量精准的计量以及稳定的供应和销售渠道,在市场上仍然占据主要的地位。但是,老式水表需要依靠人工上门进行抄表,这会耗费大量的人力和物力,并且效率低下。此外,由于人工的身体状况不同,抄表存在误差。为了解决这些问题,本文的研究内容是基于深度学习方法构建数字式水表图像中读数区域检测与读数区域数字识别的模型,并基于该模型开发了水表读数识别系统。本文的主要研究内容及工作如下:针对数字式水表图像因安装位置所处的环境、拍摄的角度和光线以及破损程度等因素而影响读数区域部分检测精度的问题,本文提出了一种改进的DBNet网络的数字水表读数区域检测算法。首先,在主干网络中加入了一条自底向上的路径,减少了信息传播时经过的层数,增强了FPN的特征提取能力;其次,在主干网络中加入了卷积块注意力机制,提高了数字式水表特征图像的质量,同时减少了网络参数量;接着,基于贝塞尔曲线对DBNet网络模型训练后得到的二值化图像进行处理,得到平滑的读数区域图像。最后,本文分别在主干网络中使用Res Net50和Mobile Net V3进行对比实验,实验表明,使用Res Net50作为主干网络检测单张水表图片的时间是使用Mobile Net V3作为主干网络的时间的3倍。为解决数字式水表图像读数区域内数字存在遮挡、模糊以及双半字符的问题,本文提出了一种基于改进YOLOv5s的数字式水表读数区域数字识别算法。具体地,本文将Ghost Net网络中的Ghost Bottleneck结构替换了YOLOv5s算法中的C3模块,从而减少了训练时所需的参数量和计算量,使得该算法在水表读数识别系统中的模型更加轻量化,识别速度更快。同时,本文将轻量级的新型协调注意力机制CA加入主干网络中,并放置于原始YOLOv5s网络结构中C3模块后面,以提高网络的特征提取能力。在此基础上,本文将EIo U损失函数替换了原始YOLOv5s算法的CIo U损失函数,从而增强了模型的收敛速度,并专注于先验框的回归。本文开发了一款水表读数识别系统,其中包括基于改进DBNet网络的数字式水表读数区域检测算法和改进YOLOv5s的数字式水表读数区域数字识别算法。除了数字式水表图像中的读数区域检测和读数区域数字识别功能外,水表读数识别系统还设计了其他功能模块,例如用户管理、数据存储以及数据维护等功能模块。本文将数字式水表读数区域检测算法和读数区域数字识别算法应用在水表读数识别系统上进行了测试,并验证了算法的检测精度以及水表读数识别系统的可行性。综上所述,本文针对传统老式水表抄表效率低下、误差率高等问题,提出了改进的DBNet网络的数字水表读数区域检测算法和基于改进YOLOv5s的数字式水表读数区域数字识别算法,并开发了一款水表读数识别系统。实验结果表明,本文提出的算法在数字式水表图像中的读数区域检测和数字识别方面具有较高的准确性和实用性。同时,水表读数识别系统的其他功能模块也得到了充分的考虑,使得整个系统能够更好地服务于水务管理。

基于能耗最优的无人艇智能航迹规划技术研究

这是一篇关于反距离加权插值,多阶段DBSCAN聚类,GhostNet,能耗节点矩阵,多层合成人工势场算法的论文, 主要内容为随着地下能源的不断开采,地表环境问题凸显,越来越多的国家也将原本对陆地资源开采利用的目光转向了物资更加丰富的海洋,无人艇作为新兴的海洋装备能够自主完成水面任务。由于无人艇能够携带的能源有限,为了使其能够拥有更长的航行工作时间,需要对无人艇的航迹进行能耗约束条件下的规划。而无人艇的航迹规划需要对水面环境有着很高的感知能力,能对水面出现的各种情况迅速做出相应的判断和措施,因此本文选用了扫描范围广的导航雷达和检测精度高的光电摄像头互相配合工作。主要的研究内容及结果如下:提出了导航雷达反距离加权插值的回波图像生成,对非均匀分布的二维回波数据进行插值操作,将雷达图像从极坐标系转换成直角坐标系,再对雷达图像中的障碍物进行多阶段DBSCAN聚类的实心率滤波,实现了对不同尺寸的障碍物聚类滤波操作,最后对检测到的障碍物进行匹配跟踪,并在电子海图中标记出来以便后续的全局规划。提出了光电摄像头基于Ghost Net的YOLOv5s检测算法,通过将YOLOv5s的CSP特征提取网络替换成Ghost Net网络,在保证了对障碍物检测速度(48FPS)的前提下提高了检测的精度(94.37%),再将导航雷达和光电摄像头检测的障碍物进行决策层的信息融合,利用自适应阈值容积卡尔曼滤波算法对障碍物位置进行预测,误差不超过最大量程的1.5%,为后续的局部规划提供了基础。提出了能耗最优的无人艇航迹规划,利用引入避碰约束Voronoi图算法对静态障碍物构建能耗节点矩阵,通过对能耗节点矩阵的搜索,生成一条基于能耗最优的全局航迹。在解决传统人工势场的局部极小值和目标不可达问题后,结合环境干扰矢量场,提出了多层合成人工势场法,在动态障碍物的干扰下生成一条基于能耗最优的局部航迹。

基于深度学习的数字水表读数检测与识别研究

这是一篇关于数字式水表,目标检测,DBNet,GhostNet,注意力机制的论文, 主要内容为随着科技的不断发展,社会上出现了许多智能水表。但是,全面使用智能水表代替传统的老式水表需要耗费大量的人力、物力和财力,需要重新购买新的设备,并构建对应的智能水表水务管理系统。因此,这个改造过程是比较缓慢的。传统的老式水表因其价格低廉、对用水量精准的计量以及稳定的供应和销售渠道,在市场上仍然占据主要的地位。但是,老式水表需要依靠人工上门进行抄表,这会耗费大量的人力和物力,并且效率低下。此外,由于人工的身体状况不同,抄表存在误差。为了解决这些问题,本文的研究内容是基于深度学习方法构建数字式水表图像中读数区域检测与读数区域数字识别的模型,并基于该模型开发了水表读数识别系统。本文的主要研究内容及工作如下:针对数字式水表图像因安装位置所处的环境、拍摄的角度和光线以及破损程度等因素而影响读数区域部分检测精度的问题,本文提出了一种改进的DBNet网络的数字水表读数区域检测算法。首先,在主干网络中加入了一条自底向上的路径,减少了信息传播时经过的层数,增强了FPN的特征提取能力;其次,在主干网络中加入了卷积块注意力机制,提高了数字式水表特征图像的质量,同时减少了网络参数量;接着,基于贝塞尔曲线对DBNet网络模型训练后得到的二值化图像进行处理,得到平滑的读数区域图像。最后,本文分别在主干网络中使用Res Net50和Mobile Net V3进行对比实验,实验表明,使用Res Net50作为主干网络检测单张水表图片的时间是使用Mobile Net V3作为主干网络的时间的3倍。为解决数字式水表图像读数区域内数字存在遮挡、模糊以及双半字符的问题,本文提出了一种基于改进YOLOv5s的数字式水表读数区域数字识别算法。具体地,本文将Ghost Net网络中的Ghost Bottleneck结构替换了YOLOv5s算法中的C3模块,从而减少了训练时所需的参数量和计算量,使得该算法在水表读数识别系统中的模型更加轻量化,识别速度更快。同时,本文将轻量级的新型协调注意力机制CA加入主干网络中,并放置于原始YOLOv5s网络结构中C3模块后面,以提高网络的特征提取能力。在此基础上,本文将EIo U损失函数替换了原始YOLOv5s算法的CIo U损失函数,从而增强了模型的收敛速度,并专注于先验框的回归。本文开发了一款水表读数识别系统,其中包括基于改进DBNet网络的数字式水表读数区域检测算法和改进YOLOv5s的数字式水表读数区域数字识别算法。除了数字式水表图像中的读数区域检测和读数区域数字识别功能外,水表读数识别系统还设计了其他功能模块,例如用户管理、数据存储以及数据维护等功能模块。本文将数字式水表读数区域检测算法和读数区域数字识别算法应用在水表读数识别系统上进行了测试,并验证了算法的检测精度以及水表读数识别系统的可行性。综上所述,本文针对传统老式水表抄表效率低下、误差率高等问题,提出了改进的DBNet网络的数字水表读数区域检测算法和基于改进YOLOv5s的数字式水表读数区域数字识别算法,并开发了一款水表读数识别系统。实验结果表明,本文提出的算法在数字式水表图像中的读数区域检测和数字识别方面具有较高的准确性和实用性。同时,水表读数识别系统的其他功能模块也得到了充分的考虑,使得整个系统能够更好地服务于水务管理。

基于深度学习的无人机森林火灾图像识别与分割研究

这是一篇关于森林火灾,无人机图像,识别与分割,GhostNet,ShuffleNetv2,U-Net,Deeplabv3+的论文, 主要内容为森林火灾是林业最可怕的灾害,事关人类的生命和财产安全。目前,无人机技术已被广泛应用在森林火灾监测领域。尤其是,无人机遥感技术在采集火场数据、预测火灾规模和估计火点位置等方面发挥出巨大作用,显著提高了消防人员对火灾态势的感知能力。开展基于无人机图像的森林火灾识别与分割研究,能够辅助消防人员识别早期森林火灾并估计火灾规模,具有较高的研究意义和应用价值。因此,课题针对无人机森林火灾图像识别与分割,利用深度学习技术,开展了以下四方面的研究:(1)针对无人机森林火灾图像识别,提出一种基于C-GhostNet的航空森林火灾图像识别算法。该算法利用Concat操作和通道洗牌改进轻量网络GhostNet中的幻影模块,以解决GhostNet存在的特征表达问题。基于基准FLAME数据集的实验验证表明,在不引进额外参数的前提下,该算法提高了 GhostNet的识别准确率,其速度大约为20 FPS,基本实现了实时识别。(2)针对无人机火灾监测的快速响应要求,进一步提出一种基于R-ShuffleNetv2的实时航空森林火灾图像识别算法。该算法利用残差结构重构ShuffleNetv2中的基础构建单元,以增强网络的特征表达能力。基于基准FLAME数据集的实验验证表明,该算法能够获得比ShuffleNetv2更高的火灾识别准确率,其处理速度大约为31FPS。在权衡精度与速度方面,该算法的综合性能优于(1)中所提方法。(3)针对无人机森林火灾图像分割,提出一种基于F-Unet的航空森林火灾图像分割算法。该算法利用VGG16网络、多尺度特征融合技术和非线性激活函数Mish改进U-Net的结构以提升网络的分割精度。但使用VGG16网络和多尺度特征融合技术会为F-Unet引入额外的参数和计算量,导致影响算法的处理速度。基于基准FLAME分割数据集的实验验证表明,该算法提高了 U-Net的分割准确率,但运行速度仅有9 FPS。(4)针对无人机监测的实时性要求,进一步提出一种基于改进Deeplabv3+的实时航空森林火灾图像分割算法。该算法使用轻量网络MobileNetv3重构Deeplabv3+中的深度卷积神经网络,以达到提高分割速度的目的。然后为了补偿提升速度导致的精度损失,在Deeplabv3+的解码器中额外添加两种浅层特征,以使网络能够解码更多的火灾特征。基于基准FLAME分割数据集的实验验证表明,该算法不仅获得了比Deeplabv3+略好的火灾分割准确率,还大幅度提高了网络的运行速度,其分割速度约为59 FPS。

基于能耗最优的无人艇智能航迹规划技术研究

这是一篇关于反距离加权插值,多阶段DBSCAN聚类,GhostNet,能耗节点矩阵,多层合成人工势场算法的论文, 主要内容为随着地下能源的不断开采,地表环境问题凸显,越来越多的国家也将原本对陆地资源开采利用的目光转向了物资更加丰富的海洋,无人艇作为新兴的海洋装备能够自主完成水面任务。由于无人艇能够携带的能源有限,为了使其能够拥有更长的航行工作时间,需要对无人艇的航迹进行能耗约束条件下的规划。而无人艇的航迹规划需要对水面环境有着很高的感知能力,能对水面出现的各种情况迅速做出相应的判断和措施,因此本文选用了扫描范围广的导航雷达和检测精度高的光电摄像头互相配合工作。主要的研究内容及结果如下:提出了导航雷达反距离加权插值的回波图像生成,对非均匀分布的二维回波数据进行插值操作,将雷达图像从极坐标系转换成直角坐标系,再对雷达图像中的障碍物进行多阶段DBSCAN聚类的实心率滤波,实现了对不同尺寸的障碍物聚类滤波操作,最后对检测到的障碍物进行匹配跟踪,并在电子海图中标记出来以便后续的全局规划。提出了光电摄像头基于Ghost Net的YOLOv5s检测算法,通过将YOLOv5s的CSP特征提取网络替换成Ghost Net网络,在保证了对障碍物检测速度(48FPS)的前提下提高了检测的精度(94.37%),再将导航雷达和光电摄像头检测的障碍物进行决策层的信息融合,利用自适应阈值容积卡尔曼滤波算法对障碍物位置进行预测,误差不超过最大量程的1.5%,为后续的局部规划提供了基础。提出了能耗最优的无人艇航迹规划,利用引入避碰约束Voronoi图算法对静态障碍物构建能耗节点矩阵,通过对能耗节点矩阵的搜索,生成一条基于能耗最优的全局航迹。在解决传统人工势场的局部极小值和目标不可达问题后,结合环境干扰矢量场,提出了多层合成人工势场法,在动态障碍物的干扰下生成一条基于能耗最优的局部航迹。

基于深度学习的数字水表读数检测与识别研究

这是一篇关于数字式水表,目标检测,DBNet,GhostNet,注意力机制的论文, 主要内容为随着科技的不断发展,社会上出现了许多智能水表。但是,全面使用智能水表代替传统的老式水表需要耗费大量的人力、物力和财力,需要重新购买新的设备,并构建对应的智能水表水务管理系统。因此,这个改造过程是比较缓慢的。传统的老式水表因其价格低廉、对用水量精准的计量以及稳定的供应和销售渠道,在市场上仍然占据主要的地位。但是,老式水表需要依靠人工上门进行抄表,这会耗费大量的人力和物力,并且效率低下。此外,由于人工的身体状况不同,抄表存在误差。为了解决这些问题,本文的研究内容是基于深度学习方法构建数字式水表图像中读数区域检测与读数区域数字识别的模型,并基于该模型开发了水表读数识别系统。本文的主要研究内容及工作如下:针对数字式水表图像因安装位置所处的环境、拍摄的角度和光线以及破损程度等因素而影响读数区域部分检测精度的问题,本文提出了一种改进的DBNet网络的数字水表读数区域检测算法。首先,在主干网络中加入了一条自底向上的路径,减少了信息传播时经过的层数,增强了FPN的特征提取能力;其次,在主干网络中加入了卷积块注意力机制,提高了数字式水表特征图像的质量,同时减少了网络参数量;接着,基于贝塞尔曲线对DBNet网络模型训练后得到的二值化图像进行处理,得到平滑的读数区域图像。最后,本文分别在主干网络中使用Res Net50和Mobile Net V3进行对比实验,实验表明,使用Res Net50作为主干网络检测单张水表图片的时间是使用Mobile Net V3作为主干网络的时间的3倍。为解决数字式水表图像读数区域内数字存在遮挡、模糊以及双半字符的问题,本文提出了一种基于改进YOLOv5s的数字式水表读数区域数字识别算法。具体地,本文将Ghost Net网络中的Ghost Bottleneck结构替换了YOLOv5s算法中的C3模块,从而减少了训练时所需的参数量和计算量,使得该算法在水表读数识别系统中的模型更加轻量化,识别速度更快。同时,本文将轻量级的新型协调注意力机制CA加入主干网络中,并放置于原始YOLOv5s网络结构中C3模块后面,以提高网络的特征提取能力。在此基础上,本文将EIo U损失函数替换了原始YOLOv5s算法的CIo U损失函数,从而增强了模型的收敛速度,并专注于先验框的回归。本文开发了一款水表读数识别系统,其中包括基于改进DBNet网络的数字式水表读数区域检测算法和改进YOLOv5s的数字式水表读数区域数字识别算法。除了数字式水表图像中的读数区域检测和读数区域数字识别功能外,水表读数识别系统还设计了其他功能模块,例如用户管理、数据存储以及数据维护等功能模块。本文将数字式水表读数区域检测算法和读数区域数字识别算法应用在水表读数识别系统上进行了测试,并验证了算法的检测精度以及水表读数识别系统的可行性。综上所述,本文针对传统老式水表抄表效率低下、误差率高等问题,提出了改进的DBNet网络的数字水表读数区域检测算法和基于改进YOLOv5s的数字式水表读数区域数字识别算法,并开发了一款水表读数识别系统。实验结果表明,本文提出的算法在数字式水表图像中的读数区域检测和数字识别方面具有较高的准确性和实用性。同时,水表读数识别系统的其他功能模块也得到了充分的考虑,使得整个系统能够更好地服务于水务管理。