CN109117838A - 应用于无人船感知系统的目标检测方法及装置 - Google Patents
应用于无人船感知系统的目标检测方法及装置 Download PDFInfo
- Publication number
- CN109117838A CN109117838A CN201810896369.3A CN201810896369A CN109117838A CN 109117838 A CN109117838 A CN 109117838A CN 201810896369 A CN201810896369 A CN 201810896369A CN 109117838 A CN109117838 A CN 109117838A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- module
- convolution
- convolution kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种应用于无人船感知系统的目标检测方法，包括以下步骤，步骤一：收集图像数据；步骤二：进行预处理；步骤三：搭建神经网络结构；步骤四：将预处理后的图像数据进行优化运算；步骤五：经由判断模块对步骤四中优化运算的数据进行准确率测试，根据测试结果，将低于预设准确率的数据返回至步骤三重新处理，将高于预设准确率的数据传送至步骤六；步骤六：将数据进行封装；步骤七：通过显示模块将封装数据进行可视化显示；步骤八：根据可视化界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。本发明能够通过大量的训练数据，使得神经网络能够按照“经验”对拍摄的图片进行分类，从而使识别准确率高、实时性好、鲁棒性好。
Description
技术领域
本发明涉及无人船感知领域，尤其涉及一种应用于无人船感知系统的目标检测方法及装置。
背景技术
无人船是继无人机和无人车后，无人技术领域又一重大研究方向。无人船是在没有人的干预下，使船体能够自动躲避障碍，完成水上的采样检测、测绘等作业的一项技术。
无人船的一个技术难题就是视觉感知系统的构建，目前由于深度学习在图像分类和检测上取得了突破性的成果，由深度学习主导的无人船环境感知系统的研究以其极佳的检测效果成为当今主要的研究方向。公开号为CN105799872A名称为《水面垃圾无人自动搜索船》的专利，使用摄像头和平板电脑，使用阈值化的方法进行目标检测。公开号为CN205539467U名称为《一种无人船舶航行环境障碍物识别装置》的专利中，用于采集图像的摄像头采集图像并通过传统的方法进行检测和分类。然而，以上的无人船的环境感知系统中，使用的目标检测方法均应用传统的图形学检测方法，其精度和准确率比较低、实时性差，以致其感知系统检测效果比较差。
发明内容
为解决上述问题，本发明采用的技术方案在于，提供一种应用于无人船感知系统的目标检测方法，包含以下步骤：
步骤一：通过数据采集模块收集图像数据；
步骤二：通过图像信息预处理模块，将数据采集模块收集的图像数据进行预处理；
步骤三：通过卷积神经网络模块搭建神经网络结构；
步骤四：将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算；
步骤五：经由判断模块对步骤四中优化运算的数据进行准确率测试，根据测试结果，将低于预设准确率的数据返回至步骤三重新处理，将高于预设准确率的数据传送至步骤六；
步骤六：通过输出模块将步骤五中传送过来的数据进行封装；
步骤七：通过显示模块将封装数据进行可视化显示；
步骤八：根据可视化界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
进一步的，所述步骤一中，对所述图像数据的采集使用带有夜视功能的相机拍摄船只四周的环境图片，将相机安装在可360度旋转的支撑物上，所述支撑物由数据采集模块控制旋转面。
进一步的，所述图像数据包括：水面数据、路面数据集、岸边数据集、障碍物、其他船只数据集和其他数据集。
进一步的，所述步骤三中，通过卷积神经网络模块搭建神经网络结构，具体步骤为：
所述第一层为卷积层，将224×224的输入数据进行卷积操作，使用32个大小为3×3的卷积核进行卷积，输出数据大小为224×224；
第二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为112×112；
第三层为卷积层，使用64个大小为3×3的卷积核进行卷积，输出数据大小为112×112；
第四层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为56×56；
第五层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第六层为卷积层，使用64个大小为1×1的卷积核进行卷积，输出数据大小为56×56；
第七层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第八层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为28×28；
第九层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十层为卷积层，使用256个大小为1×1的卷积核进行卷积，输出数据大小为14×14；
第十一层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为7×7；
第十三层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十四层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十五层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十六层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十七层为卷积层，使用256个大小为3×3的卷积核进行卷积，步长是2，输出数据大小为3×3；
第十八层为全连接层，该层输出有840个神经元；
第十九层为全连接层，该层输出有100个神经元；
第二十层为输出层，依然使用全连接层，最后有9个数据的输出。
进一步的，所述步骤四中，将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算，将所述图片数据进行分类标签制作，标签表示成(pw,pg,pc,px,py,dw,dh,p1,p2)形式，选取10000幅图片数据集作为运算样本，以代价函数作为标准，用梯度下降法使进行优化运算，使代价函数取极小值，从而使得运算样本经过卷积神经网络的结果与标签近似或者相同，通过所述神经网络结构预测未知图像的输出结果。
进一步的，将步骤五中传送过来的数据封装在可视化界面中，并通过显示模块将封装数据进行可视化显示，所述显示模块的显示界面能够完成训练集和测试集选择，显示每幅图片原始图片以及经过所述神经网络结构优化运算的分类结果，并能够显示所述神经网络结构的模型参数。
进一步的，所述应用于无人船感知系统的目标检测方法主要基于所述目标检测装置实现，所述目标检测装置包括：
一数据采集模块，其用于收集图像数据；
一图像信息预处理模块，其用于将数据采集模块收集的图像数据进行预处理；
一卷积神经网络模块，其用于搭建神经网络并将预处理后的图像数据进行卷积神经网络优化运算；
一判断模块，其用于对经过卷积神经网络模块优化运算后的数据进行准确率测试，根据准确率测试结果判断返回卷积神经网络模块重新运算或传送到下一模块；
一输出模块，其用于将判断模块判断通过的数据进行封装；
一显示模块，其用于将封装数据进行可视化显示；
一调节模块，根据可视化显示界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
与现有技术比较本发明的有益效果在于：1、通过在无人船系统中应用的基于神经网络的目标检测方法，使检测结果具有较高的检测准确率；2、目标检测方法中使用了先进的卷积神经网络算法，对环境信息进行分类，使得分类效果更好；3、检测方法中对水面、路面、岸边、障碍物(礁石等)、其他船和其他情况六类信息进行分类，使得环境信息被充分考虑；4、采用本发明中的目标检测方法，具有很好的实时性，完全满足无人船系统的要求。
附图说明
图1为本发明中的应用于无人船感知系统的目标检测方法设计流程图；
图2为本发明应用于无人船感知系统的目标检测装置的结构示意图。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。
实施例一
本发明提供一种应用于无人船感知系统的目标检测方法，该方法能够完成对目标的检测，以满足无人船环境感知系统的要求。该方法主要基于卷积神经网络，利用卷积神经网络的特征提取能力，提取到更加鲁棒的特征，使得能够更改好的描述要检测的目标，从而提高模型对动态情景的鲁棒性。
如图1所示，其为本发明所提供的应用于无人船感知系统的目标检测方法流程图，所述应用于无人船感知系统的目标检测方法包括如下步骤：
步骤一：通过数据采集模块收集图像数据；
步骤二：通过图像信息预处理模块，将数据采集模块收集的图像数据进行预处理；
步骤三：通过卷积神经网络模块搭建神经网络结构；
步骤四：将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算；
步骤五：经由判断模块对步骤四中优化运算的数据进行准确率测试，根据测试结果，将低于预设准确率的数据返回至步骤三重新处理，将高于预设准确率的数据传送至步骤六；
步骤六：通过输出模块将步骤五中传送过来的数据进行封装；
步骤七：通过显示模块将封装数据进行可视化显示；
步骤八：根据可视化界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
实施例二
如上述所述的应用于无人船感知系统的目标检测方法，本实施例与其不同之处在于，所述步骤一中，对图像数据的采集使用带有夜视功能的相机拍摄船只四周的环境图片，将相机安装在可360度旋转的支撑物上，该支撑物由数据采集模块控制旋转，从而可以拍摄到任意时段和任意位置的画面；
图像数据包括：水面数据、路面数据集、岸边数据集、障碍物(礁石等)、其他船只数据集和其他数据集。
所述步骤二中，对图像数据进行预处理具体为将相机采集到的图片使用opencv进行高斯平滑滤波处理，并提取出图像大小为224×224的带有目标的区域作为输入数据。
实施例三
如上述所述的应用于无人船感知系统的目标检测方法，本实施例与其不同之处在于，所述步骤三中，通过卷积神经网络模块搭建神经网络结构，采用卷积神经网络牺牲宽度和高度以使通道特征增加，同时结合池化和全连接层构建网络，使用梯度下降法作为优化方法，寻找局部最优解，输入224×224大小的数据，数据经过卷积神经网络后，得到输出结果。
具体步骤如下：
第一层为卷积层，将224×224的输入数据进行卷积操作，使用32个大小为3×3的卷积核进行卷积，输出数据大小为224×224；
第二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为112×112；
第三层为卷积层，使用64个大小为3×3的卷积核进行卷积，输出数据大小为112×112；
第四层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为56×56；
第五层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第六层为卷积层，使用64个大小为1×1的卷积核进行卷积，输出数据大小为56×56；
第七层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第八层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为28×28；
第九层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十层为卷积层，使用256个大小为1×1的卷积核进行卷积，输出数据大小为14×14；
第十一层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为7×7；
第十三层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十四层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十五层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十六层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十七层为卷积层，使用256个大小为3×3的卷积核进行卷积，步长是2，输出数据大小为3×3；
第十八层为全连接层，该层输出有840个神经元；
第十九层为全连接层，该层输出有100个神经元；
第二十层为输出层，依然使用全连接层，最后有9个数据的输出。
将输出结果表示为(pw,pg,pc,px,py,dw,dh,p1,p2)，其中：
pw为0表示画面无水面，为1表示画面有水面；
pg为0表示画面无路面，为1表示画面有路面；
pc为0表示画面无目标，为1表示画面有目标；
p2为0表示画面无其他船只，为1表示画面有其他船只；
p2为0表示画面无礁石，为1表示画面有礁石；
px,py表示目标中心点的在图像中的坐标位置；
dw,dy表示目标外框的在图像中的高度和宽度。
卷积神经网络的每层的具体情况如下表：
实施例四
如上述所述的应用于无人船感知系统的目标检测方法，本实施例与其不同之处在于，所述步骤四中，将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算，将采集的图片数据进行分类标签制作，标签表示成(pw,pg,pc,px,py,dw,dh,p1,p2)形式，选取10000幅图片数据集作为运算样本，以代价函数作为标准，用梯度下降法使进行优化运算，使代价函数取极小值，从而使得运算样本经过卷积神经网络的结果与标签近似或者相同；
所述步骤五中，对步骤四中优化运算的数据进行准确率测试，并计算出准确率，若准确率低于预期的要求则修改网络模型(修改隐藏层、参数、超参数等)，重新进行优化运算和测试，直至得到准确率符合要求的网络模型。
实施例五
如上述所述的应用于无人船感知系统的目标检测方法，本实施例与其不同之处在于，将步骤五中传送过来的数据封装在可视化界面中，并通过显示模块将封装数据进行可视化显示，该显示模块的显示界面可以完成训练集和测试集选择，可以显示每幅图片原始图片以及经过所述神经网络结构优化运算的分类结果，可以显示神经网络的模型参数。
根据可视化界面中对环境的识别分析，计算机自动调控无人船的行驶状态。
实施例六
一目标检测装置，本实施例与上述检测方法不同之处在于，所述应用于无人船感知系统的目标检测方法主要基于目标检测装置实现，所述目标检测装置包括：
一数据采集模块，其用于收集图像数据；
一图像信息预处理模块，其用于将数据采集模块收集的图像数据进行预处理；
一卷积神经网络模块，其用于搭建神经网络并将预处理后的图像数据进行卷积神经网络优化运算；
一判断模块，其用于对经过卷积神经网络模块优化运算后的数据进行准确率测试，根据准确率测试结果判断返回卷积神经网络模块重新运算或传送到下一模块；
一输出模块，其用于将判断模块判断通过的数据进行封装；
一显示模块，其用于将封装数据进行可视化显示；
一调节模块，根据可视化显示界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种应用于无人船感知系统的目标检测方法，其特征在于，包含以下步骤：
步骤一：通过数据采集模块收集图像数据；
步骤二：通过图像信息预处理模块，将数据采集模块收集的图像数据进行预处理；
步骤三：通过卷积神经网络模块搭建神经网络结构；
步骤四：将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算；
步骤五：经由判断模块对步骤四中优化运算的数据进行准确率测试，根据测试结果，将低于预设准确率的数据返回至步骤三重新处理，将高于预设准确率的数据传送至步骤六；
步骤六：通过输出模块将步骤五中传送过来的数据进行封装；
步骤七：通过显示模块将封装数据进行可视化显示；
步骤八：根据可视化界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
2.如权利要求1所述的应用于无人船感知系统的目标检测方法，其特征在于，所述步骤一中，对所述图像数据的采集使用带有夜视功能的相机拍摄船只四周的环境图片，将相机安装在可360度旋转的支撑物上，所述支撑物由数据采集模块控制旋转面。
3.如权利要求1所述的应用于无人船感知系统的目标检测方法，其特征在于，所述图像数据包括：水面数据、路面数据集、岸边数据集、障碍物、其他船只数据集和其他数据集。
4.如权利要求1所述的应用于无人船感知系统的目标检测方法，其特征在于，所述步骤三中，通过卷积神经网络模块搭建神经网络结构，具体步骤为：
所述第一层为卷积层，将224×224的输入数据进行卷积操作，使用32个大小为3×3的卷积核进行卷积，输出数据大小为224×224；
第二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为112×112；
第三层为卷积层，使用64个大小为3×3的卷积核进行卷积，输出数据大小为112×112；
第四层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为56×56；
第五层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第六层为卷积层，使用64个大小为1×1的卷积核进行卷积，输出数据大小为56×56；
第七层为卷积层，使用128个大小为3×3的卷积核进行卷积，输出数据大小为56×56；
第八层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为28×28；
第九层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十层为卷积层，使用256个大小为1×1的卷积核进行卷积，输出数据大小为14×14；
第十一层为卷积层，使用512个大小为3×3的卷积核进行卷积，输出数据大小为14×14；
第十二层为最大池化层，使用的卷积核大小为2×2，移动步长为2，输出数据大小为7×7；
第十三层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十四层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十五层为卷积层，使用1024个大小为3×3的卷积核进行卷积，输出数据大小为7×7；
第十六层为卷积层，使用512个大小为1×1的卷积核进行卷积，输出数据大小为7×7；
第十七层为卷积层，使用256个大小为3×3的卷积核进行卷积，步长是2，输出数据大小为3×3；
第十八层为全连接层，该层输出有840个神经元；
第十九层为全连接层，该层输出有100个神经元；
第二十层为输出层，依然使用全连接层，最后有9个数据的输出。
5.如权利要求4所述的应用于无人船感知系统的目标检测方法，其特征在于，所述步骤四中，将预处理后的图像数据经过卷积神经网络模块搭建的神经网络结构进行优化运算，将所述图片数据进行分类标签制作，标签表示成(pw,pg,pc,px,py,dw,dh,p1,p2)形式，选取10000幅图片数据集作为运算样本，以代价函数作为标准，用梯度下降法使进行优化运算，使代价函数取极小值，从而使得运算样本经过卷积神经网络的结果与标签近似或者相同，通过所述神经网络结构预测未知图像的输出结果。
6.如权利要求5所述的应用于无人船感知系统的目标检测方法，其特征在于，将步骤五中传送过来的数据封装在可视化界面中，并通过显示模块将封装数据进行可视化显示，所述显示模块的显示界面能够完成训练集和测试集选择，显示每幅图片原始图片以及经过所述神经网络结构优化运算的分类结果，并能够显示所述神经网络结构的模型参数。
7.一目标检测装置，其特征在于，如上述任一权利要求所述应用于无人船感知系统的目标检测方法主要基于所述目标检测装置实现，所述目标检测装置包括：
一数据采集模块，其用于收集图像数据；
一图像信息预处理模块，其用于将数据采集模块收集的图像数据进行预处理；
一卷积神经网络模块，其用于搭建神经网络并将预处理后的图像数据进行卷积神经网络优化运算；
一判断模块，其用于对经过卷积神经网络模块优化运算后的数据进行准确率测试，根据准确率测试结果判断返回卷积神经网络模块重新运算或传送到下一模块；
一输出模块，其用于将判断模块判断通过的数据进行封装；
一显示模块，其用于将封装数据进行可视化显示；
一调节模块，根据可视化显示界面中对环境的识别分析，通过调节模块调控无人船的行驶状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896369.3A CN109117838B (zh) | 2018-08-08 | 2018-08-08 | 应用于无人船感知系统的目标检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896369.3A CN109117838B (zh) | 2018-08-08 | 2018-08-08 | 应用于无人船感知系统的目标检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109117838A true CN109117838A (zh) | 2019-01-01 |
| CN109117838B CN109117838B (zh) | 2021-10-12 |
Family
ID=64853098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810896369.3A Active CN109117838B (zh) | 2018-08-08 | 2018-08-08 | 应用于无人船感知系统的目标检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109117838B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033050A (zh) * | 2019-04-18 | 2019-07-19 | 杭州电子科技大学 | 一种水面无人船实时目标检测计算方法 |
| CN110118788A (zh) * | 2019-04-30 | 2019-08-13 | 东南大学 | 水下结构病害检测接触式视觉传感设备及图像处理方法 |
| CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻系统以及水面监测方法 |
| CN110472500A (zh) * | 2019-07-09 | 2019-11-19 | 北京理工大学 | 一种基于高速无人艇的水面视觉目标快速检测算法 |
| CN111898702A (zh) * | 2020-08-14 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种基于深度学习的无人艇环境智能感知方法 |
| WO2021073528A1 (zh) * | 2019-10-18 | 2021-04-22 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 一种无人艇智能决策方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010076787A2 (en) * | 2008-12-30 | 2010-07-08 | Elbit Systems Ltd. | Autonomous navigation system and method for a maneuverable platform |
| US20110288695A1 (en) * | 2010-05-18 | 2011-11-24 | Clearpath Robotics, Inc. | Control interface for unmanned vehicles |
| CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
| CN106909145A (zh) * | 2017-02-22 | 2017-06-30 | 武汉理工大学 | 无人航道测量船障碍物实时感知避障系统与方法 |
| CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
-
2018
- 2018-08-08 CN CN201810896369.3A patent/CN109117838B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010076787A2 (en) * | 2008-12-30 | 2010-07-08 | Elbit Systems Ltd. | Autonomous navigation system and method for a maneuverable platform |
| US20110288695A1 (en) * | 2010-05-18 | 2011-11-24 | Clearpath Robotics, Inc. | Control interface for unmanned vehicles |
| CN105022990A (zh) * | 2015-06-29 | 2015-11-04 | 华中科技大学 | 一种基于无人艇应用的水面目标快速检测方法 |
| CN106909145A (zh) * | 2017-02-22 | 2017-06-30 | 武汉理工大学 | 无人航道测量船障碍物实时感知避障系统与方法 |
| CN106960446A (zh) * | 2017-04-01 | 2017-07-18 | 广东华中科技大学工业技术研究院 | 一种面向无人艇应用的水面目标检测跟踪一体化方法 |
Non-Patent Citations (4)
| Title |
|---|
| JIAN YANG，ET AL: "《An Object detection and tracking system for unmanned surface vehicles》", 《CONFERENCE ON TARGET AND BACKGROUND SIGNATURESⅢ》 * |
| YANG FANG，ET AL: "《Adaptive Course Control System of an Unmanned Surface Vehicle(USV) Based on Back-propagation Neural Network（BPNN）》", 《PROCEEDINGS OF THE 2016 4TH INTERNATIONAL CONFERENCE ON MECHANICAL MATERIALS AND MANUFACTURING ENGINEERING》 * |
| 曾文静: "《基于光视觉的无人艇水面目标检测与跟踪研究》", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李畅: "《水面目标检测与识别算法研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033050A (zh) * | 2019-04-18 | 2019-07-19 | 杭州电子科技大学 | 一种水面无人船实时目标检测计算方法 |
| CN110118788A (zh) * | 2019-04-30 | 2019-08-13 | 东南大学 | 水下结构病害检测接触式视觉传感设备及图像处理方法 |
| CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻系统以及水面监测方法 |
| CN110472500A (zh) * | 2019-07-09 | 2019-11-19 | 北京理工大学 | 一种基于高速无人艇的水面视觉目标快速检测算法 |
| WO2021073528A1 (zh) * | 2019-10-18 | 2021-04-22 | 华中光电技术研究所（中国船舶重工集团有限公司第七一七研究所） | 一种无人艇智能决策方法及系统 |
| US12072705B2 (en) | 2019-10-18 | 2024-08-27 | Central China Optoelectronic Technology Research Institute | Intelligent decision-making method and system for unmanned surface vehicle |
| CN111898702A (zh) * | 2020-08-14 | 2020-11-06 | 海之韵(苏州)科技有限公司 | 一种基于深度学习的无人艇环境智能感知方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109117838B (zh) | 2021-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109117838A (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
| CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
| CN105022990B (zh) | 一种基于无人艇应用的水面目标快速检测方法 | |
| CN109655825A (zh) | 多传感器融合的数据处理方法、装置与多传感器融合方法 | |
| CN108509954A (zh) | 一种实时交通场景的多车牌动态识别方法 | |
| CN109460709A (zh) | 基于rgb和d信息融合的rtg视觉障碍物检测的方法 | |
| CN107145845A (zh) | 基于深度学习及多特征点融合的行人检测方法 | |
| CN106446930A (zh) | 基于深层卷积神经网络的机器人工作场景识别方法 | |
| CN109948418A (zh) | 一种基于深度学习的违反导向违法自动审核方法 | |
| CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
| CN105654067A (zh) | 一种车辆检测方法及装置 | |
| CN108985170A (zh) | 基于三帧差分法及深度学习的输电线路悬挂物识别方法 | |
| CN108596102A (zh) | 基于rgb-d的室内场景物体分割分类器构造方法 | |
| Bonin-Font et al. | Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv | |
| CN106909886A (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
| CN109766823A (zh) | 一种基于深层卷积神经网络的高分辨率遥感船舶检测方法 | |
| CN114926747A (zh) | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 | |
| CN106874929A (zh) | 一种基于深度学习的珍珠分类方法 | |
| CN112418028A (zh) | 一种基于深度学习的卫星图像中船舶识别与分割方法 | |
| CN109583349A (zh) | 一种用于在真实环境对目标车辆的颜色进行识别的方法及系统 | |
| CN109708658A (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
| CN111079675A (zh) | 基于目标检测与目标跟踪的行驶行为分析方法 | |
| Malini et al. | An automatic assessment of road condition from aerial imagery using modified VGG architecture in faster-RCNN framework | |
| CN105404866B (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
| CN114812398A (zh) | 一种基于无人机的高精度实时裂缝检测平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |