摘 要

随着计算机、大数据、通信、人工智能等技术的发展与应用，船舶的智能化发展迅速，成为了未来船舶发展的主要方向。而智能船舶想要实现智能航行功能，就必须依靠环境感知技术的支撑。在基于雷达、红外线、声纳和可见光这四种环境感知技术中，可见光因为其丰富的信息、日趋成熟的技术和低廉的价格等优势，是四种环境感知技术中最具有发展潜力的。本文基于可见光图像对环境感知中的目标检测方法进行了研究，所做的主要工作包括：

（1）对智能船舶的发展以及智能船舶的体系进行了简要的归纳和总结，对比了不同环境感知技术的优缺点，阐明了基于可见光的环境感知技术的巨大优势和发展潜力，了解了常用的可见光视觉传感器及其类型。

（2）通过可见光视觉传感器收集和传输的可见光图像可能会被噪声污染，或者因为光照原因产生目标灰暗的现象，这将严重影响目标检测的效果。针对这些问题，本文研究了水面图像的预处理技术，包括去噪方法和图像增强方法，通过实验定性地分析了不同方法之间的优缺点。实验结果表明水面可见光图像经过预处理后，噪声污染和目标昏暗问题能得到明显的抑制，为后续目标检测的开展做了铺垫。

（3）针对水面图像的目标检测，首先简述了目标检测的概念和原理，介绍了传统的目标检测方法，分析了其在特征设计、模型泛化等方面的不足，从而引出了目前广泛使用的基于卷积神经网络的目标检测方法，并介绍了卷积神经网络的原理，典型结构。设计了分类实验，对比了三种卷积神经网络在特征提取上的计算复杂度和表达能力上的差异。然后对基于卷积神经网络的目标检测方法中两种主流的方法，基于候选框的目标检测方法和基于回归的目标检测方法进行了理论上的分析和对比。最后在tensorflow平台上设计了一系列实验，对比了典型的基于候选框的目标检测方法Faster R-CNN和典型的基于回归的目标检测方法SSD在检测水面可见光图像上精度和实时性的差异，得出了一些结论，为后续智能船舶目标检测技术的发展提供了建议。

关键词：智能船舶；可见光图像；目标检测；卷积神经网络

Abstract

With the wide popularization of computer science, big data technology, communication technology, artificial intelligence and etc, the development of intelligent ships is accelerating, becoming the main direction of ship development. In order to realize the function of intelligent navigation, intelligent ships must rely on the support of environment perception technology. Among the four environment perception technologies based on radar, infrared ray, sonar and visible light, visible light has the most potential for development because of its rich information, increasingly mature technology and a relatively low price. This paper studies the object detection methods of environmental perception based on visible image. The main work includes:

(1) The development and system of intelligent ship are briefly summarized, the advantages and disadvantages of different environmental perception technologies are compared, the great advantages and development potential of environmental perception technology based on visible light are clarified, and the common visible light sensors and their types are understood.

(2) Visible light image collected and transmitted by visible light sensor may be polluted by noise, or the target will be dark because of illumination, which will greatly affect object detection. To solve these problems, this paper studies the image preprocessing technologies, including image denoising and enhancement method, through the experiments we qualitatively analyzes the advantages and disadvantages between different methods, and the experimental result shows that the image after preprocessing, the noise pollution and the target problem can get obvious inhibition, which will be a great help for object detection.

(3) For object detection in water surface image, first the paper analyzes the concept and principle of object detection, introduces the traditional way of object detection, then analyzes its shortcoming on feature design, model generalization and etc in order to introduce object detection method based on convolution neural network, then states the principle of convolution neural network and its typical structures. Afterward, two main methods of convolutional neural network object detection, target detection based on prediction box and target detection based on regression, are analyzed and compared theoretically. Finally the paper designed a series of experiments on tensorflow platform, compares the typical object detection method based on prediction box—Faster R-CNN and typical object detection method based on regression—SSD in the differences of accuracy and real-time while detecting water surface visible images. Some conclusions and advise are drawn for the development of object detection technology used in intelligent ships.

Key words: Intelligent ships；Visible images；Object detection；Convolutional Neural Network

目 录

第一章 绪 论 1

1.1 课题的背景意义 1

1.2 智能船舶感知技术简介 2

1.3 国内外研究现状 3

1.3.1智能船舶 3

1.3.2可见光图像目标检测方法 4

1.4 研究内容与论文结构 5

第二章 水面可见光图像预处理 6

2.1 引言 6

2.2 水面图像去噪方法研究 6

2.2.1水面图像噪声分析 6

2.2.2常用的去噪方法分析 7

2.2.3去噪方法总结 11

2.3 水面图像增强方法研究 11

2.3.1直方图均衡化增强 11

2.3.2局部直方图均衡化增强 12

2.4 本章小结 13

第三章 可见光图像目标检测方法 14

3.1 目标检测方法概述 14

3.2 传统目标检测方法 15

3.3 深度神经网络 15

3.3.1 神经元 15

3.3.2 单层神经网络 17

3.3.3 两层神经网络 18

3.3.4 深度神经网络 19

3.4 卷积神经网络 19

3.4.1 基本结构 20

3.4.2 卷积层 20

3.4.3 池化层 22

3.5 几种典型的卷积神经网络 23

3.5.1 Alexnet 23

3.5.2 VGG 23

3.5.3 GoogLeNet 24

3.6 卷积神经网络分类实验 25

3.6.1 实验目的 25

3.6.2 实验数据集 25

3.6.3 实验设置 25

3.6.4 实验结果分析 26

3.7 本章小结 27

第四章 基于卷积神经网络的目标检测方法 28

4.1 基于候选框的目标检测方法 28

4.1.1 Faster R-CNN的基本原理 28

4.1.2 Faster R-CNN的特殊结构 29

4.2 基于回归的目标检测方法 29

4.2.1 SSD的通用网络结构 30

4.2.2 SSD的特征 30

4.3 神经网络的训练方法 31

4.3.1 误差反向传播 31

4.3.2 优化算法 32

4.4 防止过拟合技术 34

4.4.1 正则化方法 34

4.4.2 Dropout技术 35

4.4.2 图像数据增强方法 35

4.5 目标检测的评估原理 35

4.5.1 网络模型的精确度评估 35

4.5.2 网络模型的实时性评估 36

4.6 实验结果与分析 37

4.6.1 tensorflow简介 37

4.6.2 实验数据集 37

4.6.3 实验方案 38

4.6.4 实验结果 38

4.6.5 实验分析 40

4.7 本章小结 40

第五章 总结与展望 41

5.1 本文工作总结 41

5.2 工作展望 41

参考文献 43

致谢 46

第一章 绪 论

1.1 课题的背景意义

在世界经济全球化的今天，各国间的商贸往来日益增多，货物运输量持续增加，对货物运输方式的要求也越来越高。水路运输由于具有运价低、运量大的优势，在世界货物运输中占有越来越重要的地位。目前，95%以上的原油运输和99%以上的铁矿石运输是依赖于水路的^[1]。但随着船只的增多和航线的日益繁忙，航道愈加拥挤，船舶运营的人工成本不断攀升，船只安全事故频发，船舶污染日益加剧，如何解决目前船舶运营所产生的这些问题逐渐成为业界的关注重点。近年来随着通信、控制、计算机、大数据、人工智能等新兴技术的迅猛发展，船舶的智能化研究与发展不断取得突破，使得真正实现绿色化、无人化、安全化的智能船舶成为了可能。

目前，智能船舶已被普遍认为是未来船舶发展的大方向，世界各大主要造船企业和船舶研究所已对智能船舶开展了相关的研究。其中中国船级社（CCS）将智能船舶分为六个模块，分别为智能航行、智能船体、智能机舱、智能能效管理、智能货物管理和智能集成平台^[2]。智能航行作为智能船舶的一个子模块，在实现船舶无人化和提高船舶安全性方面具有重要意义。智能航行是指利用计算机技术、控制技术等对感知和获得的信息进行分析和处理，对船舶航路和航速进行设计和优化；可行时，借助岸基支持中心，船舶能在开阔水域、狭窄水道、复杂环境条件下自动避碰，实现自主航行^[2]。智能航行功能的实现首先依赖于底层的前端感知系统提供的周围环境信息和船舶自身信息，然后根据获取的信息来对船舶的航线和航速进行设计和优化^[3]。

船舶自身信息的感知比较容易实现，而周围环境的感知是目前学界讨论较多的技术难点。常用的环境感知技术有四种，第一种是基于雷达技术的目标检测，但雷达体积庞大，价格昂贵，适合检测超视距大目标，对近距离目标和高速运动目标的精度较差；第二种是基于声呐技术的目标检测，主要用于水下环境；第三种是基于红外线技术的目标检测，作用范围大，可全天24小时作业，但受温度的影响较大，图像噪声严重；第四种是基于可见光图像的目标检测，与上面三种方法相比，可见光图像更加真实清晰，能够提取的细节和信息远远多于前述的三种技术，并且目前基于深度学习的可见光图像目标检测技术飞速发展，在人脸识别，和无人驾驶等领域取得了成功的应用^[4]。

视觉，是人类接受外界信息的主要媒介，而机器视觉将是未来智能船舶感知环境的主要途径^[5]。一般认为，视觉的作用是通过对二维图像的理解来构建感知体周围的三维空间环境，对于智能船舶而言，通过对水面可见光图像的理解，感知船舶周围复杂的环境，从而为智能船舶后续的决策和运动控制提供科学依据。

1.2 智能船舶感知技术简介

智能船舶的环境感知技术是指船舶能获取所处环境中的环境参数及周围动态、静态物体的相对距离、角度及运动状态等信息，从而为船舶智能航行提供信息支持。根据其信息来源可将环境感知技术分为主动感知和被动感知。主动感知是指不借助其他人类或机器个体，仅通过自身设备对环境的认知行为；而被动感知则是通过通信手段获取其他设备捕获的信息，或由人工输入环境数据。目前被广泛研究及使用的多为主动感知技术。

主动感知技术是计算机视觉中重要的技术，它是依据人类视觉的“主动性”而提出的，所谓人类视觉的主动性体现在两个方面：一是视角的多变性。即人类是全方位观察物体的，通过改变观察方向、观察距离以及范围等来完成；二是个体的选择性。个体会依据自己的兴趣，选取自己感兴趣的部分作为研究内容，不感兴趣的部分则会自动剔除^[6]。

在智能船舶中，视角的多变性可以通过设置多个摄像头，控制其焦距、光圈等参数实现，个体的选择性则可以在图像处理中通过目标检测技术选定目标区域来实现。

船舶主动感知技术的研究主要集中在对雷达图像处理和可见光图像处理。随着深度学习等技术的发展，以及两种图像本身的特点，目前对可见光图像的研究越来越热。

雷达是一类利用无线电磁波反射原理对目标定位的电子设备，通过向目标物体发射电磁波并接收其反射后的回波，来确定探测点与目标之间的距离、方位以及目标的运动方式。根据雷达发射的无线电磁波的频率不同，可以将无线电磁波分为不同的种类，其中应用比较广泛的有毫米波雷达、激光雷达和超声波雷达等。

毫米波雷达发射的毫米波通常在30～300GHz频域(波长为1～10mm)，与其他频率的电磁波相比，其穿透能力和抗干扰能力更强，因而使得毫米波雷达具有全天候全天时工作的特点。

激光雷达与普通微波雷达相比，使用了频率较高的激光束，具有很多优势，例如激光雷达获取的图像分辨率更高，激光雷达设备体积更小、质量更轻。但激光雷达的工作效果受天气和大气影响很大，在下雨、浓雾等不良天气条件下，激光束的衰减会急剧增大，传播半径大幅减小，从而使得激光雷达的工作范围大幅减小。

雷达由于其庞大的体积、不菲的造价，以及获取到的图像中信息的匮乏，使得其在发展了几十年后，依然不能很好地满足智能航行对于环境感知的要求。随着人工智能、深度学习等领域的快速发展，越来越多的学者认为，基于可见光图像的感知技术将成为未来智能船舶环境感知的核心。

可见光是电磁波谱中人眼能感知的部分，一般认为其波长为400至760nm。人们为了模拟可见光图像，提出了RGB色彩模型，即通过对红(R)、绿(G)、蓝(B)三个颜色通道的相互叠加来得到各种各样的颜色。这个标准几乎包括了人类所能感知的所有颜色，是目前运用最为广泛的颜色系统，可见光经过视觉传感器采集后均会被转换成RGB彩色数字图像^[7]。

视觉传感器是收集可见光图像的核心设备，它的优点是价格便宜、体积重量均较小，并且收集的信息比雷达要丰富得多，是智能船舶检测周围目标的关键数据来源。

目前视觉传感器一般分为单目摄像头、双目摄像头和多目摄像头。单目摄像头是使用单个摄像头收集和处理视觉信息，而双目摄像头则是类似于“人眼”，采用两个摄像头共同完成视觉信息的收集和处理，多目摄像头则是采用多个摄像头共同工作。在环境感知技术的实际应用中，单目摄像头的使用最为广泛，双目摄像头次之，多目摄像头还在实验和研发中。单目摄像头因为其技术成熟，造价低廉，体积最小，安装最为方便，计算量最小，在目标检测领域长期占据霸主地位，有很多的公司研发了各种型号的单目摄像头。本文目标检测方法的研究与仿真将基于单目摄像头采集的RGB彩色水面图像。

1.3 国内外研究现状

1.3.1智能船舶

早在2006年，欧洲就开始着手智能船舶的研究，他们将信息和通信技术应用于传统的内河航运管理系统，开发了一套内河航运综合信息系统（RIS），实现了高效、安全、环保的内河航运，并引起了航运界对于船舶智能化的关注^[8]。此后的十几年间，以欧盟为主导的政府机构又开展了蒙娜丽莎工程，海上无人导航系统开发计划（MUNIN）等智能船舶研发项目；以罗罗公司，英国劳式船级社为代表的欧洲企业以及研究机构发起了智能船舶应用项目（AAWA），无人船舶自主避碰项目（Robust MachineExecutable COLREGs for Marine Autonomous Systems，MAXCMAS）等具有前瞻性的研究，并计划到2020年实现船舶远程支持和操作来减少船员数量，到2025年实现近海航区船舶的远程控制，到2030年实现远海航区船舶的远程控制，最终在2035年实现无人船舶^[9]。

日韩关于智能船舶的研究比欧洲落后，并且不同于欧洲注重于理论的研究，日韩的研究侧重于如何在现有船型中引入智能船舶的理念及其相关的技术。比如韩国现代重工与韩国电子通信研究院（ETRI）在2011年共同开发并建造了一百多艘所谓的“智能船舶”，仅将智能系统应用于实船，只是实现了船舶状态的远程监控功能，船舶的智能化程度比较低^[10]。2015年，现代重工在先前的基础上与埃森哲合作开发了互联智能船舶，并于2016推出Ocean Link智能船舶系统，系统整合了船舶数据模型和互联服务平台，是一个支持船东、航运公司、港口运营商相互间信息交换和整合的全价值链船舶运营优化平台^[11]。日本的研究更多地注重智能导航等船舶智能系统的研发。2014年，日本船舶机械与设备协会（JSMEA）牵头开展了智能船舶应用平台研制项目（SSAP），该项目主要是解决智能导航问题，为船舶提供自选的最优航线和航速，避免撞船危险^[12]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：