当前位置:主页 > 科技论文 > 船舶论文 >

基于机器视觉的海上可疑船舶识别研究

发布时间:2020-10-18 11:34
   我国是海洋大国,海洋科技的开发日趋成熟,海上交通工具、作业工具设备也逐步与科学技术相结合,走向智能化发展的道路。科技是把双刃剑,海洋科技的进步引领我国走向世界的同时也使的很多意图获取海洋资源的不法分子的手段越来越多,如:作业机械手、机器人等先进智能技术都被利用获利。近年来,非法盗捞海上古文物、海沙等重要海洋资源时有发生,为了保护海洋资源不受破坏,应当充分利用现有信息技术,结合物联网大数据、机器视觉技术和卫星监控等,建立一套海上资源监控系统,对可疑作业船舶进行实时监控。本文以古文物监控为实例介绍海上监控系统,为了有效地保护和开发海洋资源,基于机器视觉技术、图像处理技术、运动目标检测及跟踪技术对可疑船舶在其专属经济区以及我国周边城市的临近海域的航行时间、位置特征信息进行检测识别,经过分析比较得到更多有关该船只的分布、速度、航向及航迹规律等信息,积极参与海上安防事业的发展,更好的保护我国的海洋资源。本课题采用实验与数值模拟的方法,对某一海域资源保护进行海上船舶视频监控,对某些非法船舶盗挖海沙或盗捞水下古文物行为特征进行分析比较,通过卫星或者GPRS技术构建一个海上视频采集平台,包括设备存放处、电能提供处和视频监控处三部分,风能、太阳能及潮汐能是该平台的主要电力来源。并对基于机器视觉的海上可疑船舶识别算法进行研究,结合背景差分法提出一套基于时间和往复运动的可疑船舶判别标准,采用均值漂法实现船舶跟踪技术,包括船舶识别检测方面的研究。
【学位单位】:浙江海洋大学
【学位级别】:硕士
【学位年份】:2019
【中图分类】:U675.79
【部分图文】:

异常识别,轨迹线


包括宽高比、分散度,外部轮廓等参数,结合实际情况进行分类。基于船舶运动特征分类该方法主要是根据目标船舶运动的频率来进行检测识别,运动的周期与时存在自相关的关系。当未知船舶长时间往复运动于同一海域时,认为目标可疑行为。)基于船舶轨迹分类 轨迹点,由点来观察船舶轨迹,所有轨迹点组成一个点集,当目标不在点集范围内,整体轨迹偏离,或位置较为偏远,认为是异常点,以此舶轨迹异常。基于轨迹点的检测方法很早便被使用,操作性强,易于实现效果一般。如图 2-1 A 图所示,目标轨迹点在点集范围内,但整体轨迹偏存在异常。 轨迹线,具有时间特征的轨迹点组成轨迹线,轨迹线的判断是根据迹线与其他轨迹线之间的距离进行,当偏离角度较大时,认为目标船舶轨如图 2-1 B 图所示。A

流程图,船舶识别,流程图


11图 2-2 可疑船舶识别流程图Fig 2.2 Suspicious ship identification flow chart对图 2-2 可疑船舶识别流程图分析如下:图像预处理:目标图像在采集过程中出现损伤或污染而需进行处理,提升图片质量;本课题在研究过程中,通过图像灰度化、图像滤波来降低干扰,采用的滤波方法是 3×3 均值滤波和中值滤波法,保证数据的完整性。图像分割:分析阈值分割,双峰法和背景差分法等几种方法的特点,原理是从原图像中分割出目标图像,进行处理,提升数据的精确性。目标检测:包括图像预处理、图像增强、图像分割等几方面,本文基于实验与

灰度图


由于在采集、传输、存储的过程中,图像易受到损坏或噪声污染,导致图或降低质量,不利于数据分析,影响实验结果。所以图像处理之前需先进行,通过图像增强、滤波,能有效减少图像的无用信息,提升图片质量,使得变得清晰。通过本次实验搭建的海上监控平台采集雾天船舶图像,进行图像处理。先图像进行灰度化处理,获得灰度图像。1.1 图像灰度化实验过程中,对航行船舶优先进行视频采集,后期图像处理所需数据再通像开始目标处理,一般摄像机拍摄基于 RGB 模型生成彩色图像,而相比于像,彩色图像的信息含量更高,计算机的运算速度变低,存储容量需求高等缺要进行图像灰度化,把视频图像转化成灰度图,若计算效率依然较低,可以行图像转化,灰度图转化成二值图[22]。本次实验只需进行一次图像灰度化就下图所示,图 3-1 是目标船舶图像转化之后的灰度图,图 3-2 是其灰度直方以看出实验中视频采集光线较亮。
【相似文献】

相关期刊论文 前10条

1 ;机器视觉对线缆市场的影响及趋势[J];功能材料信息;2018年04期

2 郑植;席先鹏;王楠;蒋欣燎;夏山淋;;机器视觉在网球捡球机器人中的应用研究[J];科技创新与应用;2019年16期

3 宋春华;彭泫知;;机器视觉研究与发展综述[J];装备制造技术;2019年06期

4 田壮;刘富成;;基于机器视觉的果园喷药机器人设计[J];湖北农机化;2019年16期

5 迎九;;国内机器视觉产业的技术市场[J];电子产品世界;2019年09期

6 朱阳芬;银冬平;邹舜章;王海文;周为;;机器视觉在汽车行业中的发展与应用[J];汽车实用技术;2017年22期

7 吴东明;王丽娟;;基于GPS和机器视觉的自主导航定位农机设备研究[J];农机化研究;2018年02期

8 ;机器视觉时代,最好的时代![J];智能机器人;2018年02期

9 宗卫红;;台达机器视觉系统助力制造业迈向智造新时代——访台达集团-中达电通机器视觉产品项目经理王风路[J];国内外机电一体化技术;2016年06期

10 何遥;;宇视揭秘安防机器视觉[J];中国公共安全;2016年19期


相关博士学位论文 前10条

1 侯杰;飞行器机器视觉框架设计及算法研究[D];西安电子科技大学;2017年

2 郭依正;基于机器视觉的俯视群养猪个体识别与饮水行为分析研究[D];江苏大学;2018年

3 李晨;基于机器视觉的不同属性表面中微弱缺陷的检测技术研究[D];浙江大学;2018年

4 陶丹;基于机器视觉的家蚕蛹雌雄识别研究[D];西南大学;2019年

5 胡志新;基于机器视觉的钢轨踏面磨耗剥落检测技术研究[D];南昌大学;2018年

6 吴衡;机器视觉鬼成像理论与实验研究[D];华南理工大学;2017年

7 项森伟;高温单晶硅液位和直径视觉检测关键技术及应用研究[D];浙江大学;2018年

8 胡越黎;目的机器视觉研究及其在皮肤症状识别中的应用[D];上海大学;2005年

9 韩彦芳;机器视觉中的聚类检测新方法[D];上海交通大学;2006年

10 饶洪辉;基于机器视觉的作物对行喷药控制系统研究[D];南京农业大学;2006年


相关硕士学位论文 前10条

1 孙颖;机器视觉用于燃料粒度在线检测研究[D];山西大学;2019年

2 王政衍;六头一体毛砂式打磨设备的性能改进研究[D];上海交通大学;2018年

3 区则君;机器视觉手势交互的空间映射关系与点击精度研究[D];华南理工大学;2019年

4 汪聪;基于机器视觉的菜品智能识别技术研究[D];华南理工大学;2019年

5 刘文涛;基于机器视觉的浮选泡沫静态参数研究[D];华北理工大学;2019年

6 李洋洋;基于机器视觉的齿轮齿廓测量方法研究及实现[D];电子科技大学;2019年

7 马丽雅;机器视觉空间标定与目标定位算法在自动包装技术中的应用[D];温州大学;2019年

8 张玉苗;基于机器视觉的弹簧测量系统的研究与实现[D];聊城大学;2019年

9 杨凡;基于机器视觉的木皮在线分选检测系统[D];济南大学;2019年

10 董楠;基于机器视觉的衡器计量数据识别系统[D];济南大学;2019年



本文编号:2846246

论文下载
论文发表

本文链接:http://www.bigengculture.com/kejilunwen/chuanbolw/2846246.html

上一篇:典型近海巡逻舰雷达波隐身仿真研究  
下一篇:没有了
分享