载人潜水器水下摄像信息识别技术研究

摘要

深海环境蕴藏丰富的生物及矿产资源，摄像技术是研究深海生物多样性以及深海矿产分布等规律一种有效的手段，目前海洋研究机构已经在部分海域定点安装摄像头以实现对海洋的动态检测。然而，海洋研究人员需要对长时间拍摄的深海摄像信息投入大量的时间和精力提取摄像中的目标信息。针对如何高效挖掘水下信息这一问题，本文提出了一项载人潜水器水下摄像信息识别技术研究，该项技术通过对深海摄像信息中具体对象进行特征提取、特征分类从而实现对载人潜水器水下摄像信息的挖掘，具体研究工作如下： （1）针对载人潜水器水下摄像信息提取困难这一问题，提出了一种载人潜水器水下摄像信息识别方法，并围绕该识别技术设计出一款载人潜水器水下摄像信息识别系统软件，将计算机视觉技术及深度学习思想应用于载人潜水器领域。 （2）针对深海图像特点选择了三种不同深度学习识别算法，对三种识别算法原理及结构进行了详细的研究与分析，并通过大量实验数据比较了三种识别算法分别针对单一型和密集型两种不同类型的摄像信息在识别速度及精度两方面的性能。实验结果表明不同识别算法针对相同的载人潜水器水下摄像信息在准确率、识别速度等方面有所差异，最终确定综合性能最好的R-FCN算法为软件识别算法。 （3）设计了载人潜水器水下摄像信息识别系统软件功能方案，实现了图像识别、数据存储、历史查询及人工反演等软件功能。确定了系统整体通讯方案，通过通讯与载人潜水器内其它机载设备通讯，实现了识别的生物信息与地理信息及海文信息的关联，最终实现载人潜水器多信息融合功能。

目录

1绪论

1.1 研究背景和意义

1.2 水下识别技术国内外研究现状

1.3 水下识别主要难点

1.4 本文主要研究内容及章节安排

2 载人潜水器水下摄像信息识别算法研究

2.1 卷积神经网络

2.2 识别算法

2.2.1 SSD算法

2.2.2 Faster R-CNN算法

2.2.3 R-FCN算法

2.3 网络性能分析

2.3.1 SSD_MobileNet网络模型

2.3.2Faster R-CNN_Inception_ResNet网络模型

2.3.3 R-FCN_ResNet网络模型

2.4 本章小结

3 载人潜水器水下摄像信息模型算法实验及分析

3.1 前期工作

3.1.1 训练环境搭建

3.1.2 数据来源及数据筛选

3.1.3 数据集搭建

3.2 模型训练

3.2.1 模型预学习

3.2.2 模型训练及导出

3.3 模型识别效果分析

3.3.1 SSD_MobileNet网络模型实验结果

3.3.2Faster R-CNN网络模型实验结果

3.3.3 R-FCN_ResNet网络模型实验结果

3.3.4 算法比较

3.4 本章小结

4 载人潜水器水下摄像信息识别软件设计及实现

4.1 软件结构设计

4.2 软件通信实现

4.3 功能模块实现

4.3.1 图像识别模块

4.3.2 信息融合模块

4.3.3 数据存储模块

4.3.4 历史查询模块

4.3.5 人工反演模块

4.4 本章小结

5 总结和展望

5.1 本文研究工作总结

5.2 展望

参考文献

致谢

攻读学位期间发表的学术论文目录

声明