摘 要摘 要 随着国内外自主式水下航行器研究的不断深入，水下机器人不仅是海洋开发领域的一个军事任务，而且具有商业和民用的双重用途。为水下机器人搭建摄像系统，并且设计一套水下目标检测与识别算法已经成为人工智能化的一个重要课题。本文重在介绍了卷积神经网络的基本含义，将卷积神经网络模型运用在水下目标检测与识别任务中，主要工作如下概述了深度学习和卷积神经网络的背景意义和发展现状，图像预处理的基础知识。搭建了水下目标摄像系统的硬件平台，设计并实现了基于RaspberryPi的图像采集与存储系统。系统通过USB网络摄像头图像采集套件获取实时视频图像序列，采用Linux操作系统以及Socket库函数进行图像数据的无线传输，经过以太网接口将处理的数据及时传输到PC机端，PC机上将显示视频的实时处理成果。最后，将卷积神经网络方法应用于水下目标图像的检测与识别，解决了图像识别中一般性问题，分类类别过多、数据量过大、识别率较低等问题。 实验结果表明，卷积神经网络可以很好地应用于水下潜艇的检测和识别。训练样本数小时，网络结构对实验性能有重要影响。此外，可以通过样本扩充的方法提高实验的性能。 关键词水下机器人 深度学习 数据传输 卷积神经网络 图像识别
目 录
第一章 绪论 1
1.1 研究背景 1
1.2 研究的目的与意义 2
1.3.1 深度学习的发展及其研究现状 3
1.3.2 卷积神经网络的发展及其研究现状 5
1.4 主要研究工作及章节安排 7
1.4.1 主要研究工作 7
1.4.2 论文章节安排 7
第二章 水下摄像系统结构设计 9
2.1 引言 9
2.2 系统主要硬件设备 9
2.2.1 RaspberryPi硬件平台的介绍 9
2.2.2 USB网络摄像头 10
2.2.3 系统硬件搭建 10
2.3 图像采集模块设计 11
2.3.1 硬件设计 11
2.3.2 软件设计 11
2.4 无线传输模块设计 12
2.5 小结 14
第三章 水下图像处理与分
 *51今日免费论文网|www.jxszl.com +Q: @351916072@ 
析 15
3.1 引言 15
3.2 水下图像特征 15
3.3 图像预处理 15
3.3.1 图像分割 15
3.3.2 图像灰度化 16
3.4 运动目标检测 18
3.5 小结 19
第四章 卷积神经网络 20
4.1 引言 20
4.2 卷积神经网络的网络结构 20
4.2.1 卷积层 21
4.2.2 子采样层 22
4.3 卷积神经网络算法 23
4.4 卷积神经网络的训练 26
4.4.1 卷积神经网络的参数初始化 26
4.4.2 卷积神经网络的代价函数 27
4.4.3 卷积神经网络的训练过程 27
4.4.4 卷积神经网络的训练技巧 28
4.5 CNN的应用 29
4.6 小结 30
第五章 基于卷积神经网络的水下目标识别的实验研究 31
5.1 引言 31
5.2 系统实现 31
5.2.1 开发环境的搭建 31
5.2.2 运行环境的搭建 31
5.3 实验过程 33
5.3.1 摄像系统运行结果 33
5.3.1 水下目标的检测与识别结果 35
5.4 实验结果的讨论 38
5.5 小结 38
第六章 总结与展望 40
6.1 总结 40
6.2 展望 40
致 谢 42
参 考 文 献 43
第一章 绪论
1.1 研究背景
从20世纪70年代开始，世界上有很多国家开始研发制造具有不同性能和不同结构的水下机器人，到目前为止，军事和商业方面已经应用了成千上万种水下机器人，由此可见水下机器人在海洋资源开发方面的作用不可小觑。现在最新一代的机器人是自主式水下机器人(Autonomous Underwater Vehicle,AUV)，如图11所示，水下机器人的视觉分辨能力关乎到获取水下信息，完成各种任务的效率，所以水下机器人在搜集图像、检测目标、识别目标等方面愈来愈重要。
/
图11 水下机器人
由于光在水中的传输衰减效应容易影响水下机器人的视觉系统，所以水下机器人在水下工作时，它的视觉系统在水中的能见视程相对而言比较低，一般情况下，水平方向水中能见视程仅仅是在大气中能见视程的
；如果是在海洋环境中，那么它的能见视程只会更低，只有几米至几十米[1]。另外，在不同光照条件下，水下机器人的视觉系统也容易受到水流以及悬浮物等其他因素的影响，通常情况下水下机器人采集到的水下目标图像并不只是目标信息，还包含着其他一些不相关的信息，而且这些信息冗余、庞杂、不可加，对水下干扰和噪声也非常敏感[2][3]。
在过去的几年中，深度学习(Deep Learning,DL)[4][5]发展迅速，取得了巨大的成功。深度学习的概念来源于人工神经网络(ArtificialNeural Network,ANN)[6]的钻研与发展。为了表示语音、文本和图像等数据[7]，深度学习需要模拟人脑的工作机制。随着深度学习技术的迅速发展，实现人工智能变得有可能。微软、Google、百度等公司都纷纷开始组建团队深入探索和钻研深度学习，另外深度学习被广泛应用于语音识别、自动驾驶、人像识别等生活中常用场景，并且取得了巨大进展。特别是在图像应用方面，在当代互联网公司，检索类似的图片、自动标注、人脸识别中发挥着不可替代的作用。
目标检测是机器视觉领域一个非常重要的研究问题，是一种计算机视觉技术，具体原理就是从图像和视频中定位指定目标物体。统计机器学习的方法可以自动的从给予的训练样本集中提取到某些具有区分力的特征，通过这些特征扫描输入图像从而定位目标。目标检测算法实际上是仿照了人脑认知事物的工作机制，并且与人工设计特征模板的方法相比较而言，具有很好的鲁棒性，对于相对复杂的环境具有更好的适应能力。因此目标检测一经提出就受到了科学和工业界的广泛关注[8]。
此外，图象收集与传输的技术正在成长前进的路上，图像采集体系也渐渐发展成熟，它的使用范畴也在逐渐扩张。当代图像采集系统的主要应用于远程地点和重要区域的监测和控制，比如说在治安、高速公路等领域都有着无足轻重的地位。而无线数据传输技术则广泛地应用于车辆监控、数字图象传输及身份识别等范畴中。
最重要的一点是，嵌入式作为当今最为火热的概念之一，近几年来发展迅猛，因此为图像采集与存储系统的发展供给了无穷的动力。最新一代的视频监控是全数字化网络视频监控，其主要的发展方向就是嵌入式，也就是说通过对一端的硬件开发板进行视频图像编码，然后通过流媒体技术将编码后的视频图像通过网络传输到PC端，PC端将视频图像解码后就可以实时显示监控内容。在这个视频监控系统中，所有的摄像头和开发板都可以无线或有线连接到网络上实现远程数据传输。

原文链接：http://www.jxszl.com/dzxx/txgc/80563.html