無人機(jī)（UAV）飛行器在各個領(lǐng)域的使用逐漸普遍化,但由于無人機(jī)監(jiān)管體系不健全導(dǎo)致各國頻發(fā)威脅公共安全的事件,研發(fā)一套自動無人機(jī)檢測系統(tǒng)顯得尤為重要。雷達(dá)、紅外、聲波等檢測方式都應(yīng)用到了無人機(jī)檢測系統(tǒng)中,但在特定條件下各自都存在檢測缺陷。為此本文提出使用圖像識別的方式,基于深度學(xué)習(xí)的方法來對無人機(jī)進(jìn)行實(shí)時檢測。本文結(jié)合無人機(jī)檢測問題從以下幾個方面展開研究:1.本文為了更好的得到無人機(jī)檢測算法的設(shè)計思路,結(jié)合可變形部件模型算法來實(shí)施無人機(jī)檢測算法研究,使用傳統(tǒng)滑窗法來實(shí)現(xiàn)無人機(jī)識別,并通過改進(jìn)融合跟蹤算法實(shí)現(xiàn)無人機(jī)實(shí)時性跟蹤。接著對區(qū)域提名的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行研究,對網(wǎng)絡(luò)架構(gòu)進(jìn)行改進(jìn),提升整體識別性能和小目標(biāo)無人機(jī)識別效果,最終實(shí)現(xiàn)無人機(jī)檢測。為后續(xù)高精度和高效率無人機(jī)識別算法提供更好的研究思路。2.本文通過采用深度學(xué)習(xí)的方式,使用深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對無人機(jī)的檢測,解決傳統(tǒng)算法的泛化能力弱,魯棒性表現(xiàn)差,實(shí)時性差和準(zhǔn)確率不高的問題。由于未發(fā)現(xiàn)公開的旋翼無人機(jī)標(biāo)準(zhǔn)數(shù)據(jù)集,使用相機(jī)拍攝呈現(xiàn)多種飛行姿態(tài),不同飛行高度,不同環(huán)境背景下的無人機(jī)視頻序列,然后制作了包含11797有效的無人機(jī)樣本數(shù)據(jù)集,...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景及研究意義
    1.2 國內(nèi)外研究現(xiàn)狀及發(fā)展
        1.2.1 使用其它技術(shù)的無人機(jī)檢測現(xiàn)狀
        1.2.2 使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)無人機(jī)檢測
    1.3 課題研究內(nèi)容
    1.4 主要研究內(nèi)容及組織
第二章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識介紹
    2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的特征
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的重要技術(shù)
    2.4 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程
        2.4.1 前項(xiàng)傳播
        2.4.2 反向傳播
    2.5 深度學(xué)習(xí)開發(fā)工具
    2.6 本章小結(jié)
第三章 基于區(qū)域提名的無人機(jī)檢測算法
    3.1 基于傳統(tǒng)算法的無人機(jī)檢測研究
        3.1.1 目標(biāo)檢測流程
        3.1.2 無人機(jī)DPM模型
        3.1.3 無人機(jī)檢測效果
    3.2 目標(biāo)候選區(qū)域算法選擇
        3.2.1 選擇性搜索法
        3.2.2 區(qū)域候選網(wǎng)絡(luò)
    3.3 多任務(wù)損失函數(shù)
    3.4 無人機(jī)位置回歸器微調(diào)
    3.5 無人機(jī)檢測網(wǎng)絡(luò)加速優(yōu)化
        3.5.1 引入ROI池化加速
        3.5.2 全連接提速過程
    3.6 無人機(jī)檢測網(wǎng)絡(luò)架構(gòu)優(yōu)化
    3.7 區(qū)域提名網(wǎng)絡(luò)模型對比
    3.8 本章小結(jié)
第四章 基于改進(jìn)的卷積網(wǎng)絡(luò)無人機(jī)檢測算法
    4.1 網(wǎng)絡(luò)的整體架構(gòu)
    4.2 無人機(jī)樣本增強(qiáng)設(shè)計
    4.3 邊界框預(yù)測方法設(shè)計
        4.3.1 錨點(diǎn)生成過程
        4.3.2 邊界框預(yù)測及生成
        4.3.3 邊界框預(yù)測方法優(yōu)化
    4.4 損失函數(shù)優(yōu)化設(shè)計
    4.5 多尺度檢測研究
        4.5.1 多尺度樣本訓(xùn)練
        4.5.2 多尺度目標(biāo)檢測
    4.6 預(yù)測框過濾設(shè)計
    4.7 無人機(jī)分類預(yù)測
    4.8 模型訓(xùn)練參數(shù)和優(yōu)化
        4.8.1 網(wǎng)絡(luò)模型參數(shù)設(shè)置
        4.8.2 自適應(yīng)學(xué)習(xí)率優(yōu)化選型
        4.8.3 無人機(jī)模型訓(xùn)練結(jié)果
    4.9 本章小結(jié)
第五章 實(shí)驗(yàn)平臺搭建和結(jié)果評估
    5.1 實(shí)驗(yàn)平臺環(huán)境搭建
    5.2 無人機(jī)數(shù)據(jù)集
    5.3 樣本訓(xùn)練
    5.4 實(shí)驗(yàn)結(jié)果評估和分析
        5.4.1 無人機(jī)檢測效果
        5.4.2 改進(jìn)后與未改進(jìn)的算法比較
        5.4.3 改進(jìn)后的與其他算法比較
    5.5 無人機(jī)檢測系統(tǒng)應(yīng)用
        5.5.1 無人機(jī)檢測系統(tǒng)結(jié)構(gòu)
        5.5.2 無人機(jī)檢測系統(tǒng)軟件
    5.6 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 未來研究展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果



本文編號：4046425