内河水路运输中轮廓强化的迁移学习船舰识别系统提升97.79%

本研究聚焦于内河水路运输安全，针对船舰识别系统的需求，提出了一种创新的方法——基于轮廓强化的迁移学习船舰识别。研究背景显示，随着内河运输量的增长，特别是长江货运量居世界首位，确保航行安全变得尤为重要，因此建立一个自动化的船舰识别系统，如通过智能桥墩设备收集船舰图像，然后通过服务器进行实时分析，显得尤为关键。 文献探讨部分介绍了卷积神经网络（CNN）的基础，包括其网络结构，如卷积层用于特征提取，池化层进行数据降维以减少计算负担。特别提到了进阶模型，如VGG、残差网络（ResNet）和密集卷积网络(DenseNet)，这些模型在深度学习领域具有优势，如ResNet通过残差块设计解决了深度网络中的梯度消失问题，而DenseNet则通过密集连接层加强了特征传播。 研究方法的核心是将轮廓强化和迁移学习相结合。首先，通过对船舰图像进行轮廓强化，通过比较相邻像素的差值来突出和增强轮廓特征。这种方法有助于减少背景噪音，使船舰的形状和边缘更加清晰。之后，利用迁移学习，即预先在大规模数据集ImageNet上训练过的ResNet模型，对轮廓强化后的图像进行分类，识别出船舰的类型。全连接层被用来输出分类结果，同时整个网络的权重会根据训练数据进行调整。 实验部分展示了实际应用的效果。研究者使用长江航道局提供的散货船、货柜船和游轮三种船型的图像数据，分别测试了残差网络、VGG网络和密集卷积网络与轮廓强化的结合。结果显示，无论是哪种网络结构，轮廓强化都能显著提高船舰识别的正确率，从原始的考虑轮廓正确率下降到轮廓强化后的显著提升，例如，采用ResNet模型时，正确率达到了97.79%，这证明了轮廓强化方法的有效性。 实验讨论指出，尽管轮廓强化减少了只依赖轮廓信息的识别性能，但整体上提高了识别系统的准确性。结论部分强调了轮廓强化在迁移学习船舰识别中的重要作用，它不仅提升了识别精度，而且适用于各种类型的卷积神经网络模型，为内河水路运输的安全监控提供了有力的技术支持。 该研究提出了一种有效的船舰识别方法，通过轮廓强化和迁移学习技术，成功提高了船舰类型识别的准确性和鲁棒性，对于提升内河水路运输的安全性具有重要意义。