-
题名船岸协同支持下的内河船舶远程驾控系统关键技术研究
被引量：7
- 1
-
-
作者
马枫
陈晨
刘佳仑
王绪明
严新平
-
机构
武汉理工大学智能交通系统研究中心
武汉工程大学计算机科学与工程学院
武汉工程大学国家水运安全工程技术研究中心
南京智慧水运科技有限公司
湖北东湖实验室
-
出处
《中国舰船研究》
CSCD
北大核心
2022年第5期125-133,共9页
-
基金
国家自然科学基金资助项目(52171352)
国家重点研发计划资助项目(2021YFB1600404)
湖北省教育厅科学技术研究计划青年人才资助项目(Q20211502)。
-
文摘
[目的]面向弯曲、狭窄、拥挤内河水道,提出一种船岸协同支持下基于CNN算法和知识模型的船舶远程驾控方法。[方法]在剖析船岸协同特点的基础上,以视觉模拟为核心实现环境自主感知,以深度强化学习为基础实现航行决策控制,构造由图像深度学习处理、航行态势认知、航线稳态控制等功能组成的人工智能系统。实现内河条件下运营船舶的远程控制与短时自主航行,开展内河集装箱船、渡船的远程驾控示范。[结果]示范航行中,系统可依据远程或船上指令替代人工控制船舶,控制循线误差小于20 m,并可自主避障。[结论]研究证实,通过卷积神经网络、强化学习、知识模型协作建立的人工智能系统,可自主提取关键航行信息、构造避障与控制意识,部分替代船员的工作,可为内河智能航运的进一步发展奠定基础。
-
关键词
远程驾驶
智能船舶
自主航行
深度强化学习
船岸协同
-
Keywords
remote control
intelligent ships
autonomous navigation
deep reinforcement learning
ship-shore cooperation
-
分类号
U675.73
[交通运输工程—船舶及航道工程]
-
-
题名自注意力机制驱动的轻量化高鲁棒船舶目标检测方法
- 2
-
-
作者
马枫
石子慧
孙杰
陈晨
毛显斌
严新平
-
机构
武汉理工大学计算机与人工智能学院
水路交通控制全国重点实验室(武汉理工大学)
南京智慧水运科技有限公司
武汉工程大学计算机科学与工程学院
舟山海华客运有限责任公司
-
出处
《中国舰船研究》
CSCD
北大核心
2024年第5期188-199,共12页
-
基金
国家自然科学基金资助项目(52171352,52201415)
国家重点研发计划资助项目(2021YFB1600400)。
-
文摘
[目的]海岸监控与驾驶瞭望过程中,需要在远距离、多场景下对各种目标进行识别与跟踪。其中,船舶目标往往成像尺寸小、特征不明显,容易与其他目标混淆。为此,提出一种船舶检测方法ShipDet,通过设计专用骨干网络、改进特征提取过程、约束微观检测头,旨在改善上述问题。[方法]首先,通过融合自注意力模块Swin Transformer(STR)和经典CSPDarknet53网络,构造对微小目标高度敏感的特征融合提取网络,以增强小目标特征与环境的相关关系,关联船与航道、船与船、船与岸线,显著抑制不相关信息。考虑到数据集的船舶目标分布不均匀并且尺度变化较小的特点,保留2个检测层,减少模型参数并进一步提升模型性能。最后,使用SIoU损失函数(SCYLLA-IoU)来约束检测头,降低损失函数的回归自由度,提高检测的精度和抗干扰能力。[结果]在2023ships数据集上的验证结果表明,所提方法在船舶目标检测任务上表现较好,mAP@0.5达到92.9%,平均精度为92.1%,消耗参数量仅为35366310,整体检测性能优于其他算法。[结论]ShipDet方法将为海事监控、智能航行提供高效的支撑。
-
关键词
船舶目标检测
复杂环境
Swin
Transformer
SIoU
-
Keywords
ship detection
complex scenarios
Swin Transformer
SIoU
-
分类号
U675.79
[交通运输工程—船舶及航道工程]
-
-
题名基于卷积神经网络的船体结构典型节点目标检测算法
被引量：2
- 3
-
-
作者
向林浩
郑佳楠
周国豪
刘锐
刘伟建
-
机构
中国船级社
南京智慧水运科技有限公司
-
出处
《船海工程》
北大核心
2021年第6期15-19,共5页
-
文摘
提出一种基于Faster R-CNN算法的深度学习模型,用于典型船舶结构趾端和纵骨贯穿结构节点的自动检测,通过收集趾端与纵骨贯穿结构节点的图像样本,采用迁移学习的训练方式训练Faster R-CNN模型,模型精度达到90%以上,无人机实际拍摄趾端与纵骨贯穿梁结构的视频识别结果表明,该检测方法可行。
-
关键词
深度学习
船体结构
目标检测
Faster
R-CNN
迁移学习
-
Keywords
deep learning
hull structure
target detection
Faster R-CNN
transfer learning
-
分类号
U692.7
[交通运输工程—港口、海岸及近海工程]
-
