论文部分内容阅读
随着图像采集和处理技术的飞速发展,机器视觉越来越多的应用于各个领域,特别是关于空中飞行器的图像工程。本文主要针对空中目标的图像采集硬件平台和图像检测识别技术进行研究。主要包括以下几个方面:针对空中目标的检测识别的特点,本文提出基于机器学习特别是深度学习的目标检测识别技术作为课题研究方向,并分别介绍了深度学习的基本原理、常用的卷积神经网络CNN(Convolutional Neural Networks)以及本文主要研究的深度学习模型。针对深度学习模型的算法特点,本文搭建了基于NVIDIA Jetson TX2平台的图像采集硬件系统,重点介绍了硬件平台的选择依据以及接口转换工作。针对远空小目标检测的像素损失问题,本文提出了使用ROI Align层的S-Faster RCNN(Small-Faster Region-CNN)模型。针对ROI Pooling层对图像多次量化导致Faster R-CNN模型在小目标检测方面能力不足的问题,提出使用ROI Align层来代替该层进行图像尺寸固定化,改进后的模型在检测率方面提高了11.78%。针对近地大目标识别的细粒度识别率低的问题,本文提出了基于离线反馈的BFaster R-CNN(Bilayer-Faster R-CNN)模型。对大目标的识别实质是细粒度目标识别问题,本文提出了离线难例挖掘思想,在Faster R-CNN模型中增加了反馈模块和重训练模块,改进后的模型在识别率方面提高了3.81%。理论分析和实验结果表明,本文设计的图像采集和处理系统性能良好,基本能实现高像素图像的高速采集,更准确的远空小目标检测和近地大目标细粒度识别。