针对传统算法依赖于对红外船舶目标与环境背景的精确分离和信息提取, 难以满足复杂背景和噪声等干扰环境下的船舶目标检测需求, 提出一种基于改进YOLOv5的红外船舶目标检测算法。在YOLOv5网络中添加Reasoning层, 以一种新的提取图像区域间语义关系来预测边界框和类概率的体系结构, 提高模型的检测精度, 同时对YOLOv5目标检测网络的损失函数进行改进, 从而达到进一步提高模型准确率的目的。验证结果表明, 改进后的YOLOv5算法训练出来的模型, 检测精确率和速度与实验列出的几种目标检测算法相比均有明显提升, 其中平均精度均值(mAP)可达94.65%。该模型经过验证, 既能满足检测的实时性要求, 又能保证高精度。

针对海上船舶目标不清晰导致检测准确率低的问题, 提出一种基于深度学习框架的船舶红外与红外偏振图像的融合方法来增强海面船舶弱目标, 提高检测准确率。将源图像分为船舶轮廓部分和特征部分, 轮廓部分通过加权平均策略进行融合, 采用非局部均值对船舶偏振图像进行去噪;特征部分采用VGG网络提取, 进而重建融合图像。与传统图像融合方法相比, 所提方法能够保留更多的船舶红外与偏振特征, 使融合后的图像信息得到增强, 并在对比度和信噪比上均有较好提高, 为复杂海面背景下的船舶目标检测提供新的方法。

针对复杂水文环境下无人自治水下机器人(AUV)轨迹跟踪实时性较慢、精度较低的问题, 设计了一种基于拉盖尔函数的自适应预测轨迹跟踪控制方法。首先, 基于预测控制将轨迹跟踪问题转化为二次规划设计; 其次, 为解决AUV 轨迹变化以及外部干扰所造成的控制量突变, 融合递推最小二乘法设计了自适应预测控制器; 接着, 采用拉盖尔函数重构控制器, 以解决运算量过大导致的系统响应速度变慢的问题; 最后, 仿真证明了该方法能够提升系统的响应速度、抗干扰性和鲁棒性。