CN108509919B - 一种基于深度学习对视频或图片中水线的检测和识别方法 - Google Patents

一种基于深度学习对视频或图片中水线的检测和识别方法 Download PDF

Info

Publication number
CN108509919B
CN108509919B CN201810290723.8A CN201810290723A CN108509919B CN 108509919 B CN108509919 B CN 108509919B CN 201810290723 A CN201810290723 A CN 201810290723A CN 108509919 B CN108509919 B CN 108509919B
Authority
CN
China
Prior art keywords
network
waterline
training
rpn
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810290723.8A
Other languages
English (en)
Other versions
CN108509919A (zh
Inventor
朱齐丹
吕晓龙
游锦成
吴禹辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Hachuan Smart Control Technology Co ltd
Original Assignee
Harbin Hachuan Smart Control Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Hachuan Smart Control Technology Co ltd filed Critical Harbin Hachuan Smart Control Technology Co ltd
Priority to CN201810290723.8A priority Critical patent/CN108509919B/zh
Publication of CN108509919A publication Critical patent/CN108509919A/zh
Application granted granted Critical
Publication of CN108509919B publication Critical patent/CN108509919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于深度学习对视频或图片中水线的检测和识别方法，采集训练数据并制作训练样本数据集，采用faster‑rcnn算法，联合训练rpn网络和识别网络，再由训练完成后的模型对实时采集的视频或图片进行识别，由算法给出的水线在图像中的多数位置信息，再对少量误识别的水线进行去除，并对漏识别的水线区域进行预测，增加了本发明在复杂条件下的应用能力。本发明在各种天气、光照、水质等条件下取得丰富的训练样本，并对图像中的水线的标记进行合理地设计，极大减少了误识别或不识别的情况，并有很快的检测速度。

Description

一种基于深度学习对视频或图片中水线的检测和识别方法
技术领域
本发明属于模式识别及深度学习技术领域，特别是涉及一种基于深度学习对视频或图片中水线的检测和识别方法。
背景技术
随着内河事业的不断发展，船舶的数量越来越多，船体也向大型化的方向不断迈进，船舶的吃水深度也越来越深，随之航运事故时有发生，这不仅给航运安全带来威胁，破坏航运通道，而且也会影响航运的运行效率。船舶搁浅是各种事故中发生最频繁的，引起的原因也各种各样，但最为普遍的一个原因便是船舶运行超过了规定的吃水线。在各类船舶交通事故中，由于超吃水线带来的事故占很大的比重。
目前对吃水线的检测分为人工检测和技术自动检测两种，传统方法以人工检测为主，具体地，待检测时，要求船舶停靠岸边，检测人员对船体上刻有的吃水线标记进行观察记录。这种方式需要船暂时停靠岸边，影响了航运的效率，且有大风浪时检测人员很难观测到准确的吃水刻度。由于船体常年受到海水、河水的腐蚀，字体的颜色和形状也发生了很大的变化，这对检测人员的观测带来了很多的困难和不便，效率不高，且由于是人为检测，船东为了最求更大的利益，往往采取谎报吃水来逃避相关部门的惩罚等欺瞒的行为，会增加船舶发生事故的危险。近年来，随着科技的发展，出现了各种通过技术手段自动对船舶进行吃水检测的方法，如声呐测量法、电子水尺法、激光水位检测法等。
水线的检测是吃水线自动识别及其他应用领域中的难题之一，由于水线的颜色，透明度，光照程度等受外界影响极大，用传统的图像处理方法检测水线存在极大的困难，且即使用深度学习算法进行了识别，仍有误识别、漏识别的情况出现，会大大影响水线识别在实际情况下的应用。
发明内容
本发明为了解决现有的技术问题，提出一种基于深度学习在水面与船体或其他外物接触时水线的检测和识别方法。本发明利用faster-rcnn算法构建深度学习网络，制作数据集对rpn网络和识别网络进行训练和对神经网络识别结果的矫正。
本发明的目的通过以下技术方案实现：一种基于深度学习对视频或图片中水线的检测和识别方法，包括以下步骤：
步骤1，采样训练样本，制作训练样本数据集；
步骤2，使用faster-rcnn算法，用制作好的数据集训练rpn网络与识别网络，所述rpn网络与识别网络交替训练两次，共享提取图片特征图的5层卷积层，得到训练模型；
步骤3，训练完成后，调用训练好的模型对视频或图片中的水线进行识别，检测出图片中水线的位置信息；
步骤4，通过神经网络给出的水线的多个位置信息，去除误识别的位置信息；
步骤5，对于漏检测的水面，通过神经网络给出的水线的多个位置信息进行合理预测，使水面进行完全拟合。
进一步地，所述制作训练样本数据集是指从左到右按相同间隔依次标记水线的位置信息。
进一步地，所述步骤2中，联合训练rpn网络与识别网络具体步骤如下：
S1：用训练好的模型初始化rpn网络，用制作好的训练样本数据集对rpn网络进行训练；其中前5层卷积层提取输入图片的特征图，第6层卷积层是调整参数的卷积层，第7层有两个并联的卷积层，都应用于关联输入的所有的特征图；
S2:对特征图的每一点都配备1:1,1:2,2:1三种尺寸且三种大小不同比例共九个基准框，第7层的其中一卷积层用于判定各个基准框内有水线的可能性；
S3：第7层的另一卷积层用于计算对预测框位置进行微调的四个参数，即两个平移参数和两个缩放参数；
S4:根据输入图片被标定的水线的位置，计算rpn网络预测的位置与实际位置的误差，使用梯度下降法，根据所求误差计算调整网络中各个权重和偏差的值，使误差减小到极小值；
S5：训练rpn网络完成后，由训练好的rpn网络对输入图片中水线的位置进行检测，得到若干判定为水线的不同置信度的预测框，取置信度最高的前300个预测框，再通过RolPooling层把所述300个预测框映射到经rpn网络第6层卷积层提取的特征图上，得到图片中水线的粗略特征图，并把所述粗略特征图归一化为相同维度的特征向量；
S6：用相同的训练模型初始化识别网络中的卷积层，提取rpn网络送来的粗略特征图的深度特征信息，得到特征向量；经过三层全连接层与两层relu层对特征向量的非线性分类，得出预测目标特征向量为水线的置信度，并对预测框位置做进一步精细调整；
S7：根据训练样本自带的水线的位置信息，计算识别误差，根据梯度下降法优化识别网络各层参数，使误差达到极小值；
S8:当识别网络训练完成后，把其中训练好的卷积层参数用作初始化rpn网络相对应卷积层部分；
S9：固定rpn网络中的前5个卷积层的参数不变，通过训练样本数据集训练rpn的其余层的参数；
S10：固定识别网络中的卷积层的参数不变，通过训练完成的rpn网络和RolPooling层提取水线的粗略特征图，对识别网络其余层进行训练。
进一步地，所述步骤5具体为：根据神经网络检测的左右两边的水线的多数位置信息，推测出漏识别部分的水线的位置信息，得到水线的完全拟合。
附图说明
图1为本发明基于深度学习对视频或图片中水线的检测和识别方法流程图；
图2为检测水线位置的效果图；
图3为faster-rcnn算法结构图；
图4为去除误识别前与之后的识别效果对比图；
图5为推测漏识别水面位置前与之后的识别效果对比图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1-图5，本发明提出一种基于深度学习对视频或图片中水线的检测和识别方法，所述方法包括训练数据制作，深度学习的模型训练，实时检测，误识别的矫正及对漏识别的预测五个步骤，具体包括以下步骤：
步骤1，采样训练样本，制作训练样本数据集；所述制作训练样本数据集是指从左到右按相同间隔依次标记水线的位置信息；
步骤2，使用faster-rcnn算法，用制作好的数据集训练rpn网络与识别网络，所述rpn网络与识别网络交替训练两次，共享提取图片特征图的5层卷积层，得到训练模型；
所述faster-rcnn算法是继rcnn，fast-rcnn后推出的改进后的目标检测算法，它使rpn网络与识别网络共用卷积层，且通过rpn网络把预判定的预测框个数缩小至300个左右，大大提高了识别效率，使实时检测与识别成为可能。如图3所示，其中relu为激活函数；feature map为特征图；reshape层是为了调整深度学习框架caffe的特征向量的储存形式，便于数据处理；softmax层是为了对特征向量进行分类；proposal层负责通过前面给出的信息计算出目标的位置：roipooling层通过目标位置提取目标的特征图；bbox_pred层是为了获得调整目标位置的偏移量，以便更精确度得到目标位置；cls_prob层输出所定位的目标为各个类别的概率。
步骤3，训练完成后，调用训练好的模型对视频或图片中的水线进行识别，检测出图片中水线的位置信息；
步骤4，通过神经网络给出的水线的多个位置信息，去除误识别的位置信息；
步骤5，对于漏检测的水面，通过神经网络给出的水线的多个位置信息进行合理预测，使水面进行完全拟合。
在具体操作中，考虑不同光照、天气、镜头远近及颜色等多种因素的影响，采集了60000张在不同环境状况，不同拍摄角度下的图片制作训练样本。设计神经网络结构，放入rpn网络与识别网络进行迭代训练，得到训练模型。通过程序调用得到的模型对拍摄的图片进行水线的识别，给出在每帧图片中连续水线各个部分的位置信息。根据大多数水线位置信息判断是否存在被误识别的非水线的位置信息，予以去除。有时会存在一部分水线未被识别的情况，此时根据此部分水线的左右邻近已被检测出的水线位置信息推出该部分水线的位置信息，实现水线的完全拟合，完成检测和识别目的。
本网络采用zf网络进行训练和识别。
所述步骤2中，联合训练rpn网络与识别网络具体步骤如下：
S1：用训练好的模型初始化rpn网络，用制作好的训练样本数据集对rpn网络进行训练；其中前5层卷积层提取输入图片的特征图，第6层卷积层是调整参数的卷积层，第7层有两个并联的卷积层，都应用于关联输入的所有的特征图；
S2:对特征图的每一点都配备1:1,1:2,2:1三种尺寸且三种大小不同比例共九个基准框，第7层的其中一卷积层用于判定各个基准框内有水线的可能性；
S3：第7层的另一卷积层用于计算对预测框位置进行微调的四个参数，即两个平移参数和两个缩放参数；
S4:根据输入图片被标定的水线的位置，计算rpn网络预测的位置与实际位置的误差，使用梯度下降法，根据所求误差计算调整网络中各个权重和偏差的值，使误差减小到极小值；
S5：训练rpn网络完成后，由训练好的rpn网络对输入图片中水线的位置进行检测，得到若干判定为水线的不同置信度的预测框，取置信度最高的前300个预测框，再通过RolPooling层把所述300个预测框映射到经rpn网络第6层卷积层提取的特征图上，得到图片中水线的粗略特征图，并把所述粗略特征图归一化为相同维度的特征向量；
S6：用相同的训练模型初始化识别网络中的卷积层，提取rpn网络送来的粗略特征图的深度特征信息，得到特征向量；经过三层全连接层与两层relu层对特征向量的非线性分类，得出预测目标特征向量为水线的置信度，并对预测框位置做进一步精细调整；
S7：根据训练样本自带的水线的位置信息，计算识别误差，根据梯度下降法优化识别网络各层参数，使误差达到极小值；
S8:当识别网络训练完成后，把其中训练好的卷积层参数用作初始化rpn网络相对应卷积层部分；
S9：固定rpn网络中的前5个卷积层的参数不变，通过训练样本数据集训练rpn的其余层的参数；
S10：固定识别网络中的卷积层的参数不变，通过训练完成的rpn网络和RolPooling层提取水线的粗略特征图，对识别网络其余层进行训练。
在步骤4中，根据神经网络检测的水线的位置信息情况，去除少数其他类似水线的线条物的误识别，如图4为去除误识别前与之后的识别效果的对比。
所述步骤5具体为：根据神经网络检测的左右两边的水线的多数位置信息，推测出漏识别部分的水线的位置信息，得到水线的完全拟合。如图5为矫正前与矫正后识别效果的对比。
所述梯度下降法是一个最优化算法，广泛应用于机器学习中，通过递归地逼近最小偏差模型。它的计算过程是沿着梯度下降的方向求解极小值，许多现今有效的算法都是在它基础上进行的改进。
以上对本发明所提供的一种基于深度学习对视频或图片中水线的检测和识别方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于深度学习对视频或图片中吃水线的检测和识别方法，其特征在于,包括以下步骤：
步骤1，采样训练样本，制作训练样本数据集；
步骤2，使用faster-rcnn算法，用制作好的数据集训练rpn网络与识别网络，所述rpn网络与识别网络交替训练两次，共享提取图片特征图的5层卷积层，得到训练模型；
步骤3，训练完成后，调用训练好的模型对视频或图片中的吃水线进行识别，检测出图片中吃水线的位置信息；
步骤4，通过神经网络给出的吃水线的多个位置信息，去除误识别的位置信息；
步骤5，对于漏检测的水面，通过神经网络给出的吃水线的多个位置信息进行合理预测，使水面进行完全拟合；
所述步骤2中，联合训练rpn网络与识别网络具体步骤如下：
Ｓ1：用训练好的模型初始化rpn网络，用制作好的训练样本数据集对rpn网络进行训练；其中前5层卷积层提取输入图片的特征图，第6层卷积层是调整参数的卷积层，第7层有两个并联的卷积层，都应用于关联输入的所有的特征图；
Ｓ2:对特征图的每一点都配备1:1,1:2,2:1三种尺寸且三种大小不同比例共九个基准框，第7层的其中一卷积层用于判定各个基准框内有吃水线的可能性；
Ｓ3：第7层的另一卷积层用于计算对预测框位置进行微调的四个参数，即两个平移参数和两个缩放参数；
Ｓ4:根据输入图片被标定的吃水线的位置，计算rpn网络预测的位置与实际位置的误差，使用梯度下降法，根据所求误差计算调整网络中各个权重和偏差的值，使误差减小到极小值；
Ｓ5：训练rpn网络完成后，由训练好的rpn网络对输入图片中吃水线的位置进行检测，得到若干判定为吃水线的不同置信度的预测框，取置信度最高的前300个预测框，再通过Rol Pooling层把所述300个预测框映射到经rpn网络第6层卷积层提取的特征图上，得到图片中吃水线的粗略特征图，并把所述粗略特征图归一化为相同维度的特征向量；
Ｓ6：用相同的训练模型初始化识别网络中的卷积层，提取rpn网络送来的粗略特征图的深度特征信息，得到特征向量；经过三层全连接层与两层relu层对特征向量的非线性分类，得出预测目标特征向量为吃水线的置信度，并对预测框位置做进一步精细调整；
Ｓ7：根据训练样本自带的吃水线的位置信息，计算识别误差，根据梯度下降法优化识别网络各层参数，使误差达到极小值；
Ｓ8:当识别网络训练完成后，把其中训练好的卷积层参数用作初始化rpn网络相对应卷积层部分；
Ｓ9：固定rpn网络中的前5个卷积层的参数不变，通过训练样本数据集训练rpn的其余层的参数；
Ｓ10：固定识别网络中的卷积层的参数不变，通过训练完成的rpn网络和Rol Pooling层提取吃水线的粗略特征图，对识别网络其余层进行训练。
2.根据权利要求1所述的方法，其特征在于，所述制作训练样本数据集是指从左到右按相同间隔依次标记吃水线的位置信息。
3.根据权利要求1所述的方法，其特征在于，所述步骤5具体为：根据神经网络检测的左右两边的吃水线的多数位置信息，推测出漏识别部分的吃水线的位置信息，得到吃水线的完全拟合。
CN201810290723.8A 2018-04-03 2018-04-03 一种基于深度学习对视频或图片中水线的检测和识别方法 Active CN108509919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810290723.8A CN108509919B (zh) 2018-04-03 2018-04-03 一种基于深度学习对视频或图片中水线的检测和识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810290723.8A CN108509919B (zh) 2018-04-03 2018-04-03 一种基于深度学习对视频或图片中水线的检测和识别方法

Publications (2)

Publication Number Publication Date
CN108509919A CN108509919A (zh) 2018-09-07
CN108509919B true CN108509919B (zh) 2022-04-29

Family

ID=63380127

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810290723.8A Active CN108509919B (zh) 2018-04-03 2018-04-03 一种基于深度学习对视频或图片中水线的检测和识别方法

Country Status (1)

Country Link
CN (1) CN108509919B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583424A (zh) * 2018-12-21 2019-04-05 杭州电子科技大学 一种基于衰减置信度的重叠舰船目标候选框筛选方法
CN109859103A (zh) * 2019-01-09 2019-06-07 杭州电子科技大学 一种基于双线性内插法精确池化策略的舰船目标检测方法
CN109903303A (zh) * 2019-02-25 2019-06-18 秦皇岛燕大滨沅科技发展有限公司 一种基于卷积神经网络的船舶吃水线提取方法
CN110223341B (zh) * 2019-06-14 2024-05-28 北京国信华源科技有限公司 一种基于图像识别的智能水位监测方法
CN110427933A (zh) * 2019-06-20 2019-11-08 浙江大学 一种基于深度学习的水尺识别方法
CN111310671B (zh) * 2020-02-19 2023-04-28 中冶赛迪信息技术(重庆)有限公司 基于深度学习的加热炉底部积水坑异常识别方法、系统及设备
CN111414807B (zh) * 2020-02-28 2024-02-27 浙江树人学院（浙江树人大学） 一种基于yolo技术的潮水识别与危机预警方法
CN112734729B (zh) * 2021-01-11 2022-09-23 昆明理工大学 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质
CN114782905B (zh) * 2022-06-17 2022-09-27 长江信达软件技术（武汉）有限责任公司 一种基于视频监控的船舶吃水深度检测方法
CN116184413B (zh) * 2023-04-27 2023-07-04 北京星天科技有限公司 用于多波束测深系统的底检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592114A (zh) * 2011-12-26 2012-07-18 河南工业大学 复杂路况的车道线特征提取、识别方法
CN105141887A (zh) * 2015-07-06 2015-12-09 国家电网公司 一种基于热成像的海缆区域视频告警方法
CN107016417A (zh) * 2017-03-28 2017-08-04 青岛伟东云教育集团有限公司 一种字符识别的方法及装置
CN107451997A (zh) * 2017-07-31 2017-12-08 南昌航空大学 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
CN107507172A (zh) * 2017-08-08 2017-12-22 国网上海市电力公司 融合红外可见光的特高压线路绝缘子串深度学习识别方法
CN107818326A (zh) * 2017-12-11 2018-03-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9406169B2 (en) * 2014-12-19 2016-08-02 The United States Of America, As Represented By The Secretary Of The Navy System and method for data compression and grid regeneration

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592114A (zh) * 2011-12-26 2012-07-18 河南工业大学 复杂路况的车道线特征提取、识别方法
CN105141887A (zh) * 2015-07-06 2015-12-09 国家电网公司 一种基于热成像的海缆区域视频告警方法
CN107016417A (zh) * 2017-03-28 2017-08-04 青岛伟东云教育集团有限公司 一种字符识别的方法及装置
CN107451997A (zh) * 2017-07-31 2017-12-08 南昌航空大学 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法
CN107480611A (zh) * 2017-07-31 2017-12-15 浙江大学 一种基于深度学习卷积神经网络的裂缝识别方法
CN107507172A (zh) * 2017-08-08 2017-12-22 国网上海市电力公司 融合红外可见光的特高压线路绝缘子串深度学习识别方法
CN107818326A (zh) * 2017-12-11 2018-03-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
COASTLINE EXTRACTION FROM SAR COSMO-SKYMED DATA USING A NEW NEURAL NETWORK ALGORITHM;Daniele Latini 等;《IGARSS 2012》;20121231;第5975-5977页 *
Fast R-CNN;Ross Girshick 等;《arXiv》;20150927;第1-3节 *
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks;Shaoqing Ren 等;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20170630;第39卷(第6期);第3-4节 *
SeNet: Structured Edge Network for Sea-Land Segmentation;Dongcai Cheng 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20170228;第14卷(第2期);摘要，第I-IV节 *
一种视频图像船舶吃水线自动检测方法;罗婧 等;《船海工程》;20120228;第41卷(第1期);第30-32,37页 *
基于图像处理的船舶吃水线检测方法;彭将辉 等;《中国水运》;20120630;第12卷(第6期);第66-67页 *
基于视频的船舶吃水线检测方法的研究;郭方;《万方数据库》;20101029;第3章 *

Also Published As

Publication number Publication date
CN108509919A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
CN108509919B (zh) 一种基于深度学习对视频或图片中水线的检测和识别方法
CN109740460B (zh) 基于深度残差密集网络的光学遥感图像舰船检测方法
CN111222574B (zh) 基于多模型决策级融合的舰船与民船目标检测与分类方法
CN106960446B (zh) 一种面向无人艇应用的水面目标检测跟踪一体化方法
CN111723748A (zh) 一种红外遥感图像舰船检测方法
CN111259809A (zh) 基于DANet的无人机海岸线漂浮垃圾巡检系统
CN108806334A (zh) 一种基于图像的智能船舶身份识别方法
CN112766274A (zh) 一种基于Mask RCNN算法的水尺图像水位自动读数方法及系统
CN108564077A (zh) 一种基于深度学习对视频或图片中数字的检测和识别方法
CN105022990A (zh) 一种基于无人艇应用的水面目标快速检测方法
CN111091095B (zh) 一种遥感图像中船只目标的检测方法
CN108229433B (zh) 一种基于直线段检测和形状特征的靠岸舰船检测方法
CN111476120B (zh) 一种无人机智能船舶水尺识别方法及装置
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN106803070A (zh) 一种基于遥感图像的港口区域舰船目标变化检测方法
CN110472500A (zh) 一种基于高速无人艇的水面视觉目标快速检测算法
CN113591592B (zh) 水上目标识别方法、装置、终端设备及存储介质
CN110516565A (zh) 一种基于Zernike和SVM的海面船只识别方法
CN113344148A (zh) 一种基于深度学习的海上舰船目标识别方法
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
CN117689995A (zh) 一种基于单目图像的未知航天器层级检测方法
CN117291967A (zh) 一种基于单目图像的内河船舶干舷像素高度自动测量方法
CN115546668A (zh) 海洋生物的检测方法、装置及无人机
CN114463628A (zh) 一种基于阈值约束的深度学习遥感影像船舰目标识别方法
Chen et al. Oil spill detection based on a superpixel segmentation method for SAR image

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant