CN109903303A - 一种基于卷积神经网络的船舶吃水线提取方法 - Google Patents
一种基于卷积神经网络的船舶吃水线提取方法 Download PDFInfo
- Publication number
- CN109903303A CN109903303A CN201910135853.9A CN201910135853A CN109903303A CN 109903303 A CN109903303 A CN 109903303A CN 201910135853 A CN201910135853 A CN 201910135853A CN 109903303 A CN109903303 A CN 109903303A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- video
- image
- line drawing
- drauht
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及港口散货船舶计量技术领域，尤其涉及一种基于卷积神经网络的船舶吃水线提取方法，用于解决港口船舶吃水线读取不准确问题。本发明首先通过搭载摄像机的履带电磁吸附式爬壁机器人拍摄六面水尺视频，制作深度学习训练数据集，用于训练学习得到模型参数。使用时，将采集到的视频每一帧输入到训练好的深度学习网络，得到二值分割结果图片，进行水平投影，获取水线位置。本发明所述的方法采用了目前最先进的深度学习技术，提取的水线准确率高，鲁棒性好，有效解决了复杂环境下吃水线提取精度问题。
Description
技术领域
本发明属于港口散货船舶计量技术领域，尤其涉及一种基于卷积神经网络的船舶吃水线提取方法。
背景技术
在港口散货交易中，由于像煤炭，矿石这种散货无法直接称重，只能通过读取船舶吃水高度，计算货物重量。目前船舶水尺读数主要是通过专业的计量人员进行公估，但是由于人的主观因素以及环境的复杂多变，所以会经常发生货主、与港方和采购方之间的矛盾。
随着近年来科学技术的发展，设计一种智能的吃水线检测装置来替代传统人工观测的方法成为了可能。虽然各大港口以及高校研究所投入大量人力物力进行了研发，但受限于恶劣的环境条件，吃水线的检测精度一直无法达到要求。有人提出采用无人机拍摄视频，再通过工作人员读取，得到吃水值，但这种方法还是未能解决根本问题。
发明内容
本发明的目的在于提出一种基于卷积神经网络的船舶吃水线提取方法，旨在有效的解决吃水线提取精度问题。
为解决上述技术问题，本发明的技术方案为：一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：
利用摄像机采集船舶的左右舷艏、舷舯、舷艉六面水尺视频；然后统一对水线以上标注为船体，水线以下标注为水体，制作出大量的标注图；然后建立深度学习图像语义分割模型，利用标注图对模型进行训练以确定模型参数；然后利用深度学习图像语义分割模型获取船舶吃水线；
所述深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致。
进一步的技术方案在于，其具体步骤如下：
(1)视频数据采集：使用搭载摄像头的爬壁机器人采集船舶的左右舷艏、舷舯、舷艉六面水尺视频，每个视频时长为2-4分钟；采集不重复的包含各种环境条件下的目标视频不少于20个，作为训练视频；采集目标视频以获取船舶的吃水深度；
(2)深度学习数据集：对步骤(1)中的训练视频进行标注制作大量的标注图；统一对水线以上标注为船体，水线以下标注为水体；
(3)深度学习图像语义分割模型的建立：
深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致；
(4)模型训练：使用步骤(3)中的深度学习图像语义分割模型，对步骤(2)中的标注图进行图像特征提取；确定深度学习图像语义分割模型参数；
(5)船舶吃水线提取：
将步骤(1)中采集到的目标视频每一帧输入到步骤(4)训练后的模型，得到二值分割结果图片，进行水平投影，获取水线位置。
进一步的技术方案在于，每个训练视频制作400-600张标注图，标注图的制作采用VOC2012深度学习语义分割数据集的制作方式。
进一步的技术方案在于，所述c的深度学习环境搭建如下：配置两个环境，一是基于linux系统的深度学习环境，用于训练得到深度学习图像语义分割模型参数；二是深度学习模型移植到windows系统实现船舶吃水线提取的工程项目环境。
进一步的技术方案在于，所述步骤(5)船舶吃水线提取的具体步骤为：将步骤(1)中的目标视频第一帧中以水线为中心，选取大小为224*224的图片(ROI)，利用步骤(4)训练后的模型，获得二值分割图像，通过水平投影，即水平遍历像素值，当第r行出现前景像素占比大于50％，且第r+2行占比大于70％，第r+4行占比大于80％，则r为吃水线位置；获取水线在图像中的位置；通过前后两帧水线位置的变化，更新ROI；以船舶标准字符为参考，计算图像坐标和世界坐标的转化关系，得到每一帧吃水线的实际高度；求取时间段内的平均值，作为最终的船舶吃水线高度。
进一步的技术方案在于，二值分割图像通过canny边缘检测算法或其他边缘检测算法得到吃水线位置。
本发明所采用技术方案具有的有益效果：本发明所述的方法采用了目前最先进的深度学习技术，提取的水线准确率高，鲁棒性好，有效解决了复杂环境下吃水线提取精度问题。
附图说明
图1是本发明的船舶吃水线提取步骤流程图；
图2是本发明深度学习图像语义分割模型的结构图；
图3-6分别是利用本发明所述方法对不同环境下测试的船舶吃水线位置；
图7-8分别是在实验室模拟的的情况下利用本发明所述方法对不同环境下测试的船舶吃水线位置。
具体实施例
本发明阐述了一种船舶吃水线提取方法，其利用摄像机采集船舶的左右舷艏、舷舯、舷艉六面水尺视频；然后统一对水线以上标注为船体，水线以下标注为水体，制作出大量的标注图；然后建立深度学习图像语义分割模型，利用标注图对模型进行训练以确定模型参数；然后利用深度学习图像语义分割模型获取船舶吃水线；
深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致。
本发明优选实施例中，其具体步骤如下：
(1)视频数据采集：使用搭载摄像头的爬壁机器人采集船舶的左右舷艏、舷舯、舷艉六面水尺视频，每个视频时长为2-4分钟；采集不重复的包含各种环境条件下的目标视频不少于20个，作为训练视频；采集目标视频以获取船舶的吃水深度；
(2)深度学习数据集：对步骤(1)中的训练视频进行标注制作大量的标注图；统一对水线以上标注为船体，水线以下标注为水体；
(3)深度学习图像语义分割模型的建立：
深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致；
(4)模型训练：使用步骤(3)中的深度学习图像语义分割模型，对步骤(2)中的标注图进行图像特征提取；确定深度学习图像语义分割模型参数；
(5)船舶吃水线提取：
将步骤(1)中采集到的目标视频每一帧输入到步骤(4)训练后的模型，得到二值分割结果图片，进行水平投影，获取水线位置。
本发明优选实施例中，每个训练视频制作400-600张标注图，标注图的制作采用VOC2012深度学习语义分割数据集的制作方式。
本发明优选实施例中，所述深度学习图像语义分割模型的深度学习环境搭建如下：配置两个环境，一是基于linux系统的深度学习环境，用于训练得到深度学习图像语义分割模型参数；二是深度学习模型移植到windows系统实现船舶吃水线提取的工程项目环境。
本发明优选实施例中，所述步骤(5)船舶吃水线提取的具体步骤为：将步骤(1)中的目标视频第一帧中以水线为中心，选取大小为224*224的图片ROI，利用步骤(4)训练后的模型，获得二值分割图像，通过水平投影，即水平遍历像素值，当第r行出现前景像素占比大于50％，且第r+2行占比大于70％，第r+4行占比大于80％，则r为吃水线位置；获取水线在图像中的位置；通过前后两帧水线位置的变化，更新ROI；以船舶标准字符为参考，计算图像坐标和世界坐标的转化关系，得到每一帧吃水线的实际高度；求取时间段内的平均值，作为最终的船舶吃水线高度。
本发明优选实施例中，二值分割图像通过canny边缘检测算法或其他边缘检测算法得到吃水线位置
本发明优选实施例中，其具体步骤为：
1、视频数据采集：使用搭载摄像头的爬壁机器人采集船舶的左右舷艏、舷舯、舷艉六面水尺视频，每个视频时长为2-4分钟；采集不重复的包含各种环境条件下的目标视频不少于20个，作为训练视频；采集目标视频以获取船舶的吃水深度，传输到客户端。
每个视频采集于不同船只，不同环境条件下。
2、数据集的制作：参考VOC2012深度学习语义分割数据集，采用步骤1采集的训练视频，每个视频制作大约500张标注图，共制作大约一万张的有效标注图片；统一对水线以上标注为船体，水线以下标注为水体。使用labelme标注工具制作数据集，下载之后，打开软件，按照提示进行标注，统一对水线以上标注为船体，水线以下标注为水体。
3、搭建深度学习环境：需要分别配置两个环境，一是基于linux系统的深度学习环境，用于训练得到深度学习网络模型参数；二是深度学习模型移植到windows系统实现船舶吃水线提取的工程项目环境。
模型训练参考环境为：Ubuntu14.04系统，GTX1080显卡，Pycharm编译器，Python编程语言，Tensorflow(Python)深度学习框架。配置好之后，利用深度学习语义分割网络进行训练学习，得到训练好的网络模型参数。在网上下载FCN-tensorflow程序，下载VGG16的预训练模型并放在FCN指定的文件夹下。工程项目环境为：Windows7系统，GTX1060显卡，VS2010，C++编程语言，Tensorflow(C++)框架。
4、深度学习图像语义分割模型的建立：
深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3大小，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致；
5、模型训练：采用深度学习图像语义分割模型，使用步骤2制作的数据集训练模型，提取图像特征，确定模型参数；
定模型参数，将模型参数保存，用于下一步骤的视频图像处理，提取船舶吃水线位置。这里将模型参数保存为“*.pb”文件，因为“*.pb”格式的文件不仅保存了网络模型的参数，而且将网络模型的结构一并进行了保存，这样方便我们恢复模型进行测试。
6、视频图像分析：将步骤1中的目标视频第一帧中以水线为中心，选取大小为224*224的图片(ROI)，利用步骤5训练后的模型，获得二值分割图像，通过水平投影，即水平遍历像素值，当第r行出现前景像素占比大于50％，且第r+2行占比大于70％，第r+4行占比大于80％，则r为吃水线位置；获取水线在图像中的位置；通过前后两帧水线位置的变化，更新ROI；以船舶标准字符为参考，计算图像坐标和世界坐标的转化关系，得到每一帧吃水线的实际高度；求取时间段内的平均值，作为最终的船舶吃水线高度。
为了对程序算法进行检测，本发明对在实际情况下对船舶进行测量，如图3-6所示，分别为不同环境下的的视频数据进行了处理，获得了相应的船舶吃水线数据；并且在此情况下进行了人工测量和本发明程序测量进行了对比，如下表1所示；同时对本发明程序测量数据与专业水尺检测人员得到的数据进行分析对比，判断程序计算的误差和专业人员检测的误差大小；确保检测结果的准确、可靠、有效。
除此之外，本发明还在实验室环境中进行了海浪模拟，制作标准的水尺，录制视频。对录取的视频利用软件处理同时检测人员也对该视频读数，经过本发明程序测量，其结果如图7-8所示；如表2所示，对本发明程序测量数据与水面平静下的真实数据进行分析对比，判断程序计算的准确性；确保检测结果的准确、可靠、有效。
表1
| 序号 | 程序/m | 人工/m | 误差 |
| 1 | 10.52 | 10.54 | 0.02 |
| 2 | 11.66 | 11.632 | 0.028 |
| 3 | 12.21 | 12.204 | 0.006 |
| 4 | 7.077 | 7.07 | 0.007 |
表2
| 编号 | 程序 | 真实 | 误差 |
| a | 0.372 | 0.368 | 0.004 |
| b | 0.366 | 0.368 | -0.002 |
本发明通过与人工读取数据和实验室数据双重对比，进一步确保算法的准确，可靠。
Claims (6)
1.一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：
利用摄像机采集船舶的左右舷艏、舷舯、舷艉六面水尺视频；然后统一对水线以上标注为船体，水线以下标注为水体，制作出大量的标注图；然后建立深度学习图像语义分割模型，利用标注图对模型进行训练以确定模型参数；然后利用深度学习图像语义分割模型获取船舶吃水线；
所述深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致。
2.根据权利要求1所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：其具体步骤如下：
(1)视频数据采集：使用搭载摄像头的爬壁机器人采集船舶的左右舷艏、舷舯、舷艉六面水尺视频，每个视频时长为2-4分钟；采集不重复的包含各种环境条件下的目标视频不少于20个，作为训练视频；采集目标视频以获取船舶的吃水深度；
(2)深度学习数据集：对步骤(1)中的训练视频进行标注制作大量的标注图；统一对水线以上标注为船体，水线以下标注为水体；
(3)深度学习图像语义分割模型的建立：
深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致；
(4)模型训练：使用步骤(3)中的深度学习图像语义分割模型，对步骤(2)中的标注图进行图像特征提取；确定深度学习图像语义分割模型参数；
(5)船舶吃水线提取：
将步骤(1)中采集到的目标视频每一帧输入到步骤(4)训练后的模型，得到二值分割结果图片，进行水平投影，获取水线位置。
3.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：每个训练视频制作400-600张标注图，标注图的制作采用VOC2012深度学习语义分割数据集的制作方式。
4.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：所述深度学习图像语义分割模型的深度学习环境搭建如下：配置两个环境，一是基于linux系统的深度学习环境，用于训练得到深度学习图像语义分割模型参数；二是深度学习模型移植到windows系统实现船舶吃水线提取的工程项目环境。
5.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：所述步骤(5)船舶吃水线提取的具体步骤为：将步骤(1)中的目标视频第一帧中以水线为中心，选取大小为224*224的图片ROI，利用步骤(4)训练后的模型，获得二值分割图像，通过水平投影，即水平遍历像素值，当第r行出现前景像素占比大于50％，且第r+2行占比大于70％，第r+4行占比大于80％，则r为吃水线位置；获取水线在图像中的位置；通过前后两帧水线位置的变化，更新ROI；以船舶标准字符为参考，计算图像坐标和世界坐标的转化关系，得到每一帧吃水线的实际高度；求取时间段内的平均值，作为最终的船舶吃水线高度。
6.根据权利要求5所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：二值分割图像通过canny边缘检测算法或其他边缘检测算法得到吃水线位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135853.9A CN109903303A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的船舶吃水线提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910135853.9A CN109903303A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的船舶吃水线提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109903303A true CN109903303A (zh) | 2019-06-18 |
Family
ID=66945342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910135853.9A Pending CN109903303A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的船舶吃水线提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903303A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264483A (zh) * | 2019-06-19 | 2019-09-20 | 东北大学 | 一种基于深度学习的语义图像分割方法 |
| CN111160354A (zh) * | 2019-12-30 | 2020-05-15 | 哈尔滨工程大学 | 一种基于联合图像信息的海天背景下船舶图像分割方法 |
| CN111476120A (zh) * | 2020-03-26 | 2020-07-31 | 长江大学 | 一种无人机智能船舶水尺识别方法及装置 |
| CN112347827A (zh) * | 2019-08-06 | 2021-02-09 | 东北大学秦皇岛分校 | 一种船舶水尺自动检测方法及系统 |
| CN114782905A (zh) * | 2022-06-17 | 2022-07-22 | 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 |
| CN116385984A (zh) * | 2023-06-05 | 2023-07-04 | 武汉理工大学 | 船舶吃水深度的自动检测方法和装置 |
| CN117197048A (zh) * | 2023-08-15 | 2023-12-08 | 力鸿检验集团有限公司 | 一种船舶水尺读数检测方法、装置及设备 |
| CN117671510A (zh) * | 2024-02-02 | 2024-03-08 | 西安热工研究院有限公司 | 一种基于目标检测和语义分割算法的船舶载重量计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 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 |
| WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
| CN108921196A (zh) * | 2018-06-01 | 2018-11-30 | 南京邮电大学 | 一种改进全卷积神经网络的语义分割方法 |
| CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
-
2019
- 2019-02-25 CN CN201910135853.9A patent/CN109903303A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018217828A1 (en) * | 2017-05-23 | 2018-11-29 | Intel Corporation | Methods and apparatus for discriminative semantic transfer and physics-inspired optimization of features in deep learning |
| CN107862695A (zh) * | 2017-12-06 | 2018-03-30 | 电子科技大学 | 一种基于全卷积神经网络的改进型图像分割训练方法 |
| CN108509919A (zh) * | 2018-04-03 | 2018-09-07 | 哈尔滨哈船智控科技有限责任公司 | 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 |
| CN108921196A (zh) * | 2018-06-01 | 2018-11-30 | 南京邮电大学 | 一种改进全卷积神经网络的语义分割方法 |
| CN109375235A (zh) * | 2018-11-30 | 2019-02-22 | 武汉理工大学 | 基于深度强化神经网络的内河船舶干舷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| JONATHAN LONG ETAL.: ""Fully Convolutional Networks for Semantic Segmentation"", 《ARXIV》 * |
| 吴海: ""基于机器视觉的船舶吃水线检测系统研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264483A (zh) * | 2019-06-19 | 2019-09-20 | 东北大学 | 一种基于深度学习的语义图像分割方法 |
| CN112347827A (zh) * | 2019-08-06 | 2021-02-09 | 东北大学秦皇岛分校 | 一种船舶水尺自动检测方法及系统 |
| CN111160354A (zh) * | 2019-12-30 | 2020-05-15 | 哈尔滨工程大学 | 一种基于联合图像信息的海天背景下船舶图像分割方法 |
| CN111160354B (zh) * | 2019-12-30 | 2022-06-17 | 哈尔滨工程大学 | 一种基于联合图像信息的海天背景下船舶图像分割方法 |
| CN111476120A (zh) * | 2020-03-26 | 2020-07-31 | 长江大学 | 一种无人机智能船舶水尺识别方法及装置 |
| CN111476120B (zh) * | 2020-03-26 | 2021-03-23 | 长江大学 | 一种无人机智能船舶水尺识别方法及装置 |
| CN114782905A (zh) * | 2022-06-17 | 2022-07-22 | 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 |
| CN116385984A (zh) * | 2023-06-05 | 2023-07-04 | 武汉理工大学 | 船舶吃水深度的自动检测方法和装置 |
| CN116385984B (zh) * | 2023-06-05 | 2023-09-01 | 武汉理工大学 | 船舶吃水深度的自动检测方法和装置 |
| CN117197048A (zh) * | 2023-08-15 | 2023-12-08 | 力鸿检验集团有限公司 | 一种船舶水尺读数检测方法、装置及设备 |
| CN117197048B (zh) * | 2023-08-15 | 2024-03-08 | 力鸿检验集团有限公司 | 一种船舶水尺读数检测方法、装置及设备 |
| CN117671510A (zh) * | 2024-02-02 | 2024-03-08 | 西安热工研究院有限公司 | 一种基于目标检测和语义分割算法的船舶载重量计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109903303A (zh) | 一种基于卷积神经网络的船舶吃水线提取方法 | |
| Kako et al. | Estimation of plastic marine debris volumes on beaches using unmanned aerial vehicles and image processing based on deep learning | |
| US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
| CN111862048B (zh) | 基于关键点检测和深度卷积神经网络的鱼体姿态与长度自动分析方法 | |
| CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
| CN101706445B (zh) | 用于牛肉大理石花纹等级评分的图像处理方法 | |
| CN109087274A (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
| CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
| Bonin-Font et al. | Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv | |
| CN103871039B (zh) | 一种sar图像变化检测差异图生成方法 | |
| CN109376589A (zh) | 基于卷积核筛选ssd网络的rov形变目标与小目标识别方法 | |
| CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
| CN108830856B (zh) | 一种基于时间序列sd-oct视网膜图像的ga自动分割方法 | |
| CN112163588A (zh) | 基于智能进化的异源图像目标检测方法、存储介质及设备 | |
| CN108805980A (zh) | 一种基于3d的马体尺测量系统及数据修正方法 | |
| CN106408576A (zh) | 基于三维超声图像的感兴趣区域的自动分割方法及系统 | |
| CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
| Liao et al. | Research on intelligent damage detection of far-sea cage based on machine vision and deep learning | |
| CN114049325A (zh) | 轻量化人脸口罩佩戴检测模型的构建方法及应用 | |
| CN110334727A (zh) | 一种隧道裂缝智能匹配检测方法 | |
| CN114119361A (zh) | 基于tesrgan网络的超分辨率重构井下图像方法、系统、设备、介质 | |
| Zhang et al. | Deep learning for semantic segmentation of coral images in underwater photogrammetry | |
| CN112200163A (zh) | 水下底栖生物检测方法及系统 | |
| CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
| CN115731390A (zh) | 一种灰岩隧道岩体结构面识别方法及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |