CN110334680B - 基于爬壁机器人的船舶水尺识别方法、系统、装置 - Google Patents

Abstract

本发明属于船舶计量技术领域，具体涉及了一种基于爬壁机器人的船舶水尺识别方法、系统、装置，旨在解决现有水尺识别方法不易近距离进行水尺读数且数据读取不准确的问题。本发明方法包括：对采集的连续k帧水位图像的第t帧、t‑1帧、t+1图像进行刻度定位以及基准标识坐标对齐，获得融合图像；对融合图像的水线离散点进行曲线拟合；获取融合图像参数结合拟合水线计算水面刻度值；采用刻度预测网络，基于k‑2个水面刻度值，获取水面水尺刻度读数。本发明采用爬壁机器人近距离获取视频数据，读取图像水尺刻度，降低危险、节约人力成本，提高了效率及准确性，并实现了系统化管理，易于存储、管理、查找。

Description

基于爬壁机器人的船舶水尺识别方法、系统、装置

技术领域

本发明属于船舶计量技术领域，具体涉及了一种基于爬壁机器人的船舶水尺识别方法、系统、装置。

背景技术

船舶水尺计重是水运大宗干散货常见的一种计量方式。随着我国对外贸易的不断发展，大宗海运散货进口量逐年快速增长，对于水尺计重的精度要求也越来越高。传统水尺是建立在读取待测船舶吃水刻线的基础上，通过对承运船舶的排水量及船用物料的测定，依据船舶的准确图表来计算载运货物重量。

传统水尺识别方法对于船舶在靠岸侧观测相对容易，但是对于船舶靠海一侧不易观测，乘小船或爬软梯下降到水线都有一定风险(船舷到水线最高可到30m)，尤其是风大浪高的天气，风险性非常大，且工作人员在小船或绳索上不够稳定，造成观测准确度不高等问题。

随着无人机、无人船技术的发展，现在水尺计重可采用无人机或无人船的方式进行观测，但这种方法只能适用于相对风平浪静的天气，对于风大浪高的天气不适用，并且即使观测水尺读数的方式相对稳定，但是由于海浪的原因，真正想读准水尺刻度也是一个难题。

水尺刻度观察过程中，无论是人眼观察，还是拍摄回视频后再人眼进行观察，都很难确定准确的水尺刻度读数。因为海浪的原因，很难确定水线的准确位置，因而很难判断水尺刻度读数，尤其是风高浪大时，水尺刻度就更加难以读取和确认。

总的来说，现有的水尺识别方法对于水面环境有着较高的要求，不易近距离进行水尺读数，且数据读取不够准确。

发明内容

为了解决现有技术中的上述问题，即现有水尺识别方法不易近距离进行水尺读数且数据读取不准确的问题，本发明提供了一种基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

步骤S10，通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；k为大于2的整数；

步骤S20，对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

t为区间[2，k-1]内的整数；

步骤S30，分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

步骤S40，令t＝t+1，重复执行步骤S20、步骤S30，获得k-2个水面刻度值；

步骤S50，将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；所述刻度预测模型基于机器学习算法构建，并通过预设的训练样本集训练获取。

在一些优选的实施例中，步骤S20中“对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

其方法为：

步骤S21，分别对所述待识别图像集中第t帧、t-1帧、t+1帧图像进行二值化处理，并采用基于findContours函数的轮廓检索方法，获得水尺刻度图像；

步骤S22，分别依据所述水尺刻度图像的大小，宽高比例，调整所述待识别图像大小，并将三帧图像的基准标识对齐后融合，获得对齐融合后的图像

在一些优选的实施例中，步骤S30中“获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值”，其方法为：

步骤S31，基于所述图像

中最低数字坐标、最低刻度、基本标识坐标，并结合所述拟合后的水线计算所述最低刻度到水面距离：

h＝(基准刻度–最低刻度)/(最低数字坐标y-基准标识坐标y)*(水面坐标y-最低数字坐标y)

其中，h为最低刻度到水面距离；

步骤S32，基于所述最低刻度到水面距离以及获取的基本标识刻度，计算水面刻度值：

D＝基准刻度-(10–最低刻度)+h

其中，D为水面刻度值，h为最低刻度到水面距离。

在一些优选的实施例中，所述刻度预测模型，其训练方法为：

步骤B10，获取预设重量的水面不平静状态船舶水尺刻度图像作为训练样本，其对应的水面平静状态水尺刻度作为训练样本标签；

步骤B20，随机选取一组训练样本及其对应的样本标签，采用机器学习的方法训练刻度预测模型并计算预测刻度与样本标签的误差；

步骤B30，如果所述误差不低于设定阈值，则更新刻度预测模型的参数并重复执行步骤B20直至达到设定训练结束条件，获得训练好的刻度预测模型。

在一些优选的实施例中，步骤S30中“结合所述拟合后的水线计算水面刻度值”之后还设置有水面刻度值修正的步骤，其方法为：

步骤T10，基于所述拟合后的水线，计算当前时刻水线增值系数：

其中，k_d为当前时刻水线增值系数，f(x)为拟合后的水线，ω为拟合后的水线在x轴方向的抽样距离；

步骤T20，判断所述水线增值系数是否大于设定阈值，如果判断结果为是则基于所述当前时刻水线增值系数，计算设定时间内水线增值系数：

其中，k_a为设定时间内水线增值系数，t为设定时间；

步骤T30，依据所述设定时间内水线增值系数，计算水线修正系数：

其中，F为修正系数；

步骤T40，基于所述拟合后的水线、水线修正系数、水面刻度值，计算修正后的水面刻度值：

其中，M为修正后的水面刻度。

本发明的另一方面，提出了一种基于爬壁机器人的船舶水尺识别方法，基于上述的基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

采用上述的基于爬壁机器人的船舶水尺识别方法的步骤S10-步骤S40对应的方法获取k-2个水面刻度值；

对所述k-2个水面刻度值求平均值，获得水面水尺刻度读数：

其中，M为水面刻度值平均值，D_i为第i次获得的水面刻度值。

本发明的第三方面，提出了一种基于爬壁机器人的船舶水尺识别方法，基于上述的基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

步骤G10，采用上述的基于爬壁机器人的船舶水尺识别方法的步骤S10对应的方法获取待识别图像；

对所述待识别图像进行二值化处理，并通过轮廓检索方法提取水尺刻度位置，获取刻度图像集及其对应的坐标向量；

步骤G30，采用水尺刻度识别模型，对所述刻度图像集中每一张图像进行识别，获取水尺刻度集合；所述水尺刻度识别模型为基于支持向量机构建并采用不同角度、尺寸、颜色的水尺刻度训练图片训练的用于水尺刻度识别的模型；

步骤G40，循环遍历所述刻度图像集对应的坐标向量中坐标值，获得最底部刻度图像及其对应的坐标；

步骤G50，依据所述最底部刻度图像及其对应的坐标，提取所述待识别图像中连续最长不规则线条及其预设间隔点坐标，获得水线图像及其对应的坐标；

步骤G60，基于所述水尺刻度集合、最底部刻度图像及其对应的坐标、水线图像及其坐标，计算最底部刻度图像与水线的距离；

步骤G70，基于最底部刻度图像与水线的距离以及最底部刻度图像水尺刻度，计算水面刻度值，获得水面水尺刻度读数。

本发明的第四方面，提出了一种基于爬壁机器人的船舶水尺识别系统，该水尺识别系统包括获取模块、图像对齐融合模块、刻度计算模块、刻度预测模块、输出模块；

所述获取模块，配置为通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；

所述图像对齐融合模块，配置为对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像I_t ^new；

所述刻度计算模块，配置为分别获取所述图像I_t ^new中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像I_t ^new中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

所述刻度预测模块，配置为将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；

所述输出模块，配置为将获取的水尺刻度读数输出。

本发明的第五方面，提出了一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于爬壁机器人的船舶水尺识别方法。

本发明的第六方面，提出了一种处理装置，包括处理器、存储装置；所述处理器，适于执行各条程序；所述存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于爬壁机器人的船舶水尺识别方法。

本发明的有益效果：

(1)本发明基于爬壁机器人的船舶水尺识别方法，一方面采用爬壁机器人沿船体攀爬至水尺刻度处，近距离拍摄视频，抗风浪效果好、视频拍摄稳定，避免人工观测乘船或攀爬软梯的风险，节约人力成本，另一方面，采用二值化、滤波等方法消除图像中各干扰因素，通过水线拟合、刻度矫正的方法提高数据准确性，通过机器学习的模型进行水尺刻度预测，提高了数据读取的效率及正确率。

(2)本发明将获取的数据记录到数据库，采用网络电子表单传输以及电子数据资料管理替代原有的纸质表单传输以及实体资料管理，实现系统化管理，易于存储、管理、查找。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本发明基于爬壁机器人的船舶水尺识别方法的流程示意图；

图2是本发明基于爬壁机器人的船舶水尺识别方法一种实施例的人工水尺数据读取示例图；

图3是本发明基于爬壁机器人的船舶水尺识别方法一种实施例的爬壁机器人及拍摄用相机示例图；

图4是本发明基于爬壁机器人的船舶水尺识别方法一种实施例的水尺刻度示例图；

图5是本发明基于爬壁机器人的船舶水尺识别方法一种实施例的水线曲线拟合效果示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

本发明的一种基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

步骤S10，通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；k为大于2的整数；

步骤S20，对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

t为区间[2，k-1]内的整数；

步骤S30，分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

步骤S40，令t＝t+1，重复执行步骤S20、步骤S30，获得k-2个水面刻度值；

步骤S50，将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；所述刻度预测模型基于机器学习算法构建，并通过预设的训练样本集训练获取。

为了更清晰地对本发明基于爬壁机器人的船舶水尺识别方法进行说明，下面结合图1对本发明方法实施例中各步骤展开详述。

本发明一种实施例的基于爬壁机器人的船舶水尺识别方法，包括步骤S10-步骤S50，各步骤详细描述如下：

步骤S10，通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；k为大于2的整数。

将水尺刻度中的M作为基准标识为，每10m的距离有一个M，获取的水位图像中必须至少有一个M作为基准标识，同一段视频图像的基准标识为同一个。水位图像还需尽量保证水尺垂直并处于图像中心，并包含完整的大致与图像底部平行的水位线以及一部分作为对比的水面，从而减少后续识别过程中的误差。

水尺计重，指的是在阿基米德原理的基础上，以船本身为计量工具，对船载货物进行计量的一种方法。

目前的人工观测水尺读数的方式受海浪的影响很大，真正想读准水尺刻度也是一个难题。纯以人工观测的方式，需要非常有经验的技术人员，且最后观测结果依然需要与船舶大副最终协商确定。

爬壁机器人可以在5级以上风力和较为严峻的海浪情况下实施作业，这比现有技术中的四轴飞行器和自动驾驶船只都要稳定可靠。飞行器一般在4到5级风力时会有执行风险而海边的风力一般都在此以上，因此可能被风吹歪或撞击其他物体导致较为严重的损坏，即使勉强维持，拍摄水尺的镜头晃动也非常剧烈，还需要对拍摄视频做特殊处理，精度下降并且成本增加。带有摄像头及传感器的自动驾驶船只虽然比飞行器可靠，但是海浪过大的情况下可能导致船只被浪吞没或撞击到轮船船体上，且镜头晃动更加严重，海浪会干扰自动驾驶船只的方向，摄像头几乎无法对齐水尺。

如图2所示，为本发明基于爬壁机器人的船舶水尺识别方法一种实施例的人工水尺数据读取示例图，人工乘小船到达水尺附近，目测读取水尺刻度并记录。目前水面平静，为读取数据提供了良好的客观环境。

本发明实施例中，通过便携式爬壁机器人获取水尺刻度视频图像，工作人员只需登上船舶，到达水尺刻度上方，将爬壁机器人安装到船舶的外弦，进而遥控机器人快速爬行到水线上方靠近水尺的位置。该方法的好处是抗风浪效果比较好(目前规划抗8级风)，可以稳定于船体上，即使船舶出现晃动，机器人与水尺刻度相对不动，保证了视频拍摄的稳定性。

爬壁机器人可以通过人工遥控方式到达合适拍摄点，也可以通过路径规划的方式，沿预先规划好的路径到达合适拍摄点。

如图3所示，为本发明基于爬壁机器人的船舶水尺识别方法一种实施例的爬壁机器人及拍摄用相机示例图，爬壁机器人吸附于船舱外侧壁，其携带的摄像机拍摄水尺视频。

通过机器视觉的方式，将机器人拍摄的视频自动传输到船体上的PAD端、手机端、计算机端等进行自动识别。一般上传2-3分钟的视频水尺图像，机器可以自动识别水线和水尺刻度，进而给出实时的水尺刻度数据，最后采用基于机器学习算法构建并通过预设的训练样本集训练获取的刻度预测模型给出这段视频的水面水尺刻度读数。

在船舶水尺数据测量中，持续时间是一个至关重要的前提，如果只有某一时刻的测量数据往往对于统计和判断毫无意义。爬壁机器人可以长时间吸附在船舶外壁上，这比人工及其他主流技术方案都要持久。人工测量水尺可以在较短时间内测量，但是无法长时间测量。本发明采用爬壁机器人的测量策略，是通过摄像头录制的水尺视频识别当前时刻的水线刻度，并将这些数据全部存储到服务器，测量完毕后可以根据需求获取任意时间范围内的水线刻度，并且数据可视化。

如图4所示，为本发明基于爬壁机器人的船舶水尺识别方法一种实施例的水尺刻度示例图，识别出当前帧和前后帧的水面和水线，再结合识别的数字，确定水线和刻度的关系，进而给出水尺读数。

步骤S20，对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

t为区间[2，k-1]内的整数。

“对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

其方法为：

步骤S21，分别对所述待识别图像集中第t帧、t-1帧、t+1帧图像进行二值化处理，并采用基于findContours函数的轮廓检索方法，获得水尺刻度图像。

在对图像二值化之前还可以将图像转换为灰度图像，并进行灰度直方图均衡操作，从而增强图像对比度，便于后续的轮廓检索。

对图像做处理，根据二值化、降噪等算法对水尺刻度进行突出，通过一系列优化算法可排除水痕线、倒影、雨滴以及船体划痕或符号等干扰因素对水线识别的影响。

步骤S22，分别依据所述水尺刻度图像的大小，宽高比例，调整所述待识别图像大小，并将三帧图像的基准标识对齐后融合，获得对齐融合后的图像

步骤S30，分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值。

曲线拟合(Curve Fitting)，是用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。曲线的拟合方法有很多，比如最小二乘法、移动最小二乘法、NURBS三次曲线拟合、基于RBF的曲线拟合等等，本发明一个实施例中，采用最小二乘法基于连续三帧待识别图像的水面曲线的离散点进行曲线拟合，提高了水线提取的精度，从而提高了水尺刻度数据读取的准确性。

如图5所示，为本发明基于爬壁机器人的船舶水尺识别方法一种实施例的水线曲线拟合效果示意图，菱形点为从图像中提取的水面坐标点，曲线为采用最小二乘法拟合后获得的水线。

步骤S31，基于所述图像

中最低数字坐标、最低刻度、基本标识坐标，并结合所述拟合后的水线计算所述最低刻度到水面距离，如式(1)所示：

h＝(基准刻度–最低刻度)/(最低数字坐标y-基准标识坐标y)*(水面坐标y-最低数字坐标y) 式(1)

其中，h为最低刻度到水面距离。

步骤S32，基于所述最低刻度到水面距离以及获取的基本标识刻度，计算水面刻度值，如式(2)所示：

D＝基准刻度-(10–最低刻度)+h 式(2)

其中，D为水面刻度值，h为最低刻度到水面距离。

“结合所述拟合后的水线计算水面刻度值”之后还设置有水面刻度值修正的步骤，其方法为：

步骤T10，基于所述拟合后的水线，计算当前时刻水线增值系数，如式(3)所示：

其中，k_d为当前时刻水线增值系数，f(x)为拟合后的水线，ω为拟合后的水线在x轴方向的抽样距离。

步骤T20，判断所述水线增值系数是否大于设定阈值，如果判断结果为是则基于所述当前时刻水线增值系数，计算设定时间内水线增值系数，如式(4)所示：

其中，k_a为设定时间内水线增值系数，t为设定时间。本发明的一个实施例中，设定水线增值系数k_a的判断阈值为0.74。

步骤T30，依据所述设定时间内水线增值系数，计算水线修正系数，如式(5)所示：

其中，F为修正系数。

步骤T40，基于所述拟合后的水线、水线修正系数、水面刻度值，计算修正后的水面刻度值，如式(6)所示：

其中，M为修正后的水面刻度。

步骤S40，令t＝t+1，重复执行步骤S20、步骤S30，获得k-2个水面刻度值。

步骤S50，将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；所述刻度预测模型基于机器学习算法构建，并通过预设的训练样本集训练获取。

刻度预测模型，其训练方法为：

步骤B10，获取预设重量的水面不平静状态船舶水尺刻度图像作为训练样本，其对应的水面平静状态水尺刻度作为训练样本标签；

步骤B20，随机选取一组训练样本及其对应的样本标签，采用机器学习的方法训练刻度预测模型并计算预测刻度与样本标签的误差；

步骤B30，如果所述误差不低于设定阈值，则更新刻度预测模型的参数并重复执行步骤B20直至达到设定训练结束条件，获得训练好的刻度预测模型。

本发明第二实施例的基于爬壁机器人的船舶水尺识别方法，基于上述的基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

采用上述的基于爬壁机器人的船舶水尺识别方法的步骤S10-步骤S40对应的方法获取k-2个水面刻度值；

对所述k-2个水面刻度值求平均值，获得水面水尺刻度读数。

对k-2个水面刻度值求平均值，如式(7)所示：

其中，M为水面刻度值平均值，D_i为第i次获得的水面刻度值。

本发明第三实施例的基于爬壁机器人的船舶水尺识别方法，基于上述的基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

步骤G10，采用上述的基于爬壁机器人的船舶水尺识别方法的步骤S10对应的方法获取待识别图像；

对所述待识别图像进行二值化处理，并通过轮廓检索方法提取水尺刻度位置，获取刻度图像集及其对应的坐标向量；

步骤G30，采用水尺刻度识别模型，对所述刻度图像集中每一张图像进行识别，获取水尺刻度集合；所述水尺刻度识别模型为基于支持向量机构建并采用不同角度、尺寸、颜色的水尺刻度训练图片训练的用于水尺刻度识别的模型；

步骤G40，循环遍历所述刻度图像集对应的坐标向量中坐标值，获得最底部刻度图像及其对应的坐标；

步骤G50，依据所述最底部刻度图像及其对应的坐标，提取所述待识别图像中连续最长不规则线条及其预设间隔点坐标，获得水线图像及其对应的坐标；

步骤G60，基于所述水尺刻度集合、最底部刻度图像及其对应的坐标、水线图像及其坐标，计算最底部刻度图像与水线的距离；

步骤G70，基于最底部刻度图像与水线的距离以及最底部刻度图像水尺刻度，计算水面刻度值，获得水面水尺刻度读数。

水尺测量的精度是整个系统的最为关键的重点之一，很多技术方案中用到了传感器、模板匹配、单纯的深度学习等，这些方案在一定情况下可以识别出水尺刻度，但是在较为恶劣的环境比如下雨、巨浪、大风，会产生较为严重的误差。传感器方案受到折射和移动等因素的影响论；模板匹配在刻度识别的过程中因技术本身误差较大可能计算出完全不存在的数据；单纯的深度学习实现过程较为复杂，目前文字定位仍然不是一个非常成熟的技术，因为船体及海面除了刻度外很可能有其他形状类似文字的物体，从而引入误差。本发明采用了更为仿生的直观测量流程，即采用机器模仿人工测量相同的流程，降低了水尺识别的误差，提高了准确性、可操作性。

目前主要测量方式中水尺的记录和数据管理均采用手写或者excel录入等数据文件单独管理的方式。本发明技术方案提供了系统化管理水尺数据的方案，数据记录完成后，用户可以通过应用或网站对数据进行筛选及管理，获取每小时、每天甚至每个月的平均水位线，可通过大量数据对船舶吃水做更多有效的分析；用户还可以通过搜索框或历史记录查找指定时间范围内的数据，多个机器人同时作业产生的数据可以用来对船舶的多方吃水做更详细具体的测量和分析，比如做倾斜情况下平均吃水的修正等，这在船舶计重领域中具有重大意义。

本发明第四实施例的基于爬壁机器人的船舶水尺识别系统，该水尺识别系统包括获取模块、图像对齐融合模块、刻度计算模块、刻度预测模块、输出模块；

所述获取模块，配置为通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；

所述图像对齐融合模块，配置为对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

所述刻度计算模块，配置为分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

所述刻度预测模块，配置为将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；

所述输出模块，配置为将获取的水尺刻度读数输出。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的基于爬壁机器人的船舶水尺识别系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

本发明第五实施例的一种存储装置，其中存储有多条程序，所述程序适于由处理器加载并执行以实现上述的基于爬壁机器人的船舶水尺识别方法。

本发明第六实施例的一种处理装置，包括处理器、存储装置；处理器，适于执行各条程序；存储装置，适于存储多条程序；所述程序适于由处理器加载并执行以实现上述的基于爬壁机器人的船舶水尺识别方法。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种基于爬壁机器人的船舶水尺识别方法，其特征在于，该水尺识别方法包括：

步骤S10，通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；k为大于2的整数；

步骤S20，对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

t为区间[2，k-1]内的整数；

步骤S30，分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

步骤S40，令t＝t+1，重复执行步骤S20、步骤S30，获得k-2个水面刻度值；

步骤S50，将所述k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；所述刻度预测模型基于机器学习算法构建，并通过预设的训练样本集训练获取。

2.根据权利要求1所述的基于爬壁机器人的船舶水尺识别方法，其特征在于，步骤S20中“对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

”，其方法为：

步骤S21，分别对所述待识别图像集中第t帧、t-1帧、t+1帧图像进行二值化处理，并采用基于findContours函数的轮廓检索方法，获得水尺刻度图像；

步骤S22，分别依据所述水尺刻度图像的大小，宽高比例，调整所述待识别图像大小，并将三帧图像的基准标识对齐后融合，获得对齐融合后的图像

3.根据权利要求1所述的基于爬壁机器人的船舶水尺识别方法，其特征在于，所述刻度预测模型，其训练方法为：

步骤B10，获取预设重量的水面不平静状态船舶水尺刻度图像作为训练样本，其对应的水面平静状态水尺刻度作为训练样本标签；

步骤B20，随机选取一组训练样本及其对应的样本标签，采用机器学习的方法训练刻度预测模型并计算预测刻度与样本标签的误差；

步骤B30，如果所述误差不低于设定阈值，则更新刻度预测模型的参数并重复执行步骤B20直至达到设定训练结束条件，获得训练好的刻度预测模型。

4.根据权利要求1-3任一项所述的基于爬壁机器人的船舶水尺识别方法，其特征在于，步骤S30中“结合所述拟合后的水线计算水面刻度值”之后还设置有水面刻度值修正的步骤，其方法为：

步骤T10，基于所述拟合后的水线，计算当前时刻水线增值系数：

其中，k_d为当前时刻水线增值系数，f(x)为拟合后的水线，ω为拟合后的水线在x轴方向的抽样距离；

步骤T20，判断所述水线增值系数是否大于设定阈值，如果判断结果为是则基于所述当前时刻水线增值系数，计算设定时间内水线增值系数：

其中，k_a为设定时间内水线增值系数，t为设定时间；

步骤T30，依据所述设定时间内水线增值系数，计算水线修正系数：

其中，F为修正系数；

步骤T40，基于所述拟合后的水线、水线修正系数、水面刻度值，计算修正后的水面刻度值：

其中，M为修正后的水面刻度。

5.一种基于爬壁机器人的船舶水尺识别方法，其特征在于，基于权利要求1-4所述的基于爬壁机器人的船舶水尺识别方法，该水尺识别方法包括：

采用权利要求1-4任一项所述的基于爬壁机器人的船舶水尺识别方法的步骤S10-步骤S40对应的方法获取k-2个水面刻度值；

对所述k-2个水面刻度值求平均值，获得水面水尺刻度读数：

其中，M为水面刻度值平均值，D_i为第i次获得的水面刻度值。

6.一种基于爬壁机器人的船舶水尺识别系统，其特征在于，该水尺识别系统包括获取模块、图像对齐融合模块、刻度计算模块、刻度预测模块、输出模块；

所述获取模块，配置为通过船舶外壁上爬行的爬壁机器人连续采集k帧水位图像，构建待识别图像集；所述水位图像为带有基准标识的水尺刻度图像；

所述图像对齐融合模块，配置为对所述待识别图像集中第t帧、t-1帧、t+1帧图像分别进行刻度定位，并对该三帧图像进行基准标识对齐后融合，获得对齐融合后的图像

所述刻度计算模块，配置为分别获取所述图像

中三条水面曲线的离散点，并进行曲线拟合得到拟合后的水线；获取所述图像

中最低数字坐标、最低刻度、基本标识坐标、基本标识刻度，并结合所述拟合后的水线计算水面刻度值；

所述刻度预测模块，配置为将k-2个水面刻度值输入刻度预测模型，获取水面水尺刻度读数；其中，k为连续采集的水位图像的帧数；

所述输出模块，配置为将获取的水尺刻度读数输出。

7.一种存储装置，其中存储有多条程序，其特征在于，所述程序适于由处理器加载并执行以实现权利要求1-5任一项所述的基于爬壁机器人的船舶水尺识别方法。

8.一种处理装置，包括

处理器，适于执行各条程序；以及

存储装置，适于存储多条程序；

其特征在于，所述程序适于由处理器加载并执行以实现：

权利要求1-5任一项所述的基于爬壁机器人的船舶水尺识别方法。

Images