CN112001369B - 船舶烟囱的检测方法、装置、电子设备及可读存储介质 - Google Patents
船舶烟囱的检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112001369B CN112001369B CN202011050199.0A CN202011050199A CN112001369B CN 112001369 B CN112001369 B CN 112001369B CN 202011050199 A CN202011050199 A CN 202011050199A CN 112001369 B CN112001369 B CN 112001369B
- Authority
- CN
- China
- Prior art keywords
- ship
- detection
- image
- value
- region
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 101100194362 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res1 gene Proteins 0.000 description 2
- 101100194363 Schizosaccharomyces pombe (strain 972 / ATCC 24843) res2 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 101000615238 Homo sapiens Proto-oncogene DBL Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种船舶烟囱的检测方法、装置、电子设备及可读存储介质，涉及计算机视觉技术领域。具体实现方案为：获取待检测船舶图像，将待检测船舶图像转化为单值灰度图，对所述单值灰度图进行高温区域检测，得到目标区域，将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。根据本申请实施例，可以提高船舶烟囱的检测效果。
Description
技术领域
本申请公开了一种船舶烟囱的检测方法、装置、电子设备及可读存储介质，涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域。
背景技术
现有技术中，对船舶烟囱的检测大都是基于建立的特征提取网络，提取船舶烟囱的轮廓、颜色、形状等特征来进行检测。然而，由于船舶烟囱的这些特征不明显，且船舶烟囱比较小，因此常导致检测效果较差。
发明内容
本公开提供了一种用于船舶烟囱的检测方法、装置、电子设备及可读存储介质。
根据本公开的一方面，提供了一种船舶烟囱的检测方法，包括：
获取待检测船舶图像；
将所述待检测船舶图像转化为单值灰度图；
对所述单值灰度图进行高温区域检测，得到目标区域；
将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。
根据本公开的另一方面，提供了一种船舶烟囱的检测装置，包括：
获取模块，用于获取待检测船舶图像；
转化模块，用于将所述待检测船舶图像转化为单值灰度图；
第一检测模块，用于对所述单值灰度图进行高温区域检测，得到目标区域；
第一确定模块，用于将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方法。
根据本申请的技术解决了目前对船舶烟囱的检测效果较差的问题，提高了船舶烟囱的检测效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的船舶烟囱的检测方法的示意图；
图2是本申请实施例提供的模型训练过程的示意图；
图3是本申请实施例中设计的船舶检测网络结构的示意图；
图4A是本申请实施例中的船舶检测模型的评价指标结果示意图；
图4B是现有YOLOv3模型的评价指标结果示意图；
图5是本申请具体实例中的不同帧的船舶位置的示意图；
图6是本申请具体实例中的船舶和船舶烟囱的检查过程的示意图；
图7A是本申请具体实例中输出的船舶检测结果的示意图；
图7B是本申请具体实例中输出的船舶烟囱检测结果的示意图；
图8是用来实现本申请实施例中的船舶烟囱的检测方法的检测装置的框图；
图9是用来实现本申请实施例中的船舶烟囱的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。说明书以及权利要求中“和/或”表示所连接对象的至少其中之一。
请参见图1，图1是本申请实施例提供的一种船舶烟囱的检测方法的流程图，该方法应用于电子设备，如图1所示，该方法包括如下步骤：
步骤101：获取待检测船舶图像。
本实施例中，该待检测船舶图像可选为多波段船舶图像。该待检测船舶图像可以是通过摄像装置比如多波段摄像机等实时采集的船舶图像，也可以是从已有船舶图像集中获取的船舶图像，对此不进行限制。
步骤102：将待检测船舶图像转化为单值灰度图。
可理解的，在船舶行驶过程中，船舶烟囱会排烟，而排烟时会释放出大量热量，因此对于多波段船舶图像，船舶烟囱的红外波段特征会比较明显。基于此特点，本申请实施例提出了对船舶图像的红外波段下高温区域进行检测，以确定船舶烟囱所在区域。由于单值灰度图是以单通道表示像素点的像素值的，单值灰度图中高温区域的像素点的像素值相比于低温区域的像素点的像素值会比较大，因此为了实现对待检测船舶图像的红外波段下高温区域的检测，可以首先将待检测船舶图像转化为单值灰度图，然后通过该单值灰度图实现对红外波段下高温区域的检测。
一种实施方式中，待检测船舶图像为RGB图像，可以通过现有将RGB图像转为灰度图的方法，将待检测船舶图像转化为单值灰度图。
步骤103：对单值灰度图进行高温区域检测，得到目标区域。
本实施例中，上述对单值灰度图进行高温区域检测可理解为对单值灰度图进行检测，以选取满足一定条件的高温区域作为目标区域。
步骤104：将待检测船舶图像中的与该目标区域对应的区域，确定为船舶烟囱所在区域。
本申请实施例中的船舶烟囱的检测方法，在获取待检测船舶图像之后，可以将待检测船舶图像转化为单值灰度图，对该单值灰度图进行高温区域检测，得到目标区域，并将待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。由此，可以借助待检测船舶图像中的船舶烟囱的红外波段特征，实现对船舶烟囱的检测，从而提高了船舶烟囱的检测效果。
进一步的，通过本实施例中的对船舶烟囱的检测，可以为比如船舶烟雾检测、船舶追踪、船舶状态估计等海事任务提供支持技术，从而对船舶污染监管、环境保护等具有重要的意义和价值。
本申请实施例中，考虑到单值灰度图中高温区域的像素点的像素值相比于低温区域的像素点的像素值会比较大，因此在对单值灰度图进行高温区域检测时，可以通过设置阈值筛选区域来选取满足一定条件的高温区域作为目标区域。
可选的，上述对单值灰度图进行高温区域检测的过程可以包括：首先，对该单值灰度图进行二值化处理，得到二值化图；其中，当该单值灰度图中的像素点的像素值大于预设阈值时，所获取的二值化图中的对应像素点取值为第一值；或者，当该单值灰度图中的像素点的像素值小于或等于该预设阈值时，所获取的二值化图中的对应像素点取值为第二值；然后，从该二值化图的多个第一区域中选择第二区域；其中，该第一区域中的所有像素点的值为第一值，该第二区域为多个第一区域中的面积最大的区域；第一值不同于第二值；最后，将该单值灰度图中的与第二区域对应的区域，确定为目标区域。这样借助二值化图，可以方便且准确地选取满足条件的高温区域作为目标区域。
需指出的，上述预设阈值可以基于实际高温情况预先设置，且像素值大于该预设阈值的像素点表示高温区域的像素点，像素值小于或等于该预设阈值的像素点表示低温区域的像素点。
作为一种可选的实施方式，上述的第一值等于0，同时上述的第二值等于255。
作为一种可选的实施方式，上述从二值化图的多个第一区域中选择目标区域的过程可以包括：首先，根据轮廓检测算法，从该二值化图中检测得到多个第一区域；该轮廓检测算法可选为现有的基于边缘检测的轮廓检测方法等，以将像素值相同的区域(如上述像素值取值为第一值的区域)按照广度划分出来；然后，基于该多个第一区域的面积的从大到小或者从小到大，对该多个第一区域进行排序；最后，基于排序后的多个第一区域，选择得到第二区域。这样，借助轮廓检测算法和区域面积排序，可以快速准确地选择出面积最大的第二区域，从而实现后续的对红外波段下高温区域的检测。
本申请实施例中，由于船舶烟囱属于小目标，检测效果较差，因此为了提高对船舶烟囱的检测效果，针对待检测船舶图像，可以首先检测出船舶区域，以缩小对船舶烟囱的检测范围，然后基于该船舶区域对船舶烟囱进行检测。
可选的，上述步骤103之前，本申请中的检测方法还可以包括：根据预先训练的船舶检测模型对待检测船舶图像进行检测，得到船舶区域。之后，上述步骤103中的高温区域检测过程可以包括：对单值灰度图中的与该船舶区域对应的区域进行高温区域检测，得到目标区域。这样，可以缩小对船舶烟囱的检测范围，从而提高检测效果。
需指出的，上述预先训练的船舶检测模型可选为但不限于深度学习模型，可以基于深度学习技术训练得到。
可选的，如图2和图3所示，上述船舶检测模型的训练过程可以包括如下步骤：
步骤21：建立训练数据集。其中，该训练数据集中包括标记了船舶区域的船舶图像。需指出的，为了提高船舶的检查效率，可以使用k均值聚类算法(k-means算法)设计船舶检测专用的边框anchor，以基于该anchor实现模型训练以及船舶检查。
步骤22：基于近距离观察YOLOv3模型，设计船舶检测网络结构。其中，该船舶检测网络结构中的特征提取网络采用的卷积方式为1*3和3*1组合的非对称卷积，该特征提取网络中包括两个层数为四层的残差块结构，该船舶检测网络结构的输出层包括13*13的输出层和26*26的输出层。也就是说，相比于现有的YOLOv3模型，如图3所示，本申请实施例中设计的船舶检测网络结构是将Darknet-53网络的3*3的对称卷积更改为1*3和3*1组合的非对称卷积，以使得每一层卷积的参数量减少约1/2，并且将Darknet-53网络中的两个层数为八层的残差块结构(Residual Block)删减为两个层数为四层的残差块结构，以减少网络参数量等，保证计算速度，并且将预测输出层由原来的13*13、26*26和52*52的不同尺寸预测输出层更改为仅包含13*13的输出层和26*26的输出层，即删除了52*52的输出层，以减少运算量。需指出的，在图3中，DBL表示YOLOv3模型的基本组件，是卷积层的不可分离的部分；Res1、Res2、Res4表示这个残差块结构里含有多少个残差单元(res_unit)；concat表示张量拼接。对于该DBL、Res1、Res2、Res4等的功能与现有YOLOv3模型中相应组件的功能相同，在此不再赘述。
步骤23：利用该训练数据集对船舶检测网络结构进行训练，得到船舶检测模型。
这样，借助上述训练过程，可以使得训练得到的船舶检测模型在参数量、时空复杂度、运算量上相较于现有YOLOv3模型得到优化，从而提高船舶检测效果。
例如，参见图4A和图4B所示，图4A为本申请中训练得到的船舶检测模型的评价指标结果示意图，图4B为现有YOLOv3模型的评价指标结果示意图，相比于现有YOLOv3模型，本申请中训练得到的船舶检测模型在精确率(precision)、召回率(recall)、mAP值、F1值方面都得到了有效改善。
本申请实施例中，由于不同的船舶行驶方向下，在同一摄像位置拍摄的船舶图像中的船舶烟囱相对于船舶的位置是不同的，比如当船舶行驶方向为向左时，船舶图像中的船舶烟囱相对于船舶的位置为在船舶的左半部分，或者当船舶行驶方向为向右时，船舶图像中的船舶烟囱相对于船舶的位置为在船舶的右半部分，因此为了提高船舶烟囱的检测效果，可以结合船舶烟囱相对于船舶的位置来进行船舶烟囱的检测。
可选的，在获取待检测船舶图像之后，本申请中的检测方法还可以包括：根据与待检测船舶图像关联的至少两帧船舶图像之间的船舶位置关系，确定待检测船舶图像中的船舶烟囱相对于船舶的位置。上述至少两帧船舶图像可以为相比于待检测船舶图像之前帧的图像。之后，在对单值灰度图中的与船舶区域对应的区域进行高温区域检测时，可以首先根据该船舶烟囱相对于船舶的位置，从单值灰度图中的与船舶区域对应的区域中选取烟囱检测区域；然后对该烟囱检测区域进行高温区域检测，得到目标区域。这样借助确定的船舶烟囱相对于船舶的位置，可以进一步缩小对船舶烟囱的检测范围，从而提高检测效果。
其中，在根据船舶烟囱相对于船舶的位置选取对应的烟囱检测区域时，可以结合预设规则比如截取1/2、2/3等船舶区域作为烟囱检测区域来进行选取。例如参见图5所示，如果在已建立的图像坐标系中，t1帧船舶图像和t2帧船舶图像为相比于待检测船舶图像之前的两帧船舶图像，t2帧在t1帧之前，t1帧时船舶位置的中心点横坐标为(x2-x1)/2，t2帧时船舶位置的中心点横坐标为(x4-x3)/2，则在根据t1帧船舶图像和t2帧船舶图像之间的船舶位置关系，确定船舶烟囱相对于船舶的位置时，可以首先比较(x2-x1)/2和(x4-x3)/2的大小，确定船舶行驶方向比如向右，然后根据该船舶行驶方向，确定待检测船舶图像中的船舶烟囱相对于船舶的位置，如图5中船舶烟囱位于船舶的右半部分。
下面结合图6对本申请具体实例进行详细说明。
本申请具体实例中，如图6所示，可以通过多波段摄像机采集船舶图像，比如t0帧船舶图像…ti帧船舶图像…tj帧船舶图像。其中，当tj帧船舶图像为待检测船舶图像时，可以根据t0帧船舶图像和ti帧船舶图像之间的船舶位置关系，判断出船舶行驶方向，确定出待检测船舶图像中的船舶烟囱相对于船舶的位置，以缩小船舶烟囱检测范围，同时可以根据预先训练的船舶检测模型，对tj帧船舶图像进行检测，输出船舶检测结果即船舶区域，如图6和图7A所示。进一步的，基于已建立的图像坐标系，结合检测得到的船舶区域以及船舶烟囱相对于船舶的位置，可以选取烟囱检测区域，并确定该烟囱检测区域对应的烟囱检测坐标，比如该烟囱检测区域的至少四个顶点坐标等。
此外为了检测船舶烟囱，如图6所示，对应的检查过程可以包括：首先，将tj帧船舶图像由RGB图像转化为单值灰度图；然后，根据预设阈值对该单值灰度图进行二值化处理，得到二值化图，并结合已确定的烟囱检测坐标，对该二值化图进行裁剪即选取烟囱检测区域；最后，借助轮廓检测算法对高温区域检测，以从该烟囱检测区域中选取面积最大的高温区域，即船舶烟囱所在区域，并将tj帧船舶图像中的与该高温区域对应的区域作为船舶烟囱检测结果烟囱检测结果输出，如图6和图7B所示。需指出的，对于图6实施例中涉及的二值化处理、轮廓检测等的具体内容，可以参见上述实施例所述，在此不再赘述。
请参见图8，图8是本申请实施例提供的一种船舶烟囱的检测装置的结构示意图，如图8所示，该船舶烟囱的检测装置80包括：
获取模块81，用于获取待检测船舶图像；
转化模块82，用于将所述待检测船舶图像转化为单值灰度图；
第一检测模块83，用于对所述单值灰度图进行高温区域检测，得到目标区域；
第一确定模块84，用于将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。
可选的，所述第一检测模块83包括：
处理单元，用于对所述单值灰度图进行二值化处理，得到二值化图；其中，当所述单值灰度图中的像素点的像素值大于预设阈值时，所述二值化图中的对应像素点取值为第一值；或者，当所述单值灰度图中的像素点的像素值小于或等于所述预设阈值时，所述二值化图中的对应像素点取值为第二值；
选择单元，用于从所述二值化图的多个第一区域中选择第二区域；其中，所述第一区域中的所有像素点的值为所述第一值，所述第二区域为所述多个第一区域中的面积最大的区域；
确定单元，用于将所述单值灰度图中的与所述第二区域对应的区域，确定为所述目标区域。
可选的，所述选择单元包括：
检测子单元，用于根据轮廓检测算法，从所述二值化图中检测得到所述多个第一区域；
排序子单元，用于基于所述多个第一区域的面积的从大到小或者从小到大，对所述多个第一区域进行排序；
选择子单元，用于基于排序后的所述多个第一区域，选择得到所述第二区域。
可选的，该船舶烟囱的检测装置80还包括：
第二检测模块，用于根据预先训练的船舶检测模型对所述待检测船舶图像进行检测，得到船舶区域；
所述第一检测模块83具体用于：对所述单值灰度图中的与所述船舶区域对应的区域进行高温区域检测，得到所述目标区域。
可选的，该船舶烟囱的检测装置80还包括：
设计模块，用于基于近距离观察YOLOv3模型，设计船舶检测网络结构；其中，所述船舶检测网络结构中的特征提取网络采用的卷积方式为1*3和3*1组合的非对称卷积，所述特征提取网络中包括两个层数为四层的残差块结构，所述船舶检测网络结构的输出层包括13*13的输出层和26*26的输出层；
建立模块，用于建立训练数据集；其中，所述训练数据集中包括标记了船舶区域的船舶图像；
训练模块，用于利用所述训练数据集对所述船舶检测网络结构进行训练，得到所述船舶检测模型。
可选的，该船舶烟囱的检测装置80还包括：
第二确定模块，用于根据与所述待检测船舶图像关联的至少两帧船舶图像之间的船舶位置关系，确定所述待检测船舶图像中的船舶烟囱相对于船舶的位置；
所述第一检测模块83包括：
选取单元，用于根据所述船舶烟囱相对于船舶的位置，从所述单值灰度图中的与所述船舶区域对应的区域中选取烟囱检测区域；
检测单元，用于对所述烟囱检测区域进行高温区域检测，得到所述目标区域。
可理解的，本申请实施例的船舶烟囱的检测装置80，可以实现上述图1所示方法实施例中实现的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图9所示，是根据本申请实施例的船舶烟囱的检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图9所示，该电子设备包括：一个或多个处理器901、存储器902，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图9中以一个处理器901为例。
存储器902即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的船舶烟囱的检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的船舶烟囱的检测方法。
存储器902作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的船舶烟囱的检测方法对应的程序指令/模块(例如，附图8所示的获取模块81、转化模块82、第一检测模块83和第一确定模块84)。处理器901通过运行存储在存储器902中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的船舶烟囱的检测方法。
存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据检测船舶烟囱的电子设备的使用所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至检测船舶烟囱的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
船舶烟囱的检测方法的电子设备还可以包括：输入装置903和输出装置904。处理器901、存储器902、输入装置903和输出装置904可以通过总线或者其他方式连接，图9中以通过总线连接为例。
输入装置903可接收输入的数字或字符信息，以及产生与检测船舶烟囱的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置904可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，在获取待检测船舶图像之后，可以将待检测船舶图像转化为单值灰度图，对该单值灰度图进行高温区域检测，得到目标区域，并将待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域。由此，可以借助待检测船舶图像中的船舶烟囱的红外波段特征，实现对船舶烟囱的检测，从而提高了船舶烟囱的检测效果。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (8)
1.一种船舶烟囱的检测方法，包括：
获取待检测船舶图像；
将所述待检测船舶图像转化为单值灰度图；
对所述单值灰度图进行高温区域检测，得到目标区域；
将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域；
所述对所述单值灰度图进行高温区域检测，得到目标区域，包括：
对所述单值灰度图进行二值化处理，得到二值化图；其中，当所述单值灰度图中的像素点的像素值大于预设阈值时，所述二值化图中的对应像素点取值为第一值；或者，当所述单值灰度图中的像素点的像素值小于或等于所述预设阈值时，所述二值化图中的对应像素点取值为第二值；
从所述二值化图的多个第一区域中选择第二区域；其中，所述第一区域中的所有像素点的值为所述第一值，所述第二区域为所述多个第一区域中的面积最大的区域；
将所述单值灰度图中的与所述第二区域对应的区域，确定为所述目标区域；
所述对所述单值灰度图进行高温区域检测之前，所述方法还包括：
根据预先训练的船舶检测模型对所述待检测船舶图像进行检测，得到船舶区域；
所述对所述单值灰度图进行高温区域检测，得到目标区域，包括：
对所述单值灰度图中的与所述船舶区域对应的区域进行高温区域检测，得到所述目标区域；
所述方法还包括：
根据与所述待检测船舶图像关联的至少两帧船舶图像之间的船舶位置关系，确定所述待检测船舶图像中的船舶烟囱相对于船舶的位置；所述至少两帧船舶图像为所述待检测船舶图像之前帧的图像；
所述对所述单值灰度图中的与所述船舶区域对应的区域进行高温区域检测，得到所述目标区域，包括：
根据所述船舶烟囱相对于船舶的位置，从所述单值灰度图中的与所述船舶区域对应的区域中选取烟囱检测区域。
2.根据权利要求1所述的方法，其中，所述从所述二值化图的多个第一区域中选择第二区域，包括：
根据轮廓检测算法，从所述二值化图中检测得到所述多个第一区域；
基于所述多个第一区域的面积的从大到小或者从小到大，对所述多个第一区域进行排序；
基于排序后的所述多个第一区域，选择得到所述第二区域。
3.根据权利要求1所述的方法，其中，所述根据预先训练的船舶检测模型对所述待检测船舶图像进行检测，得到船舶区域之前，所述方法还包括：
基于近距离观察YOLOv3模型，设计船舶检测网络结构；其中，所述船舶检测网络结构中的特征提取网络采用的卷积方式为1*3和3*1组合的非对称卷积，所述特征提取网络中包括两个层数为四层的残差块结构，所述船舶检测网络结构的输出层包括13*13的输出层和26*26的输出层；
建立训练数据集；其中，所述训练数据集中包括标记了船舶区域的船舶图像；
利用所述训练数据集对所述船舶检测网络结构进行训练，得到所述船舶检测模型。
4.一种船舶烟囱的检测装置，包括：
获取模块，用于获取待检测船舶图像；
转化模块，用于将所述待检测船舶图像转化为单值灰度图；
第一检测模块，用于对所述单值灰度图进行高温区域检测，得到目标区域；
第一确定模块，用于将所述待检测船舶图像中的与所述目标区域对应的区域，确定为船舶烟囱所在区域；
其中，所述第一检测模块包括：
处理单元，用于对所述单值灰度图进行二值化处理，得到二值化图；其中，当所述单值灰度图中的像素点的像素值大于预设阈值时，所述二值化图中的对应像素点取值为第一值；或者，当所述单值灰度图中的像素点的像素值小于或等于所述预设阈值时，所述二值化图中的对应像素点取值为第二值；
选择单元，用于从所述二值化图的多个第一区域中选择第二区域；其中，所述第一区域中的所有像素点的值为所述第一值，所述第二区域为所述多个第一区域中的面积最大的区域；
确定单元，用于将所述单值灰度图中的与所述第二区域对应的区域，确定为所述目标区域；
第二检测模块，用于根据预先训练的船舶检测模型对所述待检测船舶图像进行检测，得到船舶区域；
所述第一检测模块具体用于：对所述单值灰度图中的与所述船舶区域对应的区域进行高温区域检测，得到所述目标区域；
第二确定模块，用于根据与所述待检测船舶图像关联的至少两帧船舶图像之间的船舶位置关系，确定所述待检测船舶图像中的船舶烟囱相对于船舶的位置；所述至少两帧船舶图像为所述待检测船舶图像之前帧的图像；
所述第一检测模块包括：
选取单元，用于根据所述船舶烟囱相对于船舶的位置，从所述单值灰度图中的与所述船舶区域对应的区域中选取烟囱检测区域；
检测单元，用于对所述烟囱检测区域进行高温区域检测，得到所述目标区域。
5.根据权利要求4所述的装置，其中，所述选择单元包括：
检测子单元，用于根据轮廓检测算法，从所述二值化图中检测得到所述多个第一区域；
排序子单元，用于基于所述多个第一区域的面积的从大到小或者从小到大，对所述多个第一区域进行排序；
选择子单元，用于基于排序后的所述多个第一区域，选择得到所述第二区域。
6.根据权利要求4所述的装置，还包括：
设计模块，用于基于近距离观察YOLOv3模型，设计船舶检测网络结构；其中，所述船舶检测网络结构中的特征提取网络采用的卷积方式为1*3和3*1组合的非对称卷积，所述特征提取网络中包括两个层数为四层的残差块结构，所述船舶检测网络结构的输出层包括13*13的输出层和26*26的输出层；
建立模块，用于建立训练数据集；其中，所述训练数据集中包括标记了船舶区域的船舶图像；
训练模块，用于利用所述训练数据集对所述船舶检测网络结构进行训练，得到所述船舶检测模型。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011050199.0A CN112001369B (zh) | 2020-09-29 | 2020-09-29 | 船舶烟囱的检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011050199.0A CN112001369B (zh) | 2020-09-29 | 2020-09-29 | 船舶烟囱的检测方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001369A CN112001369A (zh) | 2020-11-27 |
| CN112001369B true CN112001369B (zh) | 2024-04-16 |
Family
ID=73475717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011050199.0A Active CN112001369B (zh) | 2020-09-29 | 2020-09-29 | 船舶烟囱的检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001369B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657160B (zh) * | 2021-07-13 | 2023-11-28 | 武汉理工大学 | 一种船舶关联方法、船舶关联装置及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003084054A (ja) * | 2001-09-10 | 2003-03-19 | Mitsubishi Electric Corp | 画像目標弁別装置 |
| US8094886B1 (en) * | 2009-10-07 | 2012-01-10 | Sandia Corporation | Thermal wake/vessel detection technique |
| CN107735794A (zh) * | 2015-08-06 | 2018-02-23 | 埃森哲环球服务有限公司 | 使用图像处理的状况检测 |
| CN108229524A (zh) * | 2017-05-25 | 2018-06-29 | 北京航空航天大学 | 一种基于遥感图像的烟囱和冷凝塔检测方法 |
| CN108548785A (zh) * | 2018-04-28 | 2018-09-18 | 陈梦 | 船舶尾气在线监测系统 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN110596317A (zh) * | 2019-09-20 | 2019-12-20 | 南京硕基信息科技有限公司 | 一种船舶尾气远程监测系统 |
| CN111652321A (zh) * | 2020-06-10 | 2020-09-11 | 江苏科技大学 | 一种基于改进yolov3算法的海上船舶检测方法 |
-
2020
- 2020-09-29 CN CN202011050199.0A patent/CN112001369B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003084054A (ja) * | 2001-09-10 | 2003-03-19 | Mitsubishi Electric Corp | 画像目標弁別装置 |
| US8094886B1 (en) * | 2009-10-07 | 2012-01-10 | Sandia Corporation | Thermal wake/vessel detection technique |
| CN107735794A (zh) * | 2015-08-06 | 2018-02-23 | 埃森哲环球服务有限公司 | 使用图像处理的状况检测 |
| CN108229524A (zh) * | 2017-05-25 | 2018-06-29 | 北京航空航天大学 | 一种基于遥感图像的烟囱和冷凝塔检测方法 |
| CN108548785A (zh) * | 2018-04-28 | 2018-09-18 | 陈梦 | 船舶尾气在线监测系统 |
| CN110147807A (zh) * | 2019-01-04 | 2019-08-20 | 上海海事大学 | 一种船舶智能识别跟踪方法 |
| CN110596317A (zh) * | 2019-09-20 | 2019-12-20 | 南京硕基信息科技有限公司 | 一种船舶尾气远程监测系统 |
| CN111652321A (zh) * | 2020-06-10 | 2020-09-11 | 江苏科技大学 | 一种基于改进yolov3算法的海上船舶检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王炳德等.《基于YOLOv3 的船舶目标检测算法》.《中国航海》.2020,第第43卷卷(第第1期期),图1，第2.1节，第1.3节. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001369A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112528850B (zh) | 人体识别方法、装置、设备和存储介质 | |
| EP3926526A2 (en) | Optical character recognition method and apparatus, electronic device and storage medium | |
| CN111753961B (zh) | 模型训练方法和装置、预测方法和装置 | |
| CN112528976B (zh) | 文本检测模型的生成方法和文本检测方法 | |
| CN112241452B (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN112270669B (zh) | 人体3d关键点检测方法、模型训练方法及相关装置 | |
| CN111783878B (zh) | 目标检测方法、装置、电子设备以及可读存储介质 | |
| CN111709873B (zh) | 图像转换模型生成器的训练方法和装置 | |
| CN111291729B (zh) | 一种人体姿态估计方法、装置、设备及存储介质 | |
| CN111611903B (zh) | 动作识别模型的训练方法、使用方法、装置、设备和介质 | |
| CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
| EP3905112A1 (en) | Method and apparatus for recognizing text content and electronic device | |
| CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
| CN112150462B (zh) | 确定目标锚点的方法、装置、设备以及存储介质 | |
| CN111695519B (zh) | 关键点定位方法、装置、设备以及存储介质 | |
| CN113591573A (zh) | 多任务学习深度网络模型的训练及目标检测方法、装置 | |
| CN112241716B (zh) | 训练样本的生成方法和装置 | |
| CN112288699B (zh) | 图像相对清晰度的评估方法、装置、设备和介质 | |
| CN111862031A (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
| CN112001369B (zh) | 船舶烟囱的检测方法、装置、电子设备及可读存储介质 | |
| CN112508027B (zh) | 用于实例分割的头部模型、实例分割模型、图像分割方法及装置 | |
| CN111932530B (zh) | 三维对象检测方法、装置、设备和可读存储介质 | |
| CN112749701B (zh) | 车牌污损分类模型的生成方法和车牌污损分类方法 | |
| CN111862030B (zh) | 一种人脸合成图检测方法、装置、电子设备及存储介质 | |
| CN111563541B (zh) | 图像检测模型的训练方法和装置 |
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 |