CN112183470A - 一种船舶水尺识别方法、设备及存储介质 - Google Patents

一种船舶水尺识别方法、设备及存储介质 Download PDF

Info

Publication number
CN112183470A
CN112183470A CN202011168530.9A CN202011168530A CN112183470A CN 112183470 A CN112183470 A CN 112183470A CN 202011168530 A CN202011168530 A CN 202011168530A CN 112183470 A CN112183470 A CN 112183470A
Authority
CN
China
Prior art keywords
water gauge
ship
water
identification
training
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.)
Granted
Application number
CN202011168530.9A
Other languages
English (en)
Other versions
CN112183470B (zh
Inventor
孙泳
詹炜
朱晨光
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.)
Lihong Inspection Group Co ltd
Original Assignee
Yangtze University
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 Yangtze University filed Critical Yangtze University
Priority to CN202011168530.9A priority Critical patent/CN112183470B/zh
Publication of CN112183470A publication Critical patent/CN112183470A/zh
Application granted granted Critical
Publication of CN112183470B publication Critical patent/CN112183470B/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
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明涉及一种船舶水尺识别方法、设备及存储介质，方法包括：获取船舶水尺原始视频；利用水线识别模型识别出所述船舶水尺原始视频每一帧中的水位线识别框后，得到每个所述水位线识别框的中心坐标并进行筛选后，求取筛选出的各个中心坐标中的纵坐标的平均值；利用水尺数字识别模型，识别出所述船舶水尺原始视频中最靠近水位线的水尺数字标签值，以及最靠近水位线的水尺数字所在位置的纵坐标，并根据所述水尺数字标签值以及所述水尺数字所在位置的纵坐标计算出比例尺；根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别。本发明解决了目前水尺识别精度低、具有安全隐患的问题。

Description

一种船舶水尺识别方法、设备及存储介质
技术领域
本发明涉及船舶水尺检测技术领域，尤其涉及一种船舶水尺识别方法、设备及存储介质。
背景技术
随着全球贸易的进一步加深，国家各大港口的贸易量日益增长，随之带来的是对港口计量自动化的需求越来越紧迫。在过去的2019年，我国的各个港口的外贸和出口货物吞吐量都是稳中有进，上半年大型港口例如宁波舟山港，吞吐量达到了112.009吨，同比增长7.9％。停泊在港口的大型轮船一般采用利用吃水线深度来进行船舶载重测量。
目前，国内主要采用的水尺检测方法有人工读数，超声波传感器，压力传感器，激光测距仪等方法。
1、人工观测：由于人工观测受人的主观和客观因素多方面干扰，即使是多人对水尺进行观测，最后的结果也不太科学，而当水面波动比较大时，不仅检测误差还会再次增大，同时也可能导致检测人员的生命遭到威胁，除此，一般检测需要租赁小艇，靠近船舶进行检测，不仅在经济上不划算，而且有较大的人力以及时间浪费。
2、超声波传感器来测量船舶的水位：这样的方法在加入了均值滤波等降噪方法后，能优化到误差在0.05m以内。但是对于要求误差在0.5cm以下的要求远远达不到。
3、使用压力传感器的方法来进行测量船舶的水位线：水的密度和重力加速度会随着不同的环境有相应的变化，如果每次都进行测量则会浪费人力物力，但船身底部安装压力传感器难度较大，且海洋中暗流较多，水质复杂，传感器容易损坏和失灵，局限性较高，最终无法运用到实际生产中。
4、使用激光测距仪测量水位线：在水质较好的水面进行测距时，激光会穿透水面，而不是反射回仪器。单点检测的激光测距仪也会因为水面波浪较大导致读数误差问题。
综上，采取人工和物理硬件方式的测距虽然读数已经越来越精确，但是仍有较多的局限，不能较好的均衡误差和易用性稳定性这些要求。
发明内容
有鉴于此，有必要提供一种船舶水尺识别方法、设备及存储介质，用以解决目前水尺识别精度低、具有安全隐患的问题。
第一方面，本发明提供一种船舶水尺识别方法，包括如下步骤：
获取无人机拍摄的船舶水尺原始视频；
利用第一训练神经网络训练得到的水线识别模型，识别出所述船舶水尺原始视频每一帧中的水位线识别框后，得到每个所述水位线识别框的中心坐标并进行筛选后，求取筛选出的各个中心坐标中的纵坐标的平均值；
利用第二训练神经网络训练得到的水尺数字识别模型，识别出所述船舶水尺原始视频中最靠近水位线的水尺数字标签值，以及最靠近水位线的水尺数字所在位置的纵坐标，并根据所述水尺数字标签值以及所述水尺数字所在位置的纵坐标计算出比例尺；
根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别。
优选的，所述的船舶水尺识别方法中，所述水线识别模型和所述水尺数字识别模型的训练过程具体为：
获取无人机在多角度和多距离情况下拍摄的船舶训练视频，并对所述船舶训练视频进行预处理，以得到包含多个船舶图像样本的训练数据集；其中，所述训练数据集至少包括水线训练数据集和水尺训练数据集；
构建第一训练神经网络，利用所述第一训练神经网络对所述水线训练数据集进行训练，得到水线识别模型；
构建第二训练神经网络，利用所述第二训练神经网络对所述水尺训练数据集进行训练，得到水尺数字识别模型。
优选的，所述的船舶水尺识别方法中，采用Yolov3算法构建第一神经网络。
优选的，所述的船舶水尺识别方法中，采用Yolov3算法构建第二神经网络。
优选的，所述的船舶水尺识别方法中，筛选各个所述水位线识别框的中心坐标的方法具体为：
求取所有的所述水位线识别框的方差，将各个所述水位线识别框的中心坐标与所述方差进行比较，剔除其中偏差超过预设值的中心坐标。
优选的，所述的船舶水尺识别方法中，求取筛选出的各个中心坐标中的纵坐标的平均值的步骤具体包括：
采用最小二乘拟合算法对筛选出的各个中心坐标中的纵坐标进行拟合，得到各个水位线识别框的符合拟合函数的纵坐标后，将所述符合拟合函数的纵坐标更新至各个中心坐标中，并求取各个所述符合拟合函数的纵坐标的平均值。
优选的，所述的船舶水尺识别方法中，所述比例尺的计算方法具体为：
获取若干个与所述最靠近水位线的水尺数字的面积相同的目标，并通过所述水尺数字识别模型识别出若干个所述获取的目标的标签值和目标所在位置的纵坐标，根据识别出的目标的标签值和目标所在位置的纵坐标计算出比例尺。
优选的，所述的船舶水尺识别方法中，所述根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别的方法具体为：
H船身-(y船身-y水位线)*x比例尺＝H水位线，
其中，H船身为最靠近水位线的水尺数字标签值，y船身为最靠近水位线的水尺数字所在位置的纵坐标，y水位线为筛选出的各个中心坐标中的纵坐标的平均值，x比例尺为比例尺。
第二方面，本发明还提供一种船舶水尺识别设备，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的船舶水尺识别方法中的步骤。
第三方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的船舶水尺识别方法中的步骤。
【有益效果】
本发明提供的船舶水尺识别方法、设备及存储介质，使用深度学习技术与无人机技术相结合，通过远程遥控无人机，在环境复杂的港口及流域，利用无人机的高机动性和高变焦的特点快速获取船舶相关水尺信息，减少人力物力的投入，保障海关人员的生命安全，同时从根源上杜绝水尺读数过程中测量人主观因素的影响。
附图说明
图1为本发明提供的船舶水尺识别方法的一较佳实施例的流程图；
图2为本发明船舶水尺识别程序的较佳实施例的运行环境示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
请参阅图1，本发明实施例提供的船舶水尺识别方法，包括如下步骤：
S100、获取无人机拍摄的船舶水尺原始视频。
本实施例中，在获取船舶水尺的原始视频时，通过无人机来获取，无人机可以实现远程遥控，在环境复杂的港口及流域，具有高机动性和高变焦的优点，而且无人机拍摄的船舶水尺原始视频可以通过无线传输的方式发送给服务器，具有较高的实时性和便利性，保证了水尺识别的准确性。
S200、利用第一训练神经网络训练得到的水线识别模型，识别出所述船舶水尺原始视频每一帧中的水位线识别框后，得到每个所述水位线识别框的中心坐标并进行筛选后，求取筛选出的各个中心坐标中的纵坐标的平均值；
S300、利用第二训练神经网络训练得到的水尺数字识别模型，识别出所述船舶水尺原始视频中最靠近水位线的水尺数字标签值，以及最靠近水位线的水尺数字所在位置的纵坐标，并根据所述水尺数字标签值以及所述水尺数字所在位置的纵坐标计算出比例尺。
本实施例中，分别利用两个深度学习的模型来进行水线和水尺数字的识别，每个水位线识别框的边长大约为40～60像素，这样不仅可以包含足够的信息，也可以区分一些其他的干扰信息，例如船身的焊缝等，以提高识别的精度。在具体实施时，所述水线识别模型和所述水尺数字识别模型的训练过程具体为：
获取无人机在多角度和多距离情况下拍摄的船舶训练视频，并对所述船舶训练视频进行预处理，以得到包含多个船舶图像样本的训练数据集；其中，所述训练数据集至少包括水线训练数据集和水尺训练数据集；
构建第一训练神经网络，利用所述第一训练神经网络对所述水线训练数据集进行训练，得到水线识别模型；
构建第二训练神经网络，利用所述第二训练神经网络对所述水尺训练数据集进行训练，得到水尺数字识别模型。
具体的，在进行训练数据集的获取时，由专业人员使用无人机多角度多距离拍摄包含待检测物体在内的视频，将视频转为帧化的图片作为神经网络的训练数据。然后筛除图像数据中存在模糊，噪声明显以及不存在待检测目标的样本，确保每一张图片样本清晰的包含需要检测到的特征数据。数据集采用常规的Pascal Voc格式，被标注的图片格式可以为多种图片格式，例如jpg格式，保存标注信息的标签文件格式为xml格式。
进一步来说，由于船身经常遇到腐蚀，无人机拍摄角度不同，不同天气下在船身上和水面的颜色色差等因素，故在使用传统的色域分割，色素提取等手段进行识别时，会影响识别的精度，故本发明实施例中，采用Yolov3算法构建第一神经网络，即所述水线识别采用了准确度高，训练方便的Yolov3算法。
水线识别模型的训练要将标注好的数据集放入Yolov3模型中进行训练。训练中使用已经训练好的权重来进行迁移学习。迁移学习的好处在于，可以充分借用那些已经训练好的模型中已经配置优秀的参数来加快模型的训练过程，提高效率。其中，在一个具体实施例中，训练中的水线训练数据集总共有202张，其中的80％为训练集，用于训练网络；剩下15％是交叉验证集，来调整参数，获取最优模型；剩余5％是测试集，用于测试模型准确度。模型参数设置如下表所示：
batch sub Momentum Dycay Learning_rate Policy Filter Random
64 6 0.9 0.0005 0.001 step 18 1
其中的batch表示的模型累计多少个样本后进行一次BP运算，与机器学习中的batch有稍许不同；sub指将一个batch中的样本分成sub次进行网络的前项传播；momentum表示的深度学习中最优化方法的动量参数，影响着梯度下降时获取到最优解的速度；dycay表示权重衰减正则项，防止过度拟合；learning_rate代表着学习率，决定权值更新的快慢。设置过大会导致模型无法收敛，设置过小会导致收敛速度过慢，是参数调节中的重要环节；policy代表了学习率调整的策略；filter表示yolov3训练中的总共的参数量；random则表示是否开启随机多尺度训练。
进一步的，采用Yolov3算法构建第二神经网络，换而言之，所述水尺数字识别也采用了准确度高，训练方便的Yolov3算法。YOLOv3对字符集的目标检测需要的数据和水线检测一样，需要对船舶水位线上的字符进行标注，尽量让候选框的大小与字符的大小相似，边缘与候选框边缘相切。字符图片的分类有11种，分为0～9十个数字字符和一个M的单位字符。参数设置如下表所示：
batch sub Momentum Dycay Learning_rate Policy Filter Random
64 6 0.9 0.0005 0.001 step 48 1
水尺数字训练集的平均识别准确率可以达到90％，识别效果良好。
进一步的实施例中，筛选各个所述水位线识别框的中心坐标的方法具体为：
求取所有的所述水位线识别框的方差，将各个所述水位线识别框的中心坐标与所述方差进行比较，剔除其中偏差超过预设值的中心坐标。
具体的，在进行水线识别时，通过水线识别模型获得视频每一帧对应水位线识别框，求得每个识别框的中心坐标，并累计求方差，如果某个数值偏离方差过大，则剔除，得到筛选过的列表list，可以保证水位线识别的精度。
进一步的实施例中，求取筛选出的各个中心坐标中的纵坐标的平均值的步骤具体包括：
采用最小二乘拟合算法对筛选出的各个中心坐标中的纵坐标进行拟合，得到各个水位线识别框的符合拟合函数的纵坐标后，将所述符合拟合函数的纵坐标更新至各个中心坐标中，并求取各个所述符合拟合函数的纵坐标的平均值。
具体的，本发明实施例中采用最小二乘法拟合曲线算法，就可以对水线检测模型得到的数据进行曲线拟合，在代码实现中，Python自带的库函数即可实现该功能。因为一帧视频检测中，可以得到20个以上的水位线检测框，所以以四个一组的数据代入最小二乘拟合算法中，求得符合拟合函数的纵坐标，并将纵坐标更新到原检测框中心坐标中。再使用ImageDraw库函数将这些经过拟合后的中心坐标用直线连线起来。这样就可以尽量的消除水位波动的误差，计算由水位线到数字的距离就会更加精准。
在大量的水位线识别实验中发现，由于真实的水况复杂，水位线的识别会存在一定的误差和漏判情况。解决这样的问题，一方面是可以优化深度学习的模型，优化调整参数，使模型的识别率提高。另一方面，可以调整最小二乘法的多项式匹配函数的次数来减少拟合错误率。经过实验发现，多项式的次数越高，容易发生错误识别和漏掉管线信息等的过度拟合现象，而次数越低，则拟合度也越低。综合考量，最后将多项式的次数设定为7次时，效果较好。
进一步的实施例中，为了避免识别出的坐标的误差影响，本发明中在进行水尺识别时，还计算了比例尺，所述比例尺的计算方法具体为：
获取若干个与所述最靠近水位线的水尺数字的面积相同的目标，并通过所述水尺数字识别模型识别出若干个所述获取的目标的标签值和目标所在位置的纵坐标，根据识别出的目标的标签值和目标所在位置的纵坐标计算出比例尺。
具体的，本发明实施例通过计算若干个目标的标签值与其所在位置的纵坐标的比值来计算出比例尺，可以避免识别出的坐标的误差影响。
S400、根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别。
本实施例中，进行水尺识别的方法具体为：
H船身-(y船身-y水位线)*x比例尺＝H水位线，
其中，H船身为最靠近水位线的水尺数字标签值，y船身为最靠近水位线的水尺数字所在位置的纵坐标，y水位线为筛选出的各个中心坐标中的纵坐标的平均值，x比例尺为比例尺。
换而言之，通过计算水位线与最靠近水位线的数字标签值的差值来进行水尺识别，同时还将比例尺考虑在内，从而保证识别的精度，在减少人力物力的投入，保障海关人员的生命安全的同时，从根源上杜绝水尺读数过程中测量人主观因素的影响。
如图2所示，基于上述船舶水尺识别方法，本发明还相应提供了一种船舶水尺识别设备，所述船舶水尺识别设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该船舶水尺识别设备包括处理器10、存储器20及显示器30。图2仅示出了船舶水尺识别设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述船舶水尺识别设备的内部存储单元，例如船舶水尺识别设备的硬盘或内存。所述存储器20在另一些实施例中也可以是所述船舶水尺识别设备的外部存储设备，例如所述船舶水尺识别设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括船舶水尺识别设备的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述船舶水尺识别设备的应用软件及各类数据，例如所述安装船舶水尺识别设备的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有船舶水尺识别程序40，该船舶水尺识别程序40可被处理器10所执行，从而实现本申请各实施例的基于深度学习的原油切水方法。
所述处理器10在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述船舶水尺识别方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述船舶水尺识别设备的信息以及用于显示可视化的用户界面。所述船舶水尺识别设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中船舶水尺识别程序40时实现如上述实施例所述的船舶水尺识别方法中的步骤，由于上文已对船舶水尺识别方法进行详细描述，在此不再赘述。
综上所述，本发明提供的船舶水尺识别方法、设备及存储介质，使用深度学习技术与无人机技术相结合，通过远程遥控无人机，在环境复杂的港口及流域，利用无人机的高机动性和高变焦的特点快速获取船舶相关水尺信息，减少人力物力的投入，保障海关人员的生命安全，同时从根源上杜绝水尺读数过程中测量人主观因素的影响。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种船舶水尺识别方法，其特征在于，包括如下步骤：
获取无人机拍摄的船舶水尺原始视频；
利用第一训练神经网络训练得到的水线识别模型，识别出所述船舶水尺原始视频每一帧中的水位线识别框后，得到每个所述水位线识别框的中心坐标并进行筛选后，求取筛选出的各个中心坐标中的纵坐标的平均值；
利用第二训练神经网络训练得到的水尺数字识别模型，识别出所述船舶水尺原始视频中最靠近水位线的水尺数字标签值，以及最靠近水位线的水尺数字所在位置的纵坐标，并根据所述水尺数字标签值以及所述水尺数字所在位置的纵坐标计算出比例尺；
根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别。
2.根据权利要求1所述的船舶水尺识别方法，其特征在于，所述水线识别模型和所述水尺数字识别模型的训练过程具体为：
获取无人机在多角度和多距离情况下拍摄的船舶训练视频，并对所述船舶训练视频进行预处理，以得到包含多个船舶图像样本的训练数据集；其中，所述训练数据集至少包括水线训练数据集和水尺训练数据集；
构建第一训练神经网络，利用所述第一训练神经网络对所述水线训练数据集进行训练，得到水线识别模型；
构建第二训练神经网络，利用所述第二训练神经网络对所述水尺训练数据集进行训练，得到水尺数字识别模型。
3.根据权利要求2所述的船舶水尺识别方法，其特征在于，采用Yolov3算法构建第一神经网络。
4.根据权利要求2所述的船舶水尺识别方法，其特征在于，采用Yolov3算法构建第二神经网络。
5.根据权利要求1所述的船舶水尺识别方法，其特征在于，筛选各个所述水位线识别框的中心坐标的方法具体为：
求取所有的所述水位线识别框的方差，将各个所述水位线识别框的中心坐标与所述方差进行比较，剔除其中偏差超过预设值的中心坐标。
6.根据权利要求1所述的船舶水尺识别方法，其特征在于，求取筛选出的各个中心坐标中的纵坐标的平均值的步骤具体包括：
采用最小二乘拟合算法对筛选出的各个中心坐标中的纵坐标进行拟合，得到各个水位线识别框的符合拟合函数的纵坐标后，将所述符合拟合函数的纵坐标更新至各个中心坐标中，并求取各个所述符合拟合函数的纵坐标的平均值。
7.根据权利要求1所述的船舶水尺识别方法，其特征在于，所述比例尺的计算方法具体为：
获取若干个与所述最靠近水位线的水尺数字的面积相同的目标，并通过所述水尺数字识别模型识别出若干个所述获取的目标的标签值和目标所在位置的纵坐标，根据识别出的目标的标签值和目标所在位置的纵坐标计算出比例尺。
8.根据权利要求7所述的船舶水尺识别方法，其特征在于，所述根据所述筛选出的各个中心坐标中的纵坐标的平均值、水尺数字标签值、水尺数字所在位置的纵坐标和比例尺进行水尺识别的方法具体为：
H船身-(y船身-y水位线)*x比例尺＝H水位线，
其中，H船身为最靠近水位线的水尺数字标签值，y船身为最靠近水位线的水尺数字所在位置的纵坐标，y水位线为筛选出的各个中心坐标中的纵坐标的平均值，x比例尺为比例尺。
9.一种船舶水尺识别设备，其特征在于，包括处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的船舶水尺识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-8任意一项所述的船舶水尺识别方法中的步骤。
CN202011168530.9A 2020-10-28 2020-10-28 一种船舶水尺识别方法、设备及存储介质 Active CN112183470B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011168530.9A CN112183470B (zh) 2020-10-28 2020-10-28 一种船舶水尺识别方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011168530.9A CN112183470B (zh) 2020-10-28 2020-10-28 一种船舶水尺识别方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112183470A true CN112183470A (zh) 2021-01-05
CN112183470B CN112183470B (zh) 2022-07-19

Family

ID=73922293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011168530.9A Active CN112183470B (zh) 2020-10-28 2020-10-28 一种船舶水尺识别方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112183470B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926136A (zh) * 2021-03-12 2021-06-08 上海外高桥造船有限公司 一种船体水尺建模系统及方法
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
CN117251943A (zh) * 2023-11-20 2023-12-19 力鸿检验集团有限公司 一种水线位置波动曲线仿真方法、装置和电子设备
CN117788463A (zh) * 2024-02-26 2024-03-29 中邮建技术有限公司 基于视频ai与多模态数据融合的船舶吃水深度检测方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5837960A (en) * 1995-08-14 1998-11-17 The Regents Of The University Of California Laser production of articles from powders
EP1734167A1 (en) * 2005-06-17 2006-12-20 Electrolux Home Products Corporation N.V. Method for wetting laundry and washing machine
KR101366556B1 (ko) * 2011-11-22 2014-02-25 한미아이티 주식회사 Ｒｆｉｄ와 바코드를 이용한 출하 검수 시스템
CN108549894A (zh) * 2018-04-03 2018-09-18 哈尔滨哈船智控科技有限责任公司 一种基于深度学习算法的船舶水尺图像自动读数方法
CN109145830A (zh) * 2018-08-24 2019-01-04 浙江大学 一种智能水尺识别方法
CN110276285A (zh) * 2019-06-13 2019-09-24 浙江工业大学 一种非受控场景视频中的船舶水尺智能识别方法
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
CN110619328A (zh) * 2019-08-28 2019-12-27 南京理工大学 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN110717924A (zh) * 2019-09-27 2020-01-21 中国检验认证集团河北有限公司黄骅港分公司 船舶水尺标线识别方法、装置、计算机设备和存储介质
CN110956172A (zh) * 2019-11-18 2020-04-03 四创科技有限公司 一种基于图像语义分割的水尺识别方法
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
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

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5837960A (en) * 1995-08-14 1998-11-17 The Regents Of The University Of California Laser production of articles from powders
EP1734167A1 (en) * 2005-06-17 2006-12-20 Electrolux Home Products Corporation N.V. Method for wetting laundry and washing machine
KR101366556B1 (ko) * 2011-11-22 2014-02-25 한미아이티 주식회사 Ｒｆｉｄ와 바코드를 이용한 출하 검수 시스템
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
CN108549894A (zh) * 2018-04-03 2018-09-18 哈尔滨哈船智控科技有限责任公司 一种基于深度学习算法的船舶水尺图像自动读数方法
CN109145830A (zh) * 2018-08-24 2019-01-04 浙江大学 一种智能水尺识别方法
CN110276285A (zh) * 2019-06-13 2019-09-24 浙江工业大学 一种非受控场景视频中的船舶水尺智能识别方法
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
CN110619328A (zh) * 2019-08-28 2019-12-27 南京理工大学 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN110717924A (zh) * 2019-09-27 2020-01-21 中国检验认证集团河北有限公司黄骅港分公司 船舶水尺标线识别方法、装置、计算机设备和存储介质
CN110956172A (zh) * 2019-11-18 2020-04-03 四创科技有限公司 一种基于图像语义分割的水尺识别方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IGOR V.TETKO等: "Prediction of n-Octanol/Water Partition Coefficients from PHYSPROP Database Using Artificial Neural Networks and E-State Indices", 《2001 AMERICAN CHEMICAL SOCIETY》 *
郭秀艳: "船舶水尺吃水值检测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926136A (zh) * 2021-03-12 2021-06-08 上海外高桥造船有限公司 一种船体水尺建模系统及方法
CN112926136B (zh) * 2021-03-12 2023-11-17 上海外高桥造船有限公司 一种船体水尺建模系统及方法
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
CN117251943A (zh) * 2023-11-20 2023-12-19 力鸿检验集团有限公司 一种水线位置波动曲线仿真方法、装置和电子设备
CN117251943B (zh) * 2023-11-20 2024-02-06 力鸿检验集团有限公司 一种水线位置波动曲线仿真方法、装置和电子设备
CN117788463A (zh) * 2024-02-26 2024-03-29 中邮建技术有限公司 基于视频ai与多模态数据融合的船舶吃水深度检测方法
CN117788463B (zh) * 2024-02-26 2024-05-10 中邮建技术有限公司 基于视频ai与多模态数据融合的船舶吃水深度检测方法

Also Published As

Publication number Publication date
CN112183470B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN112183470B (zh) 一种船舶水尺识别方法、设备及存储介质
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
CN112818988B (zh) 一种指针式仪表自动识别读数方法及系统
CN111476120B (zh) 一种无人机智能船舶水尺识别方法及装置
CN104535066B (zh) 一种船载红外视频图像中的海上目标与电子海图的叠加方法及系统
CN104778695B (zh) 一种基于梯度显著性的水天线检测方法
CN102975826A (zh) 基于机器视觉的便携式船舶水尺自动检测和识别方法
CN110334680B (zh) 基于爬壁机器人的船舶水尺识别方法、系统、装置
CN111091095B (zh) 一种遥感图像中船只目标的检测方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN111361700A (zh) 基于机器视觉的船舶空重载识别方法
EP3239926A1 (en) Position measuring equipment
CN101709951A (zh) 一种扇贝表型性状计算机测量与记录方法
CN115082508B (zh) 一种海洋浮标生产质量检测方法
CN110717924A (zh) 船舶水尺标线识别方法、装置、计算机设备和存储介质
CN111521245A (zh) 基于视觉分析的液位控制方法
CN113830136A (zh) 一种铁路货车折角塞门手把不正位故障的识别方法
CN116434230A (zh) 一种复杂环境下的船舶水尺读数方法
CN112198170A (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN117036993A (zh) 一种基于无人机的船舶水尺远程测量方法
CN113435442B (zh) 水位测量方法、装置、水尺及电子设备
CN113128518B (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN116597447A (zh) 一种基于无人机图像识别的船泊吃水深度检测预警方法
CA3237725A1 (en) Systems and methods for draft calculation
CN117037132A (zh) 一种基于机器视觉的船舶水尺读数检测和识别方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231114

Address after: Building 78, Yard 12, Zhuyuan Road, Shunyi District, Beijing, 101300 (Tianzhu Comprehensive Bonded Zone)

Patentee after: Lihong Inspection Group Co.,Ltd.

Address before: 434023 No. 1 South Ring Road, Hubei, Jingzhou

Patentee before: Yangtze University