CN112347827A - 一种船舶水尺自动检测方法及系统 - Google Patents
一种船舶水尺自动检测方法及系统 Download PDFInfo
- Publication number
- CN112347827A CN112347827A CN201910746384.4A CN201910746384A CN112347827A CN 112347827 A CN112347827 A CN 112347827A CN 201910746384 A CN201910746384 A CN 201910746384A CN 112347827 A CN112347827 A CN 112347827A
- Authority
- CN
- China
- Prior art keywords
- water gauge
- training
- gauge scale
- deep learning
- network model
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 255
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 210
- 238000013135 deep learning Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 8
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011179 visual inspection Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001233914 Chelidonium majus Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B39/00—Equipment to decrease pitch, roll, or like unwanted vessel movements; Apparatus for indicating vessel attitude
- B63B39/12—Equipment to decrease pitch, roll, or like unwanted vessel movements; Apparatus for indicating vessel attitude for indicating draught or load
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种船舶水尺自动检测方法及系统。本发明利用无人机设备获取不同船舶的视频影像，并将其转化成训练水尺刻度图片，利用船舶水尺读数经验读取训练水尺刻度图片的实际水尺刻度，建立训练数据集；利用训练数据集对深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；最后，通过无人机获取待检测船舶的视频影像并转化为测试水尺刻度图片，输入训练后的深度学习VGG网络模型，得到预测结果，从而实现船舶水尺识自动检测的目的，而且本发明基于结合了批量标准化处理的深度学习神经网络，提高了计算的速度。本发明实现了在各种极端环境状况下，快速、准确地对船舶水线刻度进行高精度自动检测。
Description
技术领域
本发明涉及船舶安全管理领域，特别是涉及一种船舶水尺自动检测方法及系统。
背景技术
随着贸易经济的全球化发展愈发繁荣，诸如远洋货轮、邮轮等海上运输方式在全球化贸易的发展中一直占据着非常重要的位置。水尺读数是进行船舶计重和船舶积载安全评估的重要依据，水尺的读数的准确性会影响到航运的安全和航运的效率。在水尺读数的过程中，受到天气条件、观测经验、有无障碍物、工作量大等主客观因素影响导致读数结果产生很大的误差，进而产生一系列问题。
目前船舶吃水检测的方法主要有两种，分别为人工目测进行测定和借助自动化装置进行检测的方法。人工目测的方法受到天气条件、观测者经验、有无障碍物、危险性、工作量大等主客观因素的影响，方法的误差较大。进行检测时，需要船舶停靠港口，检测人员乘船对船体上刻有的吃水线标记进行观察记录，船体常年暴露在海水环境中，有些水尺刻度受到的腐蚀严重，字体的颜色和形状发生了很大的变化。在另外检测人员还会经常遇到雨雪或者大风浪天气，这些状况都对水尺读数的观测带来了很多困难和不变。自动化装置检测的方法主要利用压力传感器、超声波传感器等电子元器件对水尺刻度，进行测定，此方法对传感器的精度要求高，另外传感器放置环境潮湿，电子线路不易布置，元器件受到介质密度、环境温度影响，导致过量的噪声扰动产生很大的测量误差，因此，该方法在实际测量应用中便利性和准确度也并不理想。船舶吃水的检测过程中受到海水颜色、透明度、光照程度、浪花大小等外界影响严重，传统的图像处理办法很难在复杂多变的条件下准确的进行监测，因此迫切的需求一种能够在各种极端环境状况下，快速、准确地对船舶水线刻度进行测定的高精度自动检测方法，真正实现船舶水尺检测的自动化和智能化。
发明内容
本发明的目的是提供一种船舶水尺自动检测方法及系统，以实现在各种极端环境状况下，快速、准确地对船舶水线刻度进行高精度自动检测。
为实现上述目的，本发明提供了如下方案：
一种船舶水尺自动检测方法，所述检测方法包括：
利用无人机获取不同船舶的视频影像，得到训练视频影像集；
将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集；
采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度；
建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集；
建立结合了批量标准化处理的深度学习VGG网络模型；
利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；
利用无人机获取待检测船舶的视频影像，得到待测视频影像；
将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集；
将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集；
计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
可选的，所述建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的训练水尺刻度的训练数据集，之前还包括：
利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片。
可选的，所述利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片，具体包括：
将所述训练水尺刻度图片按照不同的长宽进行裁剪；
将裁剪后的每张训练水尺刻度图片缩放成224*224的图片，得到多张训练水尺刻度子图片。
可选的，所述利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型，具体包括：
将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果；
利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值；
判断所述误差值是否小于预设阈值，得到判断结果；
若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，返回步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”；
若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
可选的，所述计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度，之前还包括：
将所述输出水尺刻度集中的最大的输出水尺刻度和最小的输出水尺刻度删除。
一种船舶水尺自动检测系统，所述检测系统包括：
训练视频影像集获取模块，用于利用无人机获取不同船舶的视频影像，得到训练视频影像集；
训练水尺刻度图片集获取模块，用于将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集；
水尺刻度读取模块，用于采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度；
训练数据集建立模块，用于建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集；
深度学习VGG网络模型建立模块，用于建立结合了批量标准化处理的深度学习VGG网络模型；
深度学习VGG网络模型训练模块，用于利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；
待测视频影像获取模块，用于利用无人机获取待检测船舶的视频影像，得到待测视频影像；
测试水尺刻度图片集获取模块，用于将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集；
预测模块，用于将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集；
待检测船舶的水尺刻度计算模块，用于计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
可选的，所述检测系统还包括：
训练水尺刻度图片集扩充模块，用于利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片。
可选的，所述训练水尺刻度图片集扩充模块，具体包括：
裁剪子模块，用于将所述训练水尺刻度图片按照不同的长宽进行裁剪；
缩放子模块，用于将裁剪后的每张训练水尺刻度图片缩放成224*224的图片，得到多张训练水尺刻度子图片。
可选的，所述深度学习VGG网络模型训练模块，具体包括：
预测子模块，用于将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果；
误差值计算子模块，用于利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值；
判断子模块，用于判断所述误差值是否小于预设阈值，得到判断结果；
第一判断结果处理子模块，用于若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，调用误差值计算子模块，执行步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”；
第二判断结果处理子模块，用于若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
可选的，所述检测系统还包括：
输出水尺刻度集预处理模块，用于将所述输出水尺刻度集中的最大的输出水尺刻度和最小的输出水尺刻度删除。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提出了一种船舶水尺自动检测方法及系统。本发明利用无人机设备获取不同船舶的视频影像，并将其转化成训练水尺刻度图片，利用船舶水尺读数经验读取训练水尺刻度图片的实际水尺刻度，建立训练数据集；利用训练数据集对深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；最后，通过无人机获取待检测船舶的视频影像并转化为测试水尺刻度图片，输入训练后的深度学习VGG网络模型，得到预测结果，从而实现船舶水尺识自动检测的目的，而且本发明基于结合了批量标准化处理的深度学习神经网络，提高了计算的速度。本发明的方法与人工目测测定方法相比，本发明所述方法不受限于操作人员的视力与经验水平，操作方便，极大地节约了劳动力。与电子装置检测方法相比，本发明所述方法不受限于极端恶劣的天气环境，得到的检测结果更加客观、准确。本发明实现了在各种极端环境状况下，快速、准确地对船舶水线刻度进行高精度自动检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种船舶水尺自动检测方法的流程图；
图2为本发明的一种船舶水尺自动检测系统的结构图。
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。
本发明的目的是提供一种船舶水尺自动检测方法及系统，以实现在各种极端环境状况下，快速、准确地对船舶水线刻度进行高精度自动检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示本发明提供一种船舶水尺自动检测方法，所述检测方法包括：
步骤101，利用无人机获取不同船舶的视频影像，得到训练视频影像集。
步骤102，将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集。
步骤103，采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度。
步骤104，建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集。
步骤101-104具体包括：利用无人机设备对船舶水尺刻度进行探测，通过搭载高清摄像头以及照明灯的无人机设备在船舶海上区域内进行拍摄，无人机分别获取每艘船的左右瓶艏、艇卿、戚艉六面的视频影像，并采用船舶水尺读数经验读取吃水值数据，即实际水尺刻度。
通过Multi-Scale方式进行数据扩充。Multi-Scale的扩充方式为将原始标注好刻度值的训练水尺刻度图片按照不同的长宽比例随机进行裁剪，裁剪时保证图片上保留完整的船舶水尺刻度信息。然后将裁剪之后的图像统一缩放到224×224的图片，达到数据集扩充的目的。将每张图片及其对应读的实际水尺刻度打包并封装成TFRecord文件，生成训练数据集。
使用图像处理算法，对制作好的样本数据集进行灰度转化。
步骤105，建立结合了批量标准化处理的深度学习VGG网络模型。
VGG网络包含了5个卷积段，前两个卷积段由两层卷积层连接一层池化层构成，后三个卷积段为三层卷积层连接一个池化层构成，5个卷积段后为三层全连接层连接一个softmax层构成。
本发明的深度学习VGG网络模型为结合了批量标准化处理的VGG网络，在VGG网络5段卷积后的前两层全连接层后分别进行批量标准化处理，将处理后的结果输入到下一层，最后经过softmax层得到预测结果。
具体过程如下：
在训练数据集中分多次取出i个训练样本xi，i个训练样本中包含的类别随机分布，将这i个训练样本一同输入到网络中，训练样本在5个卷积段中训练会使卷积段中的参数更新，前面层参数的更新会导致后面层数据分布变化，每次输入的i个类别不同分布的数据也会导致网络参数变化。
训练数据经过5个卷积段训练后输入到参数更多的全连接层中，经过第一层全连接层特征提取后，对i个训练样本的数据分别求取均值μ和方差σ2，根据均值和方差对第一层全连接层输出的i个数据zi进行归一化得到
通过引入重构参数γ、β，对归一化后的数据的原始特征分布进行恢复，输出具有原始特征分布的标准化的数据yi。
将标准化处理后的数据输入到下一层全连接层并对输出再次进行标准化处理，再通过全连接层后送入softmax层，输出分类结果。
步骤106，利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型。
批量读取制作好标签的训练样本数据集，依次读取每张样本数据对应的真实标签，通过索引关系建立链接，将样本数据集以二进制格式存储到一个TFRecord文件中。
将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果。利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值。判断所述误差值是否小于预设阈值，得到判断结果。若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，返回步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”。若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
本发明在深度学习VGG网络模型中添加批量标准化层，使用训练好的参数初始化深度学习VGG网络模型，读取TFRecord文件读取样本数据集对深度学习VGG网络模型进行训练；网络拥有五段卷积，前两段卷积内有两个卷积层，后三段卷积内有三个卷积层，段内卷积层互相串联产生更多的周围像素融合；每一段卷积尾部连接一个最大池化层用来缩小特征图；
五段卷积完成后维持输出的通道数不变，在全连接层出连接批量标准化层，最后对输出结果扁平化处理，利用串联的分类器进行水尺信息预测，通过激活函数增强网络的非线性能力。
根据输入训练数据标注好的水尺信息(实际水尺刻度)，将水尺信息转化为onehot向量形式，利用交叉熵损失函数计算训练好的预测结果与输入水尺数据的实际误差，反向传播阶段，使用梯度下降的优化器，设置一定的下降速率，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。
为了进一步的提高训练后的网络模型的预测准确性，对最后一层全连接分类层的输出使用softmax进行处理得到输出结果的概率，将概率最大值的序号与样本真实的水尺数据作对比，返回正确的类别，再求均值计算正确率。还可以根据正确率判断是否结束训练。
步骤107，利用无人机获取待检测船舶的视频影像，得到待测视频影像。
步骤108，将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集。
步骤109，将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集。
将整段船舶水尺视频提取的所有视频帧图像(测试水尺刻度图片)输入到训练好的深度学习网络模型中，每张图像经过网络识别后会输出一个预测出的水尺刻度值，将该段视频提取的所有视频帧图像预测出来的所有水尺刻度值写入到文本文件中。
步骤110，计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
将预测结果(输出水尺刻度集)输出到文本文件中，对所有预测结果进行分析，去除没有参考意义的图片预测结果，对剩余的预测值进行平均得到最终该船刻度的预测读数。
因为水平面会在船舶水尺刻度线上以一定范围浮动，为确定最终读数，我们引入了评价机制，对得到的所有船舶水尺刻度预测值进行分析，去除两端零散的极大极小值，剔除没有参考意义的图片预测值，对剩余的数据进行平均，将得到的平均值判定为该船舶水尺的最终刻度读数。
本发明通过深度学习VGG网络模型进行特征提取，得到水尺数据的高维特征知识图谱，通过在网络中添加批量标准化层，对网络的训练速度和精度进行改善。训练好的网络通过匹配水尺特征信息及相关位置信息，实现应对与各种环境条件下的船舶水尺检测。
如图2所示，本发明还提供一种船舶水尺自动检测系统，所述检测系统包括：
训练视频影像集获取模块201，用于利用无人机获取不同船舶的视频影像，得到训练视频影像集。
训练水尺刻度图片集获取模块202，用于将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集。
水尺刻度读取模块203，用于采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度。
训练数据集建立模块204，用于建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集。
深度学习VGG网络模型建立模块205，用于建立结合了批量标准化处理的深度学习VGG网络模型。
深度学习VGG网络模型训练模块206，用于利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型。
所述深度学习VGG网络模型训练模块206，具体包括：预测子模块，用于将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果；误差值计算子模块，用于利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值；判断子模块，用于判断所述误差值是否小于预设阈值，得到判断结果；第一判断结果处理子模块，用于若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，调用误差值计算子模块，执行步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”；第二判断结果处理子模块，用于若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
待测视频影像获取模块207，用于利用无人机获取待检测船舶的视频影像，得到待测视频影像。
测试水尺刻度图片集获取模块208，用于将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集。
预测模块209，用于将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集。
待检测船舶的水尺刻度计算模块210，用于计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
所述检测系统还包括：训练水尺刻度图片集扩充模块，用于利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片。所述训练水尺刻度图片集扩充模块，具体包括：裁剪子模块，用于将所述训练水尺刻度图片按照不同的长宽进行裁剪；缩放子模块，用于将裁剪后的每张训练水尺刻度图片缩放成224*224的图片，得到多张训练水尺刻度子图片。
所述检测系统还包括：输出水尺刻度集预处理模块，用于将所述输出水尺刻度集中的最大的输出水尺刻度和最小的输出水尺刻度删除。
本发明所述方法与人工目测方法相比，不受限于检测人员的主观影响因素，得到的结果更加客观准确。本发明借助机器视觉技术，利用深度学习的方法直接对获取到的船舶水尺刻度的视频或图像进行监测，考虑到实际监测过程中出现的各种极端复杂的环境状况，因此，在深度学习网络训练过程中将所有可能的情况考虑在内，避免水尺检测在实际情况下的不利影响。利用本发明得到的测量结果具有更高的精度与更强大的环境适应度，另外减少了劳动力，极大地提高了检测效率。
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 (10)
1.一种船舶水尺自动检测方法，其特征在于，所述检测方法包括：
利用无人机获取不同船舶的视频影像，得到训练视频影像集；
将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集；
采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度；
建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集；
建立结合了批量标准化处理的深度学习VGG网络模型；
利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；
利用无人机获取待检测船舶的视频影像，得到待测视频影像；
将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集；
将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集；
计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
2.根据权利要求1所述的船舶水尺自动检测方法，其特征在于，所述建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的训练水尺刻度的训练数据集，之前还包括：
利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片。
3.根据权利要求2所述的船舶水尺自动检测方法，其特征在于，所述利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片，具体包括：
将所述训练水尺刻度图片按照不同的长宽进行裁剪；
将裁剪后的每张训练水尺刻度图片缩放成224*224的图片，得到多张训练水尺刻度子图片。
4.根据权利要求1所述的船舶水尺自动检测方法，其特征在于，所述利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型，具体包括：
将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果；
利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值；
判断所述误差值是否小于预设阈值，得到判断结果；
若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，返回步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”；
若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
5.根据权利要求1所述的船舶水尺自动检测方法，其特征在于，所述计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度，之前还包括：
将所述输出水尺刻度集中的最大的输出水尺刻度和最小的输出水尺刻度删除。
6.一种船舶水尺自动检测系统，其特征在于，所述检测系统包括：
训练视频影像集获取模块，用于利用无人机获取不同船舶的视频影像，得到训练视频影像集；
训练水尺刻度图片集获取模块，用于将所述训练视频影像集中的每个训练视频影像逐帧转化为训练水尺刻度图片，得到训练水尺刻度图片集；
水尺刻度读取模块，用于采用船舶水尺读数经验读取训练水尺刻度图片集中每张训练水尺刻度图片的实际水尺刻度；
训练数据集建立模块，用于建立包括训练水尺刻度图片和所述训练水尺刻度图片对应的实际水尺刻度的训练数据集；
深度学习VGG网络模型建立模块，用于建立结合了批量标准化处理的深度学习VGG网络模型；
深度学习VGG网络模型训练模块，用于利用所述训练数据集对所述深度学习VGG网络模型进行训练，得到训练后的深度学习VGG网络模型；
待测视频影像获取模块，用于利用无人机获取待检测船舶的视频影像，得到待测视频影像；
测试水尺刻度图片集获取模块，用于将所述待测视频影像逐帧转化为测试水尺刻度图片，得到测试水尺刻度图片集；
预测模块，用于将所述测试水尺刻度图片集输入所述训练后的深度学习VGG网络模型，得到输出水尺刻度集；
待检测船舶的水尺刻度计算模块，用于计算所述输出水尺刻度集中的所有输出水尺刻度的平均值，作为待检测船舶的水尺刻度。
7.根据权利要求6所述的船舶水尺自动检测系统，其特征在于，所述检测系统还包括：
训练水尺刻度图片集扩充模块，用于利用Multi-Scale方式将所述训练水尺刻度图片集中每张训练水尺刻度图片扩充成多张训练水尺刻度子图片。
8.根据权利要求7所述的船舶水尺自动检测系统，其特征在于，所述训练水尺刻度图片集扩充模块，具体包括：
裁剪子模块，用于将所述训练水尺刻度图片按照不同的长宽进行裁剪；
缩放子模块，用于将裁剪后的每张训练水尺刻度图片缩放成224*224的图片，得到多张训练水尺刻度子图片。
9.根据权利要求6所述的船舶水尺自动检测系统，其特征在于，所述深度学习VGG网络模型训练模块，具体包括：
预测子模块，用于将所述训练数据集中的训练数据样本输入深度学习VGG网络模型，得到训练输出结果；
误差值计算子模块，用于利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值；
判断子模块，用于判断所述误差值是否小于预设阈值，得到判断结果；
第一判断结果处理子模块，用于若所述判断结果表示所述误差值不小于预设阈值，则根据所述误差值调整所述输入深度学习VGG网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的深度学习VGG网络模型，将所述训练数据集中的训练数据样本输入更新后的深度学习VGG网络模型，得到训练输出结果，调用误差值计算子模块，执行步骤“利用交叉熵损失函数计算所述训练输出结果与实际水尺刻度的误差值”；
第二判断结果处理子模块，用于若所述判断结果表示所述误差值小于预设阈值，则输出训练后的深度学习VGG网络模型。
10.根据权利要求6所述的船舶水尺自动检测系统，其特征在于，所述检测系统还包括：
输出水尺刻度集预处理模块，用于将所述输出水尺刻度集中的最大的输出水尺刻度和最小的输出水尺刻度删除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910746384.4A CN112347827A (zh) | 2019-08-06 | 2019-08-06 | 一种船舶水尺自动检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910746384.4A CN112347827A (zh) | 2019-08-06 | 2019-08-06 | 一种船舶水尺自动检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112347827A true CN112347827A (zh) | 2021-02-09 |
Family
ID=74367804
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910746384.4A Pending CN112347827A (zh) | 2019-08-06 | 2019-08-06 | 一种船舶水尺自动检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347827A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114639064A (zh) * | 2022-05-18 | 2022-06-17 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
| CN114972793A (zh) * | 2022-06-09 | 2022-08-30 | 厦门大学 | 一种轻量级神经网络船舶水尺读数识别方法 |
| CN115165027A (zh) * | 2022-09-07 | 2022-10-11 | 广东广宇科技发展有限公司 | 基于无人机的水位尺监测方法、系统、电子设备、介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| 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 |
| CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
-
2019
- 2019-08-06 CN CN201910746384.4A patent/CN112347827A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| 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 |
| CN110084318A (zh) * | 2019-05-07 | 2019-08-02 | 哈尔滨理工大学 | 一种结合卷积神经网络和梯度提升树的图像识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 崔弥达: "基于图像处理的桥梁支座病害自动识别关键技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114639064A (zh) * | 2022-05-18 | 2022-06-17 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
| CN114639064B (zh) * | 2022-05-18 | 2022-09-02 | 智洋创新科技股份有限公司 | 一种水位识别方法及装置 |
| CN114972793A (zh) * | 2022-06-09 | 2022-08-30 | 厦门大学 | 一种轻量级神经网络船舶水尺读数识别方法 |
| CN114972793B (zh) * | 2022-06-09 | 2024-05-31 | 厦门大学 | 一种轻量级神经网络船舶水尺读数识别方法 |
| CN115165027A (zh) * | 2022-09-07 | 2022-10-11 | 广东广宇科技发展有限公司 | 基于无人机的水位尺监测方法、系统、电子设备、介质 |
| CN115165027B (zh) * | 2022-09-07 | 2022-11-29 | 广东广宇科技发展有限公司 | 基于无人机的水位尺监测方法、系统、电子设备、介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112347827A (zh) | 一种船舶水尺自动检测方法及系统 | |
| CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
| CN107506729B (zh) | 一种基于深度学习的能见度检测方法 | |
| CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
| CN112215125A (zh) | 一种基于YOLOv3的水位识别方法 | |
| CN116824570B (zh) | 一种基于深度学习的吃水检测方法 | |
| CN114972793B (zh) | 一种轻量级神经网络船舶水尺读数识别方法 | |
| CN111291684A (zh) | 一种自然场景下的船牌检测方法 | |
| 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 | |
| CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
| CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
| CN114821229A (zh) | 基于条件生成对抗网络的水下声学数据集增广方法及系统 | |
| CN116434230A (zh) | 一种复杂环境下的船舶水尺读数方法 | |
| CN113763261B (zh) | 一种海雾气象条件下的远小目标实时检测方法 | |
| CN113962980A (zh) | 基于改进yolov5x的玻璃容器瑕疵检测方法及系统 | |
| CN117197048B (zh) | 一种船舶水尺读数检测方法、装置及设备 | |
| CN114005064A (zh) | 一种基于机器视觉技术的生物式水体污染预警方法及装置 | |
| CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
| 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 | |
| CN112183550A (zh) | 基于深度学习的船舶分类识别方法 | |
| KR102527496B1 (ko) | 극지 운항 선박의 통합 상태 모니터링 시스템 및 방법 | |
| CA3237725A1 (en) | Systems and methods for draft calculation | |
| CN112085779B (zh) | 一种波浪参数估算方法及装置 | |
| CN113705567A (zh) | 船舶裂纹检测方法、系统、设备及计算机可读存储介质 | |
| CN118038472A (zh) | 基于机器视觉与深度学习的船舶水尺智能识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |