CN114066837A - 一种船舶舱室动态水位识别方法和系统 - Google Patents

一种船舶舱室动态水位识别方法和系统 Download PDF

Info

Publication number
CN114066837A
CN114066837A CN202111331109.XA CN202111331109A CN114066837A CN 114066837 A CN114066837 A CN 114066837A CN 202111331109 A CN202111331109 A CN 202111331109A CN 114066837 A CN114066837 A CN 114066837A
Authority
CN
China
Prior art keywords
liquid level
image
cabin
dynamic
class
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
Application number
CN202111331109.XA
Other languages
English (en)
Inventor
罗南杭
杜伟
丁玮
颜子杰
胡芳禹
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.)
719th Research Institute of CSIC
Original Assignee
719th Research Institute of CSIC
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 719th Research Institute of CSIC filed Critical 719th Research Institute of CSIC
Priority to CN202111331109.XA priority Critical patent/CN114066837A/zh
Publication of CN114066837A publication Critical patent/CN114066837A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)

Abstract

本发明实施例提供一种船舶舱室动态水位识别方法和系统，首先对获取的图像进行预处理，经过图像灰度化、图像分割以及形态学处理等操作后，基于PP‑YOLO v2算法对动态液位进行识别，通过将水箱模拟为舱室进行实验，获取液位检测结果。该算法测量的液位结果相对误差为1.33%，正确率达到了98.67%，具备较强的可靠性。提高了船舶舱室液位识别的自动化程度，具备较强的应用价值。

Description

一种船舶舱室动态水位识别方法和系统
技术领域
本发明实施例涉及船舶安全监测技术领域，尤其涉及一种船舶舱室动态水位识别方法和系统。
背景技术
为了保障船舶在海面上的行驶安全，避免沉船等事故的发生，需要实时对舱室的水位进行检测，以防止其超过警戒线。目前用于测量液位的方法主要有利用浮子、压力、雷达、超声等液位计进行直接测量以及基于机器视觉针对图像进行识别测量液位。由于在复杂的海面环境下，液位计的测量方法受限于舱室装备、环境以及费用的限制，较之于图像处理的方法存在不足。基于机器视觉的液位检测技术可以通过舱室摄像头获取图像，将待检测的液位转化为信号，然后通过图像处理技术转化计算从而得出实际液位，此技术由于其体积小、范围广、非接触的特性在许多领域得到应用。
国内外学者将图像处理技术应用到液位测量中进行了许多探索，如根据液位测量图像中受液面波动影响的激光点组成的激光线的垂直坐标，采取投票的方式，估算出激光线的实际坐标，从而得出液位测量结果，此方法虽然可以避免噪声脉冲的影响，但是面对液位的动态变化容易出现较大的误差。现有技术中还提出一种基于二次确认识别算法的液位测量系统，该方法利用模板匹配，从图像中找到一个数，之后将数字图像从规则图像中分割出来，进而完成数字识别，但是需要配合跟踪控制系统，应用范围不够广。现有技术中还设计了一套单相机机器视觉系统用于液位测量，该软件通过图像预处理、检测刻度线和液位、校正镜头失真和视差效应以及最终的单位转换实现对标准容器的液位检测，该系统构造成本高且针对液位动态变化得问题无法解决。
发明内容
本发明实施例提供一种船舶舱室动态水位识别方法和系统，以解决现有技术中液位测量成本高且针对液位动态变化时无法测量的问题。
为解决上述技术问题，第一方面，本发明实施例提供一种船舶舱室动态水位识别方法，包括：
步骤S1、获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
步骤S2、基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
步骤S3、将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
作为优选的，还包括：
步骤S4、若基于当前帧动态液位图像得到至少2个水位线，则基于最小二乘法将至少2个所述水位线的各坐标拟合至一条直线方程；
确定所述直线方程与舱室的两个交点，基于所述两个交点的终点确定水位线的第一像素高度；
确定水箱的第二像素高度，以及舱室的标准高度，基于所述第一像素高度、所述第二像素高度以及所述标准高度确定舱室动态液位高度。
作为优选的，所述步骤S1中，获取舱室摄像头从舱室侧面拍摄得到的图像，具体包括：
在舱室顶部设置LED照明光源，基于所述LED照明光源照射舱室液位时，通过设于舱室内且拍摄方向与所述LED照明光源相同的舱室摄像头拍摄液位图像。
作为优选的，所述步骤S2中，基于OTSU算法对所述连续帧图像进行阈值分割，得到动态液位图像，具体包括：
对所述连续帧图像进行灰度化处理：
Gray＝R*0.299+G*0.587+B*0.114
上式中，Gray表示灰度值，R表示图像中的红色分量，G表示图像中的绿色分量，B表示蓝色分量；
连续帧图像中像素的灰度级为i的概率为：
Figure BDA0003348886190000021
上式中，N＝n0+n1+…+nL-1；ni表示灰度级为i的像素数；L表示连续帧图像中有L个不同的灰度级；
令初始阈值t＝0，连续帧图像经阈值分割后被分为C1类和C2类，其中，像素被分类到C1和C2的概率分别为：
Figure BDA0003348886190000022
Figure BDA0003348886190000023
分类到C1和C2的像素的类均值μi表示为：
Figure BDA0003348886190000031
Figure BDA0003348886190000032
灰度级为0到L-1的像素的灰度平均值分别为：
Figure BDA0003348886190000033
对应的类方差为：
Figure BDA0003348886190000034
Figure BDA0003348886190000035
类内方差、类间方差分别为：
Figure BDA0003348886190000036
σB 2＝ω1(μ1-μT)2+ω2(μ2-μT)2
基于所述类内方差、类间方差确定灰度等级方差：
Figure BDA0003348886190000037
基于类间方差取最大值或类内方差取最小值时的t值确定分割阈值：
Figure BDA0003348886190000038
作为优选的，所述步骤S3具体包括：
步骤S31、将所述动态液位图像分割为13×13个单元格，以使液位落在单元格内时被检测，以单元格为中心，基于PP-YOLO模型中的锚框，预测N个不同长宽比的区域候选框，并对应不同参数，分别为中心坐标x，y，宽高w，h以及置信度评分：
Figure BDA0003348886190000039
上式中，Pr(object)表示候选框存在液位信息的可能性，object表示待识别液位，
Figure BDA00033488861900000310
Figure BDA00033488861900000311
表示预测候选框的精准度；若候选边框内是背景，则Pr(object)＝0表示候选框内为背景，Pr(object)＝1表示候选框内包含液位信息；
根据预测液位边框boxtruth与实际液位边框boxpred计算精准度：
Figure BDA0003348886190000041
针对每个单元格给定X个分类，每个类别包括X个条件概率：
Pr(Classi|object)i＝1,2,...,X
基于PP-YOLO模型将候选框与类别预测概率绑定，计算可得后验概率，候选框类别置信度为：
Figure BDA0003348886190000042
通过减少batch从而提高输入尺寸以增强液位面积，基于软标签的方式改进PP-YOLO中的损失函数IoU可得：
loss＝-t*log(σ(p))-(1-t)*log(1-σ(p))
式中，t表示锚点和真实候选框之间的损失函数IoU，p表示原始IoU分支的输出。
作为优选的，还包括：训练PP-YOLO模型；
拍摄具备动态变化特征的若干动态液位图像，基于标注工具获得格式为XML的标注文件，并分为训练样本和验证样本；
选择PP-YOLOv2网络进行训练，修改class、filters的值，适配需要识别的舱室液位；
基于PP-YOLOv2网络进行训练，得到用于识别液位的PP-YOLO模型。
第二方面，本发明实施例提供一种船舶舱室动态水位识别系统，包括：
摄像模块，获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
图像预处理模块，基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；
基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
液位识别模块，将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述船舶舱室动态水位识别方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述船舶舱室动态水位识别方法的步骤。
本发明实施例提供的一种船舶舱室动态水位识别方法和系统，首先对获取的图像进行预处理，经过图像灰度化、图像分割以及形态学处理等操作后，基于PP-YOLO v2算法对动态液位进行识别，通过将水箱模拟为舱室进行实验，获取液位检测结果。该算法测量的液位结果相对误差为1.33％，正确率达到了98.67％，具备较强的可靠性。提高了船舶舱室液位识别的自动化程度，具备较强的应用价值。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的船舶舱室动态水位识别方法流程框图；
图2为根据本发明实施例的液位检测时图像拍摄示意图；
图3为根据本发明实施例的初始图像示意图；
图4为根据本发明实施例的灰度图；
图5为根据本发明实施例的阈值分割后图像；
图6为根据本发明实施例的形态学操作后图像；
图7为根据本发明实施例的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供一种船舶舱室动态水位识别方法，包括：
步骤S1、获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
本发明实施例中，图像由布置在舱室的摄像头、舱室顶部LED照明光源采集，其中摄像头采集图像分辨率为1920x1080，照明部分与摄像头保持同一方向直射，计算机软件基于Qt编写，采用OpenCV调用机器视觉算法库，实现最终的液位检测。利用水箱模拟现场舱室，通过图像识别出液位高度，根据水箱与舱室的高度比换算处实际舱室的液位高度，如图2所示。本发明实施例在有光源的条件下，提取由舱室现场ccd摄像机拍摄的图像，源图像尺寸为1920x1080，截取连续帧具有波动特性图像。
步骤S2、基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
本发明实施例首先需要对提取的连续帧图像进行预处理，主要包括图像的灰度化、图像分割以及形态学处理等，如图3中所示。
由于舱室现场获取的图像为RGB彩色图像，因此，首先需要对图像进行灰度化处理。主要通过以下公式进行转换：
Gray＝R*0.299+G*0.587+B*0.114
上式中，Gray表示灰度值，R表示图像中的红色分量，G表示图像中的绿色分量，B表示蓝色分量，灰度化后的图像如图4中所示。
为了实现对舱室摄像头获取的图像进行高效处理，需要提取感兴趣区域，在此利用图像分割技术提取出关键区域，以减少不必要的计算，提高图像处理速度。对于舱室环境下的液位识别而言，由于其对处理速度要求较高，因此，本发明实施例选取最大类间方差法即OTSU算法进行二值化处理，此方法具备计算简单、处理速度快的特点，其利用初始阈值进行分类，将获取的原始图像分成两类，并通过计算方差更新初始阈值，以此类推，直至类间方差达到最大值从而得出最佳阈值。算法步骤设计如下。
连续帧图像中像素的灰度级为i的概率为：
Figure BDA0003348886190000071
上式中，N＝n0+n1+…+nL-1；ni表示灰度级为i的像素数；L表示连续帧图像中有L个不同的灰度级；
令初始阈值t＝0，连续帧图像经阈值分割后被分为C1类和C2类，其中，像素被分类到C1和C2的概率分别为：
Figure BDA0003348886190000072
Figure BDA0003348886190000073
分类到C1和C2的像素的类均值μi表示为：
Figure BDA0003348886190000074
Figure BDA0003348886190000075
灰度级为0到L-1的像素的灰度平均值分别为：
Figure BDA0003348886190000076
对应的类方差为：
Figure BDA0003348886190000077
Figure BDA0003348886190000078
类内方差、类间方差分别为：
Figure BDA0003348886190000079
σB 2＝ω1(μ1-μT)2+ω2(μ2-μT)2
基于所述类内方差、类间方差确定灰度等级方差：
Figure BDA00033488861900000710
基于类间方差取最大值或类内方差取最小值时的t值确定分割阈值：
Figure BDA0003348886190000081
图5即经过OTSU算法之后提取出液面以上区域的图像。
经过图像阈值分割之后的图像，可以显出液体以及顶部，但是针对液位上方的干扰，需要进行采用中值滤波方法减少图像边缘，同时为了去除顶部仍然存在的干扰，对滤波后的图像继续腐蚀、膨胀处理，以去除图像中的噪点。膨胀将目标集合合并，将目标元素的值替换成卷积核所覆盖的区域和局部的最大值。式子的表示如下：
Figure BDA0003348886190000082
以B结构中心点为准心，在A中找能满足B结构的点即为腐蚀，把A结构的每个点放到B中心点，以B结构外扩即为膨胀；腐蚀可表示为：
Figure BDA0003348886190000083
经过形态学处理后的图像如图6所示。
步骤S3、将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
PP-Yolo v2算法与传统的yolo算法相比，在COCO2017 test-dev数据上性能从45.9％mAP提升到了49.5％mAP，在640x640输入尺寸下可以达到68.9FPS，采用ResNet101骨架的PP-YOLOv2可以在COCO2017 test-dev数据集上取得50.3％mAP指标。
Figure BDA0003348886190000084
上式中，Pr(object)表示候选框存在液位信息的可能性，object表示待识别液位，
Figure BDA0003348886190000085
Figure BDA0003348886190000086
表示预测候选框的精准度；若候选边框内是背景，则Pr(object)＝0表示候选框内为背景，Pr(object)＝1表示候选框内包含液位信息；
根据预测液位边框boxtruth与实际液位边框boxpred计算精准度：
Figure BDA0003348886190000087
针对每个单元格给定X个分类，每个类别包括X个条件概率：
Pr(Classi|object)i＝1,2,...,X
基于PP-YOLO模型将候选框与类别预测概率绑定，计算可得后验概率，候选框类别置信度为：
Figure BDA0003348886190000088
通过减少batch从而提高输入尺寸以增强液位面积，进而提高模型性能，基于软标签的方式改进PP-YOLO中的损失函数IoU可得：
loss＝-t*log(σ(p))-(1-t)*log(1-σ(p))
式中，t表示锚点和真实候选框之间的损失函数IoU，p表示原始IoU分支的输出，通过替换损失函数，使得模型性能得到了提高。
在本实施例中，针对动态变化的液位，首先将经过预处理后的图像分割为13x13个单元格，液位落在单元格内时被检测，以单元格中心为准，基于PP-YOLO v2中的锚框，预测N个不同长宽比的区域候选框，并对应不同参数，分别为中心坐标x，y，宽高w，h，以及置信度评分：
步骤S4、逐帧提取输入的动态液位图像，通过已训练的模型进行识别，若基于当前帧动态液位图像得到至少2个水位线，则基于最小二乘法将至少2个所述水位线的各坐标拟合至一条直线方程l；
由于舱室摄像头只做垂直运动，舱室位置保持不变的情况下，根据建立的坐标系，其横坐标保持固定为x1，x2，将其代入l中，确定所述直线方程l与舱室的两个交点A、B，基于所述两个交点的终点确定水位线的第一像素高度l1；
确定水箱的第二像素高度l2，以及舱室的标准高度H，基于所述第一像素高度l1、所述第二像素高度l2以及所述标准高度H确定舱室动态液位高度：
Figure BDA0003348886190000091
还包括：训练PP-YOLO模型；
拍摄具备动态变化特征的若干动态液位图像，基于标注工具获得格式为XML的标注文件，并分为训练样本和验证样本；拍摄具备动态变化特性的液位图像600张，利用标注工具获得格式为XML的标注文件，选择其中550张作为训练样本，50张作为验证样本。
选择PP-YOLOv2网络进行训练，修改class、filters的值，适配需要识别的舱室液位；
基于PP-YOLOv2网络进行训练，迭代次数设为6000次，得到用于识别液位的PP-YOLO模型。
摄像头分辨率为1920x1080，软件选用QT(版本为5.13.1)和OpenCV(版本为4.4.1)，硬件基于PC(型号为Dell inspiron 5550)，在此平台下利用水箱模拟舱室，进行液位识别实验，经标准直尺测量后，当前水箱高度为21.2(cm)，动态液位识别结果如表1所示。
表1 液位识别结果
Figure BDA0003348886190000101
其中人工测量结果是在动态液位稳定后的利用标准直尺测量的实际液位，算法测量结果表示基于PP-YOLOv2对图像逐帧提取后识别的液位高度。对结果进行分析后发现，应用PP-YOLOv2的舱室动态液位识别算法测量的液位结果相对误差为1.33％，正确率达到了98.67％。
本发明实施例还提供一种船舶舱室动态水位识别系统，基于上述各实施例中的船舶舱室动态水位识别方法，包括：
摄像模块，获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
图像预处理模块，基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；
基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
液位识别模块，将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图7所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述船舶舱室动态水位识别方法的步骤。例如包括：
步骤S1、获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；
步骤S2、基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
步骤S3、将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述船舶舱室动态水位识别方法的步骤。例如包括：
步骤S1、获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；
步骤S2、基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
步骤S3、将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
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，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种船舶舱室动态水位识别方法，其特征在于，包括：
步骤S1、获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
步骤S2、基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
步骤S3、将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
2.根据权利要求1所述的船舶舱室动态水位识别方法，其特征在于，还包括：
步骤S4、若基于当前帧动态液位图像得到至少2个水位线，则基于最小二乘法将至少2个所述水位线的各坐标拟合至一条直线方程；
确定所述直线方程与舱室的两个交点，基于所述两个交点的终点确定水位线的第一像素高度；
确定水箱的第二像素高度，以及舱室的标准高度，基于所述第一像素高度、所述第二像素高度以及所述标准高度确定舱室动态液位高度。
3.根据权利要求1所述的船舶舱室动态水位识别方法，其特征在于，所述步骤S1中，获取舱室摄像头从舱室侧面拍摄得到的图像，具体包括：
在舱室顶部设置LED照明光源，基于所述LED照明光源照射舱室液位时，通过设于舱室内且拍摄方向与所述LED照明光源相同的舱室摄像头拍摄液位图像。
4.根据权利要求1所述的船舶舱室动态水位识别方法，其特征在于，所述步骤S2中，基于OTSU算法对所述连续帧图像进行阈值分割，得到动态液位图像，具体包括：
对所述连续帧图像进行灰度化处理：
Gray＝R*0.299+G*0.587+B*0.114
上式中，Gray表示灰度值，R表示图像中的红色分量，G表示图像中的绿色分量，B表示蓝色分量；
连续帧图像中像素的灰度级为i的概率为：
Figure FDA0003348886180000021
上式中，N＝n0+n1+…+nL-1；ni表示灰度级为i的像素数；L表示连续帧图像中有L个不同的灰度级；
令初始阈值t＝0，连续帧图像经阈值分割后被分为C1类和C2类，其中，像素被分类到C1和C2的概率分别为：
Figure FDA0003348886180000022
Figure FDA0003348886180000023
分类到C1和C2的像素的类均值μi表示为：
Figure FDA0003348886180000024
Figure FDA0003348886180000025
灰度级为0到L-1的像素的灰度平均值分别为：
Figure FDA0003348886180000026
对应的类方差为：
Figure FDA0003348886180000027
Figure FDA0003348886180000028
类内方差、类间方差分别为：
Figure FDA0003348886180000031
σB 2＝ω1(μ1-μT)2+ω2(μ2-μT)2
基于所述类内方差、类间方差确定灰度等级方差：
Figure FDA0003348886180000032
基于类间方差取最大值或类内方差取最小值时的t值确定分割阈值：
Figure FDA0003348886180000033
5.根据权利要求1所述的船舶舱室动态水位识别方法，其特征在于，所述步骤S3具体包括：
步骤S31、将所述动态液位图像分割为13×13个单元格，以使液位落在单元格内时被检测，以单元格为中心，基于PP-YOLO模型中的锚框，预测N个不同长宽比的区域候选框，并对应不同参数，分别为中心坐标x，y，宽高w，h以及置信度评分：
Figure FDA0003348886180000034
上式中，Pr(object)表示候选框存在液位信息的可能性，object表示待识别液位，
Figure FDA0003348886180000035
表示预测候选框的精准度；若候选边框内是背景，则Pr(object)＝0表示候选框内为背景，Pr(object)＝1表示候选框内包含液位信息；
根据预测液位边框boxtruth与实际液位边框boxpred计算精准度：
Figure FDA0003348886180000036
针对每个单元格给定X个分类，每个类别包括X个条件概率：
Pr(Classi|object)i＝1,2,...,X
基于PP-YOLO模型将候选框与类别预测概率绑定，计算可得后验概率，候选框类别置信度为：
Figure FDA0003348886180000037
通过减少batch从而提高输入尺寸以增强液位面积，基于软标签的方式改进PP-YOLO中的损失函数IoU可得：
loss＝-t*log(σ(p))-(1-t)*log(1-σ(p))
式中，t表示锚点和真实候选框之间的损失函数IoU，p表示原始IoU分支的输出。
6.根据权利要求1所述的船舶舱室动态水位识别方法，其特征在于，还包括：训练PP-YOLO模型；
拍摄具备动态变化特征的若干动态液位图像，基于标注工具获得格式为XML的标注文件，并分为训练样本和验证样本；
选择PP-YOLOv2网络进行训练，修改class、filters的值，适配需要识别的舱室液位；
基于PP-YOLOv2网络进行训练，得到用于识别液位的PP-YOLO模型。
7.一种船舶舱室动态水位识别系统，其特征在于，包括：
摄像模块，获取舱室摄像头拍摄得到的液位图像，并截取具有波动性的连续帧图像；
图像预处理模块，基于最大类间方差法OTSU对所述连续帧图像进行阈值分割，得到动态液位图像；
基于中值滤波方法对所述动态液位图像进行平滑处理，并进行腐蚀、膨胀处理，去除所述动态液位图像中的噪点；
液位识别模块，将所述动态液位图像输入至预先训练好的PP-YOLO模型中，基于所述PP-YOLO模型识别得到液位识别结果。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述船舶舱室动态水位识别方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述船舶舱室动态水位识别方法的步骤。
CN202111331109.XA 2021-11-11 2021-11-11 一种船舶舱室动态水位识别方法和系统 Pending CN114066837A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111331109.XA CN114066837A (zh) 2021-11-11 2021-11-11 一种船舶舱室动态水位识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111331109.XA CN114066837A (zh) 2021-11-11 2021-11-11 一种船舶舱室动态水位识别方法和系统

Publications (1)

Publication Number Publication Date
CN114066837A true CN114066837A (zh) 2022-02-18

Family

ID=80275061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111331109.XA Pending CN114066837A (zh) 2021-11-11 2021-11-11 一种船舶舱室动态水位识别方法和系统

Country Status (1)

Country Link
CN (1) CN114066837A (zh)

Similar Documents

Publication Publication Date Title
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN111626190B (zh) 基于聚类分区进行刻度识别的水位监测方法
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN112633144A (zh) 人脸遮挡检测方法、系统、设备及存储介质
CN111833306A (zh) 缺陷检测方法和用于缺陷检测的模型训练方法
CN110648322A (zh) 一种子宫颈异常细胞检测方法及系统
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
CN111639629B (zh) 一种基于图像处理的猪只体重测量方法、装置及存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN111476120A (zh) 一种无人机智能船舶水尺识别方法及装置
CN110866915A (zh) 基于度量学习的圆形砚台质量检测方法
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN112396016B (zh) 一种基于大数据技术的人脸识别系统
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN111723688B (zh) 人体动作识别结果的评价方法、装置和电子设备
CN114862761A (zh) 电力变压器液位检测方法、装置、设备及存储介质
CN114066837A (zh) 一种船舶舱室动态水位识别方法和系统
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN112785550A (zh) 图像质量值确定方法、装置、存储介质及电子装置
CN111626299A (zh) 一种基于轮廓的数字字符识别方法
CN114782459B (zh) 一种基于语义分割的拼接图像分割方法、装置及设备
CN109271986B (zh) 一种基于Second-Confirm的数字识别方法
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质

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