CN115456970A - 一种基于降维回归的干舷分割船舶载重线识别方法 - Google Patents
一种基于降维回归的干舷分割船舶载重线识别方法 Download PDFInfo
- Publication number
- CN115456970A CN115456970A CN202211046167.2A CN202211046167A CN115456970A CN 115456970 A CN115456970 A CN 115456970A CN 202211046167 A CN202211046167 A CN 202211046167A CN 115456970 A CN115456970 A CN 115456970A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ship
- freeboard
- segmentation
- water surface
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 108
- 230000009467 reduction Effects 0.000 title claims abstract description 40
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 71
- 238000001914 filtration Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims description 30
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 22
- 239000013598 vector Substances 0.000 description 19
- 238000010586 diagram Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008034 disappearance Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000192710 Microcystis aeruginosa Species 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282994 Cervidae Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Ocean & Marine Engineering (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于降维回归的干舷分割船舶载重线识别方法,包括配置信息采集设备,获取船舶点云数据后以csv格式存入存储服务器;Socket读取点云数据,将点云数据进行带通滤波,分离水面点云和船舶点云;拟合水面点云组成的平面,计算水面的高度;对船舶点云进行体素滤波和统计滤波,消除船舶边的杂散点;对滤波后的船舶点云进行降维回归分割,获取干舷点云;获取干舷点云的高度,对比水面点云,获取船舶吃水深度,判断是否超载,干舷点云分割结果更加准确、干舷点云回归结果更接近于船体中心,计算得到的干舷高度更加准确,对几何结构变化的船舶三维点云干舷分割鲁棒性更强,可以对任意吃水情况的船舶进行准确、可靠的船舶超载识别。
Description
技术领域
本发明涉及船舶安全的技术领域,尤其涉及一种基于降维回归的干舷分割船舶载重线识别方法。
背景技术
我国内陆河水网密集,随着科技进步和社会生产力的发展,航运需求迅速增长,随之而来的是超载事件频繁发生,而水上交通事故中90%以上都与船舶超载运输有关,因此对船舶进行有效的超载监测就显得十分重要。传统监测方案主要利用摄像头识别船舶的干舷,通过是否识别到干舷从而判断船舶是否超载,但摄像受天气干扰较大,并且仅仅以干舷存在为判断依据,测量不够精细,因此基于摄像头的船舶超载吃水判断方案抗环境干扰能力差、测量精度低,并不能为监测船舶超载安全提供有效的保障。近年来随着激光雷达的发展,由于其精度高、受环境影响小等优点,已被逐步应用于船舶超载检测方面。
基于激光雷达点云的干舷识别技术其核心在于如何从复杂的点云中,将干舷准确的分割识别出来。所以点云分割结果的好坏直接影响了干舷提取结果的可靠性和准确性。目前三维点云的分割算法已经有了很多研究,如基于超体素的区域聚类算法,通过连通域算法和形态学阈值算法来对目标进行有效的识别,通过神经网络来进行点云分割等。
上述现有算法都是针对特定场景下目标具有稳定特征时的分割算法,却没有考虑到目标点云特征多变的复杂性。随着载重的改变,船舶点云是一个动态变化的点云,这一点是船舶超吃水分割中至关重要的,也是目前分割算法未考虑到的。在实际应用中,船舶点云中干舷点云在侧面看是向下凹的弧形,所以随着吃水深度的增大,船舶三维点云中的干舷点云会有完整干舷点云、间断型干舷点云和完全消失型多种情况,这对船舶干舷特征提取造成了很大的困难,而传统分割算法会在间断型和完全消失型中对干舷进行误提取,出现将分割出的货仓边缘识别为干舷的误判。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有船舶超载监测分割方法存在的问题,提出了本发明。
因此,本发明解决的技术问题是:解决现有分割方法都是针对特定场景下目标具有稳定特征时的分割方法,却没有考虑到目标点云特征多变的复杂性的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于降维回归的干舷分割船舶载重线识别方法,包括以下步骤:配置信息采集设备,获取船舶点云数据后以csv格式存入存储服务器;读取所述船舶点云数据,将所述船舶点云数据进行带通滤波,分离成水面点云和船舶点云;利用分离出的所述水面点云,采用RANSAC算法拟合所述水面点云组成的平面,将拟合平面上点的高度求平均值,计算得到水面的高度;对所述船舶点云进行体素滤波和统计滤波,消除船舶边的杂散点;对滤波后的所述船舶点云进行降维回归分割,获取干舷点云;获取所述干舷点云的高度,对比所述水面点云,获取船舶吃水深度,判断是否超载。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:所述信息采集设备为激光雷达。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:采用RANSAC算法拟合所述水面点云组成的平面,具体包括,从所述水面点云中选取出4个点,作为点云代表;获取选取出的4个点之间的平面方程,作为初步拟合平面;获取所有所述水面点云到所述初步拟合平面的距离;统计所有距离小于设定阈值的inliners个数;定义inliners个数最多的平面即为拟合出的水面点云平面。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:所述设定阈值为0.15m。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:拟合所述水面点云平面后,计算水面的高度具体包括,获取所述水面点云平面和水平面的夹角;旋转所述水面点云平面至水平面;获取此时的平均高度。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:读取所述船舶点云数据,带通滤波分离所述水面点云和所述船舶点云后,还包括,通过所述船舶点云的数量,判断当前点云中是否存在船舶;当存在船舶时,对所述船舶点云进行数据预处理;将预处理后的所述船舶点云投影到水平面上;采用RanSac进行第一次直线提取;将第一条直线回归到三维点云,并对二维点云剩余点进行提取和裁剪;采用RanSac进行第二次直线提取;根据第一条直线的回归结果获取补全因子,而后回归第二条直线;获取两条直线的深度差值;进行超载判断。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:获取两条直线的深度差值,进行超载判断具体包括,对比两条直线的深度差值与甲板阈值的大小;当两条直线的深度差值大于甲板阈值时,定义分割结果中出现了误识别,所述船舶点云中无甲板,判定为超载;当两条直线的深度差值小于甲板阈值时,获取深度较小直线的平均高度,比对此时所述水平面的平均高度,并当深度较小直线的平均高度与此时所述水平面的平均高度的差值大于超载阈值时,定义未超载,当深度较小直线的平均高度与此时所述水平面的平均高度的差值小于超载阈值时,定义所述船舶点云中有甲板,但吃水过深,判定超载。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:对所述船舶点云进行数据预处理具体包括,旋转、滤波和剪裁。
作为本发明所述的基于降维回归的干舷分割船舶载重线识别方法的一种优选方案,其中:所述甲板阈值为0.3m。
本发明的有益效果:本发明提供一种基于降维回归的干舷分割船舶载重线识别方法,针对船舶三维点云几何形态变化复杂的问题,将三维点云边缘提取问题分为降维分割干舷点云、回归识别干舷高度的降维回归两阶段方法,针对雷达点云中船舶附近的杂散点进行了滤波算法的改进,保证滤波后的船舶点云中没有水花引起的杂散点云,进而为点云的准确分割提供保障,通过降维分割的方式,避免了在三维点云中计算法向量,极大地提高了分割识别的速度,满足实时分割的要求,使得干舷点云分割结果更加准确、干舷点云回归结果更接近于船体中心,计算得到的干舷高度更加准确,对几何结构变化的船舶三维点云干舷分割鲁棒性更强,可以对任意吃水情况的船舶进行准确、可靠的船舶超载识别。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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它的附图。其中:
图1为本发明提供的基于降维回归的干舷分割船舶载重线识别方法的整体方法流程图。
图2为船舶三维点云干舷的分割结果示意图。
图3为本发明提供的通过基于降维回归的干舷分割识别方法分割船舶三维点云干舷的分割结果示意图。
图4为基于传统法向量对图3涉及的船舶三维点云进行干舷分割的结果示意图。
图5为激光雷达架设三维示意图。
图6为激光雷达坐标系和水平面坐标系y轴负方向位置关系图。
图7为船舶干舷完整原始三维点云的侧面俯视图。
图8为船舶干舷完整原始三维点云的正面俯视图。
图9为船舶二维点云上的两次分割结果示意图。
图10为三维船体点云上的分割结果示意图。
图11为三维船舶点云上的分割结果示意图。
图12为水淹没部分甲板的船舶原始点云图。
图13为水淹没全部甲板的船舶原始点云图。
图14为水淹没部分甲板情况下的分割结果图。
图15为水淹没全部甲板情况下的分割结果图。
图16为基于法向量的三维点云边界提取算法在三类不同吃水情况下船舶三维点云上的实验结果图。
图17为本发明在测试集103个点云上的实验结果对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
目前传统超载监测手段中,摄像头受环境影响较大,在雨天、雾天等恶劣天气情况下准确率会受很大的影响。
额外的,摄像头本身对于距离、高度等数据的测量就精度较差,并且现有摄像头方案仅通过识别干舷的存在来判别超载,一方面测量不够精细,测量的准确率不高,另一方面也无法对船舶超载的程度进行精确的把控。
故此,请参阅图1~图16,本发明提供一种基于降维回归的干舷分割船舶载重线识别方法,采用激光雷达取代摄像头作为信息的采集设备,精度更高、抗干扰能力更强,并且可以通过分别计算干舷和水面的高度,得到精确的船舶干舷距水面高度,从而对超载可以进行精确的判断;其次,本发明从船舶三维点云中分割得到干舷点云的关键在于,利用船舶三维点云的结构特征进行降维分割,因为船舶货仓的侧面点云在超载与非超载情况下始终都稳定存在,而这两个船舶的几何特征在俯视图上又表现为二维点云上仅有的两条直线特征,并且在深度范围上存在距离阈值,所以本发明放弃从三维点云上直接分割提取干舷的方法,而是选择将三维点云投影到水平面上,即从船舶激光雷达三维点云的俯视图角度对干舷和船舱边缘这两个直线特征进行分割提取,并且根据货船甲板宽度阈值,可以很容易判定分割在二维点云上分割出来的两条直线中是否包含干舷,所以本发明可以稳定准确的识别出船舶干舷点云。综上,本发明抗干扰能力强、精度高及适用于各种吃水情况下的船舶,所以能为监测船舶超载安全提供有效的保障。
针对动态船舶激光雷达三维点云结构特征变化复杂从而导致船舶干弦分割不理想的问题,本发明提出了基于降维分割的动态船舶超吃水分割识别方法。与传统基于法向量的三维点云边界提取方法不同,本发明采用降维分割的方法,利用船舶点云俯视图中干弦几何特征明显的特点,在投影后的二维点云上可以准确快速地分割识别船舶的干弦特征,最终再通过点云数据的内存关系,将二维分割结果回归到三维点云上,可以得到更准确的干弦分割识别数据。
具体的,一种基于降维回归的干舷分割船舶载重线识别方法,包括以下步骤:
S1:配置信息采集设备,获取船舶点云数据后以csv格式存入存储服务器;
进一步的,信息采集设备为激光雷达;采用激光雷达取代摄像头作为信息的采集设备,精度更高、抗干扰能力更强,并且可以通过分别计算干舷和水面的高度,得到精确的船舶干舷距水面高度,从而对超载可以进行精确的判断。
且激光雷达装在岸边的电线杆上,雷达姿态为向下约30°的倾角照射航道,点云数据就是几万个xyz坐标值,csv存数据比较方便对数据进行读取和存储。
S2:Socket读取船舶点云数据,由于在深度方向,水面点云和船舶点云是分开的,所以将船舶点云数据进行带通滤波,分离成水面点云和船舶点云;
需要说明的是,Socket是网络交换数据的机制,为现有的专业通信手段;并且进行带通滤波过程中,根据航道范围得到深度阈值,就可以带通滤波。
S3:利用分离出的水面点云,采用RANSAC方法拟合水面点云组成的平面,将拟合平面上点的高度求平均值,计算得到水面的高度;
需要说明的是,RANSAC方法为现有的方法,具备计算量小、速度快的优势;雷达点云是有xyz坐标的,把点云旋转到水平坐标系后的高度值就是这里所指的高度值。
进一步的,采用RANSAC方法拟合水面点云组成的平面,具体包括:
S3.1:从水面点云中选取出4个点,作为点云代表;
S3.2:获取选取出的4个点之间的平面方程,作为初步拟合平面;
S3.3:获取所有水面点云到初步拟合平面的距离;
S3.4:统计所有距离小于设定阈值的inliners个数(即该点到初步拟合平面的距离小于设定的阈值);
S3.5:定义inliners个数最多的平面即为拟合出的水平面。
具体的,设定阈值为0.15m。
更进一步的,拟合水面点云平面后,计算水面的高度具体包括:
①获取水面点云平面和水平面的夹角,上面拟合出了水面点云的平面方程,而水平面的方程是已知的,两个平面方程可以求两个平面的夹角;
②旋转水面点云平面至水平面;
③获取此时的平均高度,前面拟合出了水面点云,那么这些组成水面的点云(就是几十个xyz坐标)可以计算得到一个高度平均值,然后干舷回归后又得到几十个干舷点云,再求这条线点云的高度平均值,两个平均值做差就是船舶吃水高度。
S4:对船舶点云进行体素滤波和统计滤波,消除船舶边的杂散点;
由于点云数据存在的噪点可能会对船舶三维点云上的干弦和货仓边缘的分割产生很大的影响,本算法采用体素滤波和统计滤波相结合的滤波方法进行降噪处理。本算法针对实际应用中内河船舶点云的噪声特点,先采用体素滤波使船舶边缘附近的噪点变得更加离群,再通过统计滤波就可以将其滤除。
由于船舶载重变化会引发不同形式的船舶点云,为了获取更完整的数据, 我们采用侧扫的方式进行数据获取,如图5所示。
需要说明的是,体素滤波和统计滤波都是现有的方法,在此不做多余赘述,本发明是发现船舶点云的结构特征,对船舶点云进行降维分割(即将三维的船舶点云映射到水平面上再进行干舷分割),然后将分割结果回归到三维点云上,得到干舷高度信息,再和水面高度做差即为该船的吃水高度。
S5:对滤波后的船舶点云进行降维回归分割,获取干舷点云;
S6:获取干舷点云的高度,对比水面点云,获取船舶吃水深度,判断是否超载。
进一步的,Socket读取船舶点云数据,带通滤波分离水面点云和船舶点云后,还包括:
⑴通过船舶点云的数量,判断当前点云中是否存在船舶,判断方式:若有船舶存在,则雷达视域的中间区域会有至少几百个点云(原理同带通滤波器,判断以下雷达视域中心有没有一定阈值的点,没有就判定没有船);
⑵当存在船舶时,对船舶点云进行数据预处理;预处理即对船体点云进行 (体素滤波+统计滤波+带通滤波),滤除船头船尾,最后只留船身中间部分;
⑶将预处理后的船舶点云投影到水平面上,把船舶点云所有的高度坐标全部置0就是投影到水平面上,因为船舶状态未知,直接在三维点云上直接分割,无法判断分割结果的对错并且计算量太大,而船舶的三维点云特征决定了点云投影下来有明显的直线特征,我们在二维点云上分割就可以以极小的计算量代价,分割出干舷点云;
⑷采用RanSac进行第一次直线提取;
⑸将第一条直线回归到三维点云,并对二维点云剩余点进行提取和裁剪;
需要说明的是,回归过程中,分割出来的点云恢复高度后会得到一整个面点云的坐标,又因为干舷所在面干舷就是最高处,所以设一个高度阈值取面点云maxH到maxH-40的这一块的点云,这些点云就代表了干舷点云,然后求高度平均值即可;
⑹采用RanSac进行第二次直线提取;
⑺根据第一条直线的回归结果获取补全因子,而后回归第二条直线;
⑻获取两条直线的深度差值;
⑼进行超载判断。
具体的,获取两条直线的深度差值,进行超载判断具体包括:
⑴对比两条直线的深度差值与甲板阈值的大小;
⑵当两条直线(在二维平面上会进行两次直线分割,就是这里得到的两个直线)的深度差值大于甲板阈值时,定义分割结果中出现了误识别,船舶点云中无甲板,判定为超载;当两条直线的深度差值小于甲板阈值时,获取(回归到三维就恢复了这些点的高度值了,他们都是坐标,降二维就是高度置0,回归就是高度复原)深度较小直线的平均高度,比对此时水平面的平均高度,并当深度较小直线的平均高度与此时水平面的平均高度的差值大于超载阈值时,定义未超载,当深度较小直线的平均高度与此时水平面的平均高度的差值小于超载阈值时,定义船舶点云中有甲板,但吃水过深,判定超载。
更进一步的,对船舶点云进行数据预处理具体包括:旋转、滤波和剪裁。
需要说明的是,旋转:将点云从雷达坐标系转换到水平坐标系;滤波:第一阶段为了分开水面点云和船舶点云第二阶段为了滤除船舶点云旁的杂散点和船头船尾(这一步就是剪裁)。
具体的,甲板阈值为0.3m。
具体说明如下:
即:本发明先通过RanSac方法从水面点云中分割出一个平面,用该平面来拟合雷达坐标系的水平面,从而求得雷达坐标系和水平坐标系的夹角参数θ。平面模型和水平面模型如下:
a1x+b1y+c1z+d1=0
z=d2
RanSac方法每次会随机采样4个点来拟合水面,然后重复以上算法M次,最终选择内点个数最多的平面参数,用该平面来拟合此刻的激光雷达水平面。
两平面夹角关系如下:
可以求得两个平面的夹角θ为:
从y轴方向看两坐标系关系及旋转方向图6所示。
由图可知,设原始雷达坐标系下的点云坐标为(x1,y1,z1),经过旋转矩阵旋转后得到的水平面坐标系下的激光雷达点云的点云坐标为(x2,y2,z2),则可得到点云坐标关于旋转矩阵的表达式如下:
由此经过旋转矩阵即可将激光雷达读取到的在原始点云旋转到水平面坐标系下。
船舶的激光雷达点云图有着非常明显且易识别的结构特征即干弦和货仓边缘,但是由于船舶的载重不同导致吃水深度不同,干弦特征变化明显,可以从多条弧形到单条弧形甚至到没有弧形,所以如果在船舶的三维点云上直接进行分割,在船舶超载严重时,很容易将分割到的货仓边缘或其他结果误判为干弦,从而导致吃水深度计算错误。所以本发明提出了基于船舶点云结构特征的降维回归两阶段分割方法,来提高测量准确性和运行速度。
㈠船舶三维点云的降维分割:
传统的三维点云分割技术中,一般采用基于法向量的三维点云边界提取方法来提取船舶干弦。但是基于法向量的分割方法在船舶干弦的分割识别中存在两个问题,首先当船舶超载干舷点云不完整时,基于法向量的边界提取方法会出现误分割。其次,该方法对分割出的类直线点云并不能保证是干弦,即存在误识别的问题。
在实际应用中,发现船舶货仓的侧面点云在超载与非超载情况下始终都稳定存在,而这两个船舶的几何特征在俯视图上又表现二维点云上仅有的两条直线特征,并且在深度范围上存在距离阈值。所以本算法放弃从三维点云上直接分割提取干弦的方法,而是选择将三维点云投影到水平面上,即从船舶激光雷达三维点云的俯视图角度对干弦和船舱边缘这两个直线特征进行分割提取,并且根据货船甲板宽度阈值,可以很容易判定分割在二维点云上分割出来的两条直线中是否包含干弦,从而判定严重超载的情况。该方法原理如下:
(1)将船舶点云的z坐标全部置0,实现船舶点云到水平坐标系X-Y面的投影。
(2)使用RanSac方法在二维点云上分割出第一条直线
(3)计算这条直线的平均深度距离,和船舶三维点云的最小深度距离比较,判断是干弦、货仓边缘或是其他的随机点集。
(4)根据不同情况,在二维点云的深度轴上进行相应的带阻滤波,滤除第一条直线的深度距离邻点。
(5)使用RanSac方法在二维点云的滤波结果上分割第二条直线。
实际二维点云方法中采用了两次分割,原理如下:
㈡二维点云分割结果到三维点云的回归:
由于在船舶干弦和货仓边缘的分割中,为了分割结果的准确,采用了降维分割的方法,牺牲点云高度信息。所以本方法结合激光雷达三维船舶点云的结构特征和激光雷达扫描方式,提出了一种二维点云分割结果到三维点云的回归方式,该回归方法原理如下。
因为原始船体二维点云相较于原始船体三维点云仅仅改变了三维点云的z 坐标,所以它们在内存中存储的顺序是完全一样的,所以Line1的分割结果,可以直接回归到三维得到Line1直线所在面的所有点云,又因为干舷和货舱边缘都是侧面点云最高的一排点云,所以可以根据z轴坐标值从面点云中提取出最高的一条直线点云,即为Line1从二维到三维的分割回归结果,Line1索引映射关系如下:
相较于Line1的回归,Line2的回归就显得稍加复杂,因为Line2的回归索引需根据其和Line1的相对深度距离而改变,这是由于Line2是从滤波后的二维点云中分割出来的,所以如果Line2是深度距离更远的那根线,则相较于船体的三维点云,相同点的索引值,可能发生了改变,而如果Line1是深度距离更远的那根弦,则Line1及其深度距离邻点在二维点云上的提取,并不会影响 Line2的回归索引,由此可得Line2索引映射关系如下:
综上,本发明的具体步骤如下:
(1)通过分割水面点云拟合出激光雷达坐标系的X-Y面,然后计算该面和水平面的夹角,并将雷达坐标系下的点云旋转到水平坐标系下。
(2)将原始三维点云进行一系列的滤波操作(体素滤波、统计滤波、带通滤波),得到船舶干舷段船体的三维点云。
(3)将船舶干舷段船体的三维点云投影到水平面,进行基于直线特征的两阶段分割及分割结果识别。
(4)将干舷点云和货舱边缘点云的分割结果回归到三维点云上,得到干舷在三维点云上的平均高度,从而和水面平均高度相减,得到当前船舶干舷到水面的距离。
实验结果表明,该方法在船舶点云结构特征动态变化的情况下,可以更有效地提升特征分割识别准确度。
本发明选取架设在运河鹿山桥河段的一个LivoxHorizion激光雷达对出码头的船舶进行超载监测,以进行算法的验证分析。仿真实验在PC端完成,主要配置为:Inter(R)i5-4590 CPU处理器,主频为3.30GHz,GPU(NVIDIA GeForce GTX 1080ti)。软件开发环境为在Ubuntu16.04LTS系统上采用C++实现。激光雷达型号为Livox Horizon高性能激光雷达。该激光雷达最大采样速率为20帧每秒,在实际应用时,为了达到激光雷达点云数据的实时监测,将采样速率降低到5帧每秒,该激光雷达所读取的一帧三维点云的点数为12096,丰富的点云数量保证了目标细节在测量时不会被遗漏。
以下为本发明针对三类吃水情况下动态船舶超吃水分割识别的实验分析以及和传统基于法向量的三维点云边缘提取方法的优劣对比。
Ⅰ、船舶干舷点云完整下的干舷分割识别:
在船舶载重较轻时,船体漏出水面的部分较多,此时干舷所在的船舶侧面点云有多条和干舷点云特征相同的点云直线组成,这类吃水情况下的船舶激光雷达三维点云图如图7和图8所示。
由图可知,此时干舷点云虽然完整,但在分割时却会受到其他侧面点云直线的干扰,所以传统的基于法向量的边缘提取方法在此时可能会在侧面点云上产生误分割,因为此时侧面的多条点云直线,都拥有着相似的法向量邻域特征,所以侧面的每一条点云直线都有可能成为其分割结果,而在三维点云上直接进行边缘提取,又无法得到整个侧面点云的高度信息,无法通过点云直线的高度阈值来滤除其他直线点云的干扰,所以该方法在这种情况下并不稳定。基于此问题,本发明提出的降维方法能够很好的解决这个问题,因为在降到二维后,分割出的直线是由这个面上所有点组成的,再回归到三维上,就得到了这个面上所有点的高度信息,就可以通过高度阈值来得到正确的干舷分割结果。本方法分割回归结果流程图如图9所示。
如图9所示,本方法首先将船舶预处理后的三维点云投影到水平面上,再从二维点云上对其干舷和货舱边缘进行分割,这是因为在船体的俯视图中,干舷和货舱边缘是点最密集的两个直线特征,这样我们可以对其进行最准确的分割,同时可以在回归中获取其高度阈值,通过高度阈值在侧面点云中对干舷点云进行精准提取,干舷点云在船体三维点云和船舶三维点云上的回归结果如图 10所示。
由图11可知,本方法对此类情况下船舶三维点云上的干舷点云可以进行准确的分割。
Ⅱ、船舶干舷点云缺失下的干舷分割识别:
在船舶载重较重时,船舶的侧面点云将仅由中间段缺失的干舷点云组成,当严重超载时,甚至干舷点云会完全消失。这两类吃水情况下的船舶激光雷达三维点云图如图12及图13所示。
如图12、图13所示,由于船舶干舷从侧面看是个向下凹的曲线,所以随着船舶超载程度的加深,干舷的中间段会先没入水下,直至干舷全部没入,这就导致这种情况下船舶干舷点云发生缺失甚至消失,而缺失导致干舷所在直线上的点的数量减少,从而会导致RanSac分割不出干舷点云直线,消失则会直接导致分割到其他直线,但是将三维点云投影到水平面后,如果出现因为干舷点云不足导致第二条直线误分割的情况,则可以通过直线点云分割结果的深度阈值将船舶直接判为超载,因为此时干舷已经出现部分或全部没入水面的情况,船舶一定超载。而本方法中将船舶三维点云投影到二维上进行分割,就可以精确的得到两条分割结果的深度阈值,从而进行超载判定。在这两类情况下本方法分割回归结果如图14及图15所示。
如图12和图14所示,当船舶干弦点存在少量缺失时,即当船舶干弦在没入水面的边界情况时,本方法仍然可以准确的将其干弦点云分割识别,随着吃水程度的进一步加深,干弦点云大量缺失直到消失时,船舶原始三维点云和二维点云上的分割结果将会如图13和图15所示,此时由于干弦缺失,在二维平面点云上直线特征将会减少一个,此时进行第二次分割时,则会分割到另一侧的货仓边缘,因为当船舶吃水较深时,雷达的入射角度更接近侧面的俯视图,所以相较于船舶吃水浅的情况下,远侧货仓边缘的点云会变得非常密集,形成这种情况下船体几何特征上新的直线特征,用于满足第二次分割。而此时就可以通过二维点云上两次分割结果的深度差阈值发现船舶干弦已经没入水面,即船舶的三维点云中没有干弦点云的存在,所以无法得到干弦的高度信息,也就不再需要回归到船舶的三维点云中进行干弦到水面的距离计算,可以直接判断船舶为严重超载,所以本方法对船舶干弦点云缺失、消失情况下的超吃水分割识别也非常准确有效。
Ⅲ、基于法向量的三维点云边缘提取方法的对比实验研究:
基于以上船舶干弦点云完整、船舶干弦点云缺失和船舶干弦点云消失三种船舶动态吃水情况下的船舶三维点云,本文将传统基于法向量的三维点云边界提取方法应用在相同的船舶原始三维点云上进行干弦分割和超吃水识别,以和本算法进行效果对比。传统基于法向量的三维点云边界提取方法在这三类船舶三维点云上的干弦分割结果如图16所示。
由图16可知,在图11干弦点云完整的船舶三维点云中,本方法和传统方法都对干弦点云进行了准确的分割和识别,但是相较于传统方法,本方法只分割了干弦中间一段的点云,这就导致,本方法计算得到的干弦点云平均高度是更加接近于干弦最低点的,这样就降低了船舶干弦是弧形,干弦点云高度分布区间较大给计算干弦到水面距离带来的影响,从而得到更准确的干弦距水面距离。在图15干弦点云缺失的船舶三维点云中,传统方法由于船舶三维点云中干弦点云的中间段缺失和点数下降,错误的将货仓边缘分割识别成了干弦点云,而本方法在干弦点云缺失较少的情况下,扔可以准确的分割识别出船舶的干弦。在图16干弦点云消失的船舶三维点云中,传统方法由于干弦点云的消失同样导致了传统方法的误分割,而本方法针对此类情况,在二维点云的两次分割结果上就可以发现其深度距离异常,从而发现其三维点云上已无干弦点云,直接判定此类点云超载。以上三个船舶激光雷达三维点云的的超吃水识别结果如下表所示。
表1不同方法下的分割识别结果对比
由上表1可知,在对三类船舶点云的超载判定中,本方法都可以进行准确的识别和判定,特别是在船舶干舷立面点云缺失、消失两种情况下,相较于基于法向量的边缘提取方法,本方法在精确度和误判鲁棒性上有非常大的优势。这是因为本方法避开了基于法向量这种常规边缘提取方式,而是利用船舶点云独特的结构特征,引入点云降维这种简单并且对点云结构完整性要求不高的处理方式,先对点云进行降维处理,然后再利用船舶货舱段俯视图二维点云上直线特征固定的特性,进行干舷和货舱边缘点云的分割。利用船舶点云独特的结构特征与降维相结合,将三维点云的边缘提取问题转化为点云俯视图货舱段上的线性特征分割问题,使得本方法在船舶干舷点云的分割提取上有以下优点:
①由于将边缘提取问题转换为降维后的线性特征分割,所以本方法不依赖于完整的船舶边界,所以本方法只选取货舱段进行降维,这样可以使得分割结果回归后,在高度均值上的计算减少甲板面为弧度而带来的高度误差,可以使回归结果的高度均值更接近于吃水线甲板处的高度值。
②由于船舶货舱段的俯视图线性特征固定,所以可以利用深度阈值对分割结果进行预判定,从而避免对干舷误识别带来的超载误判。
③由于将基于法向量的边缘提取问题转化为二维点云的直线分割问题,极大地降低了计算复杂度和需要计算的点的个数,使得方法的速度得到了很大的提升。
本方法在测试集103个点云上的实验结果如附图17所示。
测试集中三类船舶点云的数量依次为74艘、21艘、8艘,其中判断错误数量依次为0艘、4艘、2艘。由图示看出,本方法在测试集的实验结果中,干舷点云完整的情况下准确率为100%,干舷点云缺失的情况下准确率为80%,干舷点云消失的情况下准确率为75%,整体准确率为94%,效果达到预期。
本方法设计了一种基于激光雷达点云的动态船舶超吃水分割识别方法,该方法首先使用体素滤波和统计滤波结合的两阶段滤波方法,滤除船舶边缘浪花导致的零星水面反射点,再通过带通滤波器获取船舶中间段船体,滤除船舶俯视图上的其他直线特征,并减少干弦点云平均高度和干弦最低点的高度差值,提高超吃水识别的精度。通过降维后的两阶段分割,精确的将船舶点云俯视图中的直线特征分割出来,最后通过将分割结果回归到三维的方法,恢复分割结果的高度信息,从而得到准确的船舶干弦分割识别。针对船舶动态吃水下的不同类型船舶三维点云,本方法都可以对其进行准确的干弦分割和超吃水识别。相较于传统基于法向量的三维点云边缘提取方法,在船舶干弦分割和超吃水识别中,本方法不需要逐点提取法向量使得本方法的运算速度得到了很大的提升满足算法在实际运用中准确性和实时性的需求。对运河船舶的三维点云中的几何结构分割识别具有一定的指导意义,可以有效检测运河货船超载的现象,降低超载带来的运河船舶事故发生率。
本发明提供一种基于降维回归的干舷分割识别船舶超载吃水方法,针对船舶三维点云几何形态变化复杂的问题,将三维点云边缘提取问题分为降维分割干舷点云、回归识别干舷高度的降维回归两阶段方法,针对雷达点云中船舶附近的杂散点进行了滤波算法的改进,保证滤波后的船舶点云中没有水花引起的杂散点云,进而为点云的准确分割提供保障,通过降维分割的方式,避免了在三维点云中计算法向量,极大地提高了分割识别的速度,满足实时分割的要求,干舷点云分割结果更加准确、干舷点云回归结果更接近于船体中心,计算得到的干舷高度更加准确,对几何结构变化的船舶三维点云干舷分割鲁棒性更强,可以对任意吃水情况的船舶进行准确、可靠的船舶超载识别。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于降维回归的干舷分割船舶载重线识别方法,其特征在于,包括以下步骤:
配置信息采集设备,获取船舶点云数据后以csv格式存入存储服务器;
读取所述船舶点云数据,将所述船舶点云数据进行带通滤波,分离成水面点云和船舶点云;
利用分离出的所述水面点云,采用RANSAC方法拟合所述水面点云组成的平面,将拟合平面上点的高度求平均值,计算得到水面的高度;
对所述船舶点云进行体素滤波和统计滤波,消除船舶边的杂散点;
对滤波后的所述船舶点云进行降维回归分割,获取干舷点云;
获取所述干舷点云的高度,对比所述水面点云,获取船舶吃水深度,判断是否超载。
2.根据权利要求1所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:所述信息采集设备为激光雷达。
3.根据权利要求2所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于,采用RANSAC方法拟合所述水面点云组成的平面,具体包括:
从所述水面点云中选取出4个点,作为点云代表;
获取选取出的4个点之间的平面方程,作为初步拟合平面;
获取所有所述水面点云到所述初步拟合平面的距离;
统计所有距离小于设定阈值的inliners个数;
定义inliners个数最多的平面即为拟合出的水面点云平面。
4.根据权利要求3所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:所述设定阈值为0.15m。
5.根据权利要求4所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于,拟合所述水面点云平面后,计算水面的高度具体包括:
获取所述水面点云平面和水平面的夹角;
旋转所述水面点云平面至水平面;
获取此时的平均高度。
6.根据权利要求5所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:读取所述船舶点云数据,带通滤波分离所述水面点云和所述船舶点云后,还包括,
通过所述船舶点云的数量,判断当前点云中是否存在船舶;
当存在船舶时,对所述船舶点云进行数据预处理;
将预处理后的所述船舶点云投影到水平面上;
采用RanSac进行第一次直线提取;
将第一条直线回归到三维点云,并对二维点云剩余点进行提取和裁剪;
采用RanSac进行第二次直线提取;
根据第一条直线的回归结果获取补全因子,而后回归第二条直线;
获取两条直线的深度差值;
进行超载判断。
7.根据权利要求6所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:获取两条直线的深度差值,进行超载判断具体包括,
对比两条直线的深度差值与甲板阈值的大小;
当两条直线的深度差值大于甲板阈值时,定义分割结果中出现了误识别,所述船舶点云中无甲板,判定为超载;当两条直线的深度差值小于甲板阈值时,获取深度较小直线的平均高度,比对此时所述水平面的平均高度,并当深度较小直线的平均高度与此时所述水平面的平均高度的差值大于超载阈值时,定义未超载,当深度较小直线的平均高度与此时所述水平面的平均高度的差值小于超载阈值时,定义所述船舶点云中有甲板,但吃水过深,判定超载。
8.根据权利要求7所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:对所述船舶点云进行数据预处理具体包括,
旋转、滤波和剪裁。
9.根据权利要求8所述的基于降维回归的干舷分割船舶载重线识别方法,其特征在于:所述甲板阈值为0.3m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046167.2A CN115456970B (zh) | 2022-08-30 | 2022-08-30 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046167.2A CN115456970B (zh) | 2022-08-30 | 2022-08-30 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115456970A true CN115456970A (zh) | 2022-12-09 |
CN115456970B CN115456970B (zh) | 2023-09-05 |
Family
ID=84301814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211046167.2A Active CN115456970B (zh) | 2022-08-30 | 2022-08-30 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456970B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826021A (zh) * | 2023-02-14 | 2023-03-21 | 国网吉林省电力有限公司信息通信公司 | 一种采用卫星影像辅助和无线通信网络的定位方法 |
CN115953453A (zh) * | 2023-03-03 | 2023-04-11 | 国网吉林省电力有限公司信息通信公司 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
CN116148878A (zh) * | 2023-04-18 | 2023-05-23 | 浙江华是科技股份有限公司 | 船舶干舷高度识别方法及系统 |
CN117576185A (zh) * | 2024-01-16 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110473255A (zh) * | 2019-07-17 | 2019-11-19 | 南京畅淼科技有限责任公司 | 一种基于多重网格划分的船舶系船柱定位方法 |
WO2020047338A1 (en) * | 2018-08-29 | 2020-03-05 | Movidius Ltd. | Computer vision system |
WO2020254448A1 (en) * | 2019-06-17 | 2020-12-24 | Ariel Ai Inc. | Scene reconstruction in three-dimensions from two-dimensional images |
US10921817B1 (en) * | 2018-06-29 | 2021-02-16 | Zoox, Inc. | Point cloud filtering with semantic segmentation |
CN113780127A (zh) * | 2021-08-30 | 2021-12-10 | 武汉理工大学 | 一种船舶定位与监控系统及方法 |
US20220261593A1 (en) * | 2021-02-16 | 2022-08-18 | Nvidia Corporation | Using neural networks to perform object detection, instance segmentation, and semantic correspondence from bounding box supervision |
-
2022
- 2022-08-30 CN CN202211046167.2A patent/CN115456970B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10921817B1 (en) * | 2018-06-29 | 2021-02-16 | Zoox, Inc. | Point cloud filtering with semantic segmentation |
WO2020047338A1 (en) * | 2018-08-29 | 2020-03-05 | Movidius Ltd. | Computer vision system |
WO2020254448A1 (en) * | 2019-06-17 | 2020-12-24 | Ariel Ai Inc. | Scene reconstruction in three-dimensions from two-dimensional images |
CN110473255A (zh) * | 2019-07-17 | 2019-11-19 | 南京畅淼科技有限责任公司 | 一种基于多重网格划分的船舶系船柱定位方法 |
US20220261593A1 (en) * | 2021-02-16 | 2022-08-18 | Nvidia Corporation | Using neural networks to perform object detection, instance segmentation, and semantic correspondence from bounding box supervision |
CN113780127A (zh) * | 2021-08-30 | 2021-12-10 | 武汉理工大学 | 一种船舶定位与监控系统及方法 |
Non-Patent Citations (1)
Title |
---|
王茁: "基于点云的复杂场景下多目标识别", 《中国优秀硕士学位论文全文数据库》, pages 138 - 1586 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826021A (zh) * | 2023-02-14 | 2023-03-21 | 国网吉林省电力有限公司信息通信公司 | 一种采用卫星影像辅助和无线通信网络的定位方法 |
CN115826021B (zh) * | 2023-02-14 | 2023-04-25 | 国网吉林省电力有限公司信息通信公司 | 一种采用卫星影像辅助和无线通信网络的定位方法 |
CN115953453A (zh) * | 2023-03-03 | 2023-04-11 | 国网吉林省电力有限公司信息通信公司 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
CN115953453B (zh) * | 2023-03-03 | 2023-08-15 | 国网吉林省电力有限公司信息通信公司 | 基于图像错位分析和北斗卫星的变电站地质形变监测方法 |
CN116148878A (zh) * | 2023-04-18 | 2023-05-23 | 浙江华是科技股份有限公司 | 船舶干舷高度识别方法及系统 |
CN117576185A (zh) * | 2024-01-16 | 2024-02-20 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
CN117576185B (zh) * | 2024-01-16 | 2024-04-16 | 浙江华是科技股份有限公司 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115456970B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115456970A (zh) | 一种基于降维回归的干舷分割船舶载重线识别方法 | |
CN110969624A (zh) | 一种激光雷达三维点云分割方法 | |
CN111091095B (zh) | 一种遥感图像中船只目标的检测方法 | |
CN113450596A (zh) | 基于船舶轨迹特征点提取的时空dp方法 | |
CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
CN116148878B (zh) | 船舶干舷高度识别方法及系统 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN106205214A (zh) | 一种基于三维激光点云数据的船舶靠泊监测系统 | |
CN108288268B (zh) | 基于投影分析的高分辨率遥感图像中靠岸舰船检测方法 | |
CN112669333A (zh) | 一种单木信息提取方法 | |
CN116310607A (zh) | 一种基于聚类分割原理的无人船三维点云处理方法 | |
CN113780085B (zh) | 一种近海单光子去噪分类方法 | |
CN117576185B (zh) | 基于深度学习和ransac算法的干舷高度识别方法及系统 | |
CN113379695B (zh) | 局部特征差异性耦合的sar图像近岸舰船检测方法 | |
CN116071694B (zh) | 船舶检测方法、装置及计算机可读存储介质 | |
CN115205564B (zh) | 基于无人机的船体维护巡检方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
CN117253150A (zh) | 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统 | |
CN116597164A (zh) | 一种基于计算机视觉的港口船舶水线检测方法 | |
WO2023175713A1 (ja) | 情報処理装置、制御方法、プログラム及び記憶媒体 | |
EP3029487A1 (en) | A method and a device for determining a position of a water vehicle | |
CN115267827A (zh) | 一种基于高度密度筛选的激光雷达港区障碍物感知方法 | |
CN109917414B (zh) | 一种基于激光技术的船舶干舷测定方法及系统 | |
Wang et al. | On research of video stream detection algorithm for ship waterline |
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 |