一种基于深度学习的动态海面三维建模方法及存储介质技术

本发明专利技术提供一种基于深度学习的动态海面三维建模方法及存储介质。本发明专利技术方法，包括：实时获取海浪视频数据；对获取到的海浪视频数据进行处理，得到海浪视频数据的完整数据结构；基于完整数据结构和预先构建的卷积神经网络模型，并添加网络预测分支，生成具有不同拓扑结构的网格预测神经网络模型；根据体素预测损失函数和网格细化损失函数，采用梯度下降法，并不断迭代对网格预测神经网络模型进行优化；基于实时获取的海浪视频数据和优化后的网格预测神经网络模型，生成不同海况条件下的动态海面三维模型。本发明专利技术的技术方案解决了现有技术中检测识别能力因船只外形的改变、检测时船只的角度、不同的光照、红外条件等而受到影响的问题。

【技术实现步骤摘要】
一种基于深度学习的动态海面三维建模方法及存储介质
本专利技术涉及海面成像和船只识别
，具体而言，尤其涉及一种基于深度学习的动态海面三维建模方法及存储介质。
技术介绍
海洋资源的利用以及海上运输、旅游都需要海上船只、海况信息的捕获及展示，目前大多基于图像传感获取海面可见光或红外图像的目标检测技术，且检测识别能力会因为船只外形的改变、检测时船只的角度、不同的光照、红外条件等而受到影响。当下应用于海面船只的主要识别算法大多无法进行实时识别，且运行时间较长，识别率较低等缺陷，并且容易受到外界的岛、礁、波、流、漂浮物等影响。
技术实现思路
根据上述提出的技术问题，而提供一种基于深度学习的动态海面三维建模方法及存储介质。本专利技术主要利用光学遥感图像及固定翼无人机的近景拍摄录入海面和船只信息，基于深度学习技术，建立动态海面的三维模型，可应用于分析和评判军船的隐身性能，搜索和识别敌方船只位置，以及在失事船只的搜救工作中起到重要作用。本专利技术采用的技术手段如下：一种基于深度学习的动态海面三维建模方法，包括如下本文档来自技高网...

【技术保护点】
1.一种基于深度学习的动态海面三维建模方法，其特征在于，包括如下步骤：/nS1、实时获取海浪视频数据。并利用无人机对波浪动态进行视频采集，得到用于波浪时变路径跟踪的视频数据；/nS2、对所述获取到的海浪视频数据进行处理，得到所述海浪视频数据的完整数据结构；/nS3、基于所述完整数据结构和预先构建的卷积神经网络模型，并添加网络预测分支，生成具有不同拓扑结构的网格预测神经网络模型；/nS4、根据体素预测损失函数和网格细化损失函数，采用梯度下降法，并不断迭代对所述网格预测神经网络模型进行优化；/nS5、基于所述实时获取的海浪视频数据和优化后的网格预测神经网络模型，生成不同海况条件下的动态海面三维模型...

【技术特征摘要】
1.一种基于深度学习的动态海面三维建模方法，其特征在于，包括如下步骤：
S1、实时获取海浪视频数据。并利用无人机对波浪动态进行视频采集，得到用于波浪时变路径跟踪的视频数据；
S2、对所述获取到的海浪视频数据进行处理，得到所述海浪视频数据的完整数据结构；
S3、基于所述完整数据结构和预先构建的卷积神经网络模型，并添加网络预测分支，生成具有不同拓扑结构的网格预测神经网络模型；
S4、根据体素预测损失函数和网格细化损失函数，采用梯度下降法，并不断迭代对所述网格预测神经网络模型进行优化；
S5、基于所述实时获取的海浪视频数据和优化后的网格预测神经网络模型，生成不同海况条件下的动态海面三维模型。


2.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S1中实时获取的海浪视频数据包括：波浪的形状、路径。


3.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S2具体包括：
S21、对所述获取到的海浪视频数据进行离散化处理，离散成图片数据；
S22、对经过离散化处理后的图片数据进行数据增强和标注，得到可供之后模型学习的完整数据结构。


4.根据权利要求1所述的基于深度学习的动态...

【专利技术属性】
技术研发人员：杨飏，徐天宇，丁开发，张柏源，鲁琪琪，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21