一种船舶水尺识别方法、设备及存储介质技术

本发明专利技术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。本发明专利技术解决了目前水尺识别精度低、具有安全隐患的问题。

【技术实现步骤摘要】
一种船舶水尺识别方法、设备及存储介质
本专利技术涉及船舶水尺检测
，尤其涉及一种船舶水尺识别方法、设备及存储介质。
技术介绍
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。
技术实现思路
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，本专利技术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，本专利技术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，本专利技术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】本专利技术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为本专利技术提供的船舶水尺识别方法的一较佳实施例的流程图；图2为本专利技术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专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。请参阅图1，本专利技术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本文档来自技高网...

【技术保护点】
1.一种船舶水尺识别方法，其特征在于，包括如下步骤：/n获取无人机拍摄的船舶水尺原始视频；/n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；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：孙泳，詹炜，朱晨光，
申请(专利权)人：长江大学，
类型：发明
国别省市：湖北;42