基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统技术方案

本发明专利技术提供了一种基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统，包括：步骤1：获取含有舰船的图像，通过舰船检测器将舰船从图像中检测出来，得到舰船外框；步骤2：采集驾驶舱样本并进行训练，然后在得到的舰船外框中标注驾驶舱；步骤3：训练单阶段目标检测算法yolov5，对标注后的驾驶舱进行方向判断，从而得到舰船行进方向和驾驶舱位置。本发明专利技术重点讲述的驾驶舱检测过程，将在舰船的外框之内进行，这样不仅可以降低在背景区域中进行驾驶舱检测时的误检测概率，还可以节约检测时间。还可以节约检测时间。还可以节约检测时间。

【技术实现步骤摘要】
基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统


[0001]本专利技术涉及位置检测
，具体地，涉及一种基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统。

技术介绍

[0002]在运输中，水运涉及到大量的安全管理需求，对航道中行驶的船只进行视频和图像监控，可以为该领域的安全提供非常重要的帮助。在得到舰船的监控图像之后，再对舰船驾驶舱位置进行定位，可以提供更丰富的细节信息，为舰船图像的搜索带来便捷。在对舰船图像信息进行存储时，驾驶舱位置这种结构化信息也更利于存储和检索。
[0003]专利文献CN110097055A（申请号：CN201910358925.6）公开了一种基于栅格卷积神经网络的车辆姿态检测方法及系统，方法利用SSD网络，采用部分连接网络改进了传统的姿态检测网络，构建了栅格卷积，并基于栅格卷积设计出栅格卷积神经网络，通过将车载相机采集的数据分为训练数据集和测试数据集，对栅格卷积神经网络的训练，以对待检测的图像生成若干候选图像区域，通过栅格卷积神经网络模型的特征提取和分类判断候选区域中是否存在车辆；最后对判断存在车辆的候本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的舰船驾驶舱位置检测方法，其特征在于，包括：步骤1：获取含有舰船的图像，通过舰船检测器将舰船从图像中检测出来，得到舰船外框；步骤2：先将驾驶舱的外框区域标注出来，然后利用驾驶舱样本以及yolov5网络训练一个专门用来检测驾驶舱的模型，模型输出为驾驶舱外框位置，包括外框左上角点X坐标、左上角点Y坐标、宽度和高度；步骤3：先训练单阶段目标检测算法yolov5，单阶段是指对固定感兴趣区域进行类别的分类与位置的回归，然后对图像中是舰船的侧面或是前后方进行判断，从而得到驾驶舱位置和舰船行进方向。2.根据权利要求1所述的基于深度卷积神经网络的舰船驾驶舱位置检测方法，其特征在于，所述步骤1包括：获取含有舰船的图像并绘制图中每一条舰船的外框；根据舰船样本对舰船检测器中的参数进行训练，直到检测率满足预设条件。3.根据权利要求1所述的基于深度卷积神经网络的舰船驾驶舱位置检测方法，其特征在于，所述步骤2包括：获取各种情形的舰船图像，包括不同天候、不同视角和不同类型舰船；先从原图中截取舰船区域，然后标注驾驶舱的外框区域，将每一条船形成一幅图像，将其对应的驾驶舱区域以文档形式进行保存。4.根据权利要求1所述的基于深度卷积神经网络的舰船驾驶舱位置检测方法，其特征在于，所述步骤3包括：根据舰船外框尺寸，判断图像中是舰船的侧面或是前后方；根据舰船外框与驾驶室外框的位置关系，判断图像中是舰船的侧面或是前后方；在舰船出现重叠情形时，保存图中所有的舰船的外框坐标，在当前舰船的外框区域内进行驾驶舱检测，若出现2个及以上的驾驶舱，则分析每一个驾驶舱坐标到当前舰船中心点坐标的纵坐标距离差，与当前舰船距离最小的驾驶舱属于当前舰船；与当前舰船距离更远的驾驶舱，再将其与其它舰船进行比较；不符合上述情形的就是侧面船只，根据驾驶舱与舰船外框的相对位置关系，判断驾驶舱是在前部、中部，还是后部：将舰船外框水平均分成左、中、右三个部分，驾驶舱的中心点位于哪个部分，则驾驶舱就在对应位置。5.根据权利要求1所述的基于深度卷积神经网络的舰船驾驶舱位置检测方法，其特征在于，在每一个检测点同时安装可见光相机和红外相机，所述检测点位置与舰船在同一水平线上，设置两个相机的工作切换时间；在白天使用可见光网络模型进行驾驶舱位置的检测，在晚上使用红外网络模型进行检测。6.一种基于深度卷积...

【专利技术属性】
技术研发人员：邓宏平，高祥，罗杨杨，林德银，
申请(专利权)人：上海鹰觉科技有限公司，
类型：发明
国别省市：