【技术实现步骤摘要】
水上船名联合识别方法、系统、电子装置和存储介质
[0001]本专利技术涉及水上船舶监管领域，尤其涉及一种水上船名联合识别方法、系统、电子装置和存储介质。
技术介绍
[0002]如今，机器学习已经渗透到人们生活的各个领域，正在逐渐改变着商业以及人类的社会生活方式。机器学习的方法是利用已有的数据，得到某类模型，并利用该模型预测未来的一种方法。虽然机器学习的能力和应用场景得到极大发展，但是在落地实践的过程中仍有很多问题亟待解决。
[0003]将机器学习与海事领域相结合，存在一定的难度。虽然不同海事部门拥有不同的船名数据集，但由于信息安全的限制，不同海事部门之间并不能够共享船名数据集。这就在很大程度上使得船名识别的准确率和效率下降。
[0004]近几年来，利用联邦学习解决数据集中式训练的方法应声而出。联邦机器学习是一个机器学习框架，能有效帮助多方在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习训练。
[0005]目前，针对由于信息安全问题而造成的数据孤岛问题，以及利用不同海事部门的船名数...
【技术保护点】
【技术特征摘要】
1.一种水上船名联合识别方法，其特征在于，包括：将有船名识别需求的发起者的联合识别船名任务以及待识别船名的图像数据发送至服务器；在服务器上随机选定参与本次识别任务的参与者，将待所述图像数据下发至参与本次联合识别船名的参与者，并计算每个参与者的地理权重参数；在每个参与者接收到下发的所述图像数据后，使用每个参与者预先训练的本地模型对所述图像数据进行识别，得到识别的船名结果；将所有选定的参与者得到的船名结果上传至所述服务器；根据所述地理权重系数，在所述服务器上对所有的船名结果进行权重分配，得到每个船名结果的权重系数；选取权重系数最大值对应的船名结果发送至所述发起者，完成所述联合识别船名的任务。2.根据权利要求1所述的水上船名联合识别方法，其特征在于，本地模型的训练方法为：将yolo模型、CRNN卷积循环神经网络以及CTC基于神经网络的时序分类网络进行结合，得到本地训练模型；初始化本地训练模型；各个参与者使用各自的本地船名数据集训练本地训练模型，得到各自个性化的本地模型。3.根据权利要求1所述的水上船名联合识别方法，其特征在于，预先训练的本地模型的公式为：其中，表示初始化后的模型，表示训练t轮后的模型，f表示本地训练函数，d表示参与者本地船名数据集，p表示第p个参与者；所述船名结果的识别公式为：其中，N为所述图像数据，表示训练t轮后的模型，s
p
为船名结果。4.根据权利要求1所述的水上船名联合识别方法，其特征在于，所述使用预先训练的本地模型对所述图像数据进行识别包括：获取所述图像数据的目标文字区域图像；将所述目标文字区域图像的特征进行提取，得到特征序列；对所述特征序列进行转录，得到对所述图像数据进行识别的船名结果。5.根据权利要求1所述的水上船名联合识别方法，其特征在于，所述在服务器上随机选定参与本次识别任务的参与者，选取计算过程为：m＝max(C
×
n,1)其中，m为参与识别的参与者数量，C表示参与识别的参与者比例，n为参与识别的参与者和未参与识别的参与者总数量。
6.根据权利要求1所述的水上船名联合识别方法，其特征在于，每个参与者的地理权重系数的计算方法为：在服务器上根据参与者与发送者之间的地理坐标计算两者之间的欧几里得距离，得到每个参与者的地理权重系数；计算方法为：其中，d
i
表示第i个参与者与发送...
【专利技术属性】
技术研发人员：解先旭，吴龙乐，郭炜彬，冼允廷，赵搏文，
申请(专利权)人：广东优算科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。