一种基于深度学习的吃水检测方法技术

本发明专利技术公开一种基于深度学习的吃水检测方法，涉及船舶吃水检测领域，包括以下步骤：在监测航道的两侧设置高清摄像头，对过往船舶进行拍照；利用预训练的吃水线检测模型对所拍摄图像进行吃水线检测，所述模型为基于注意力机制的卷积神经网络检测模型，其中卷积神经网络中引入了可形变卷积层和基于注意力机制的特征选择模块；定位吃水线位置，测量所检测到的吃水线位置，计算吃水深度；根据测量得到的吃水深度，结合水位信息判断船舶吃水状况，根据计算得到的吃水深度判断是否超过安全吃水线。本发明专利技术采用基于CBAM+yolov5的吃水线检测模型，构建基于注意力机制的可形变卷积检测网络模型，充分利用注意力机制和可形变卷积等技术,提高吃水检测的准确性和效率。术,提高吃水检测的准确性和效率。术,提高吃水检测的准确性和效率。

【技术实现步骤摘要】
一种基于深度学习的吃水检测方法


[0001]本专利技术涉及船舶吃水检测领域，具体涉及到了一种基于深度学习的吃水检测方法。

技术介绍

[0002]超吃水状态是指船舶的吃水线超过了规定的吃水线标识，该状态下船舶稳定性和浮力将受到影响，会导致船舶在航行中变得不稳定，增加翻沉或倾覆以及搁浅的风险。
[0003]目前船舶吃水丈量需船舶专门停泊到指定区域进行量船，且无法做到每船必量，为确保船舶能安全过闸，需对每一艘进闸船舶人工丈量，每次丈量需要船舶停靠在指定地点，2~3名工作人员登船丈量，记录下相应的读数，将测得的吃水线读数与船舶申报的吃水量进行对比，以判断船舶当前的吃水状态。需要耗费大量人力，这种方式耗时耗力，且效率低下。亟需一种高效且精确的吃水自动丈量系统对船舶吃水“不停船”测量。
[0004]然而，人工测量吃水线的方法存在一些问题。首先，该方法投入了大量的人力资源，无法满足高效率的要求。其次，由于水尺的老化等原因，测量的精确性也无法得到保证。针对这些人工测量的弊端和局限性，出现了多种新型的自动吃水检测方法，并在技术上取得了重大突破。这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的吃水检测方法，其特征在于，包括以下步骤：（1）在监测航道的两侧设置高清摄像头，对过往船舶进行拍照；（2）利用预训练的吃水线检测模型对所拍摄图像进行吃水线检测，所述模型为基于注意力机制的卷积神经网络检测模型，其中卷积神经网络中引入了可形变卷积层和基于注意力机制的特征选择模块；（3）定位吃水线位置，测量所检测到的吃水线位置，计算吃水深度；（4）根据测量得到的吃水深度，结合水位信息判断船舶吃水状况，根据计算得到的吃水深度判断是否超过安全吃水线，如果超过则发出超吃水预警。2.根据权利要求1所述的基于深度学习的吃水检测方法，其特征在于，所述的卷积神经网络为CSPDarknet结构，所述CSPDarknet的卷积神经网络，包含:特征提取层，包括残差连接的CSP模块，用于提取吃水线的特征；可形变卷积层，所述的可形变卷积层为根据目标形状和尺度进行灵活调整的卷积层，用于检测不同尺寸的吃水线；基于注意力机制的特征选择模块，包括CBAM注意力模块，采用CBAM融合特征通道和特征空间两个维度的注意力，通过学习各个特征通道的重要性和各个特征区域的重要性来聚焦识别关键特征，用于聚焦吃水线区域的特征。3.根据权利要求1所述的基于深度学习的吃水检测方法，其特征在于，还包括以下步骤：(5)在检测到吃水线的图像区域中使用水尺刻度识别检测模块，所述水尺刻度识别检测模块包括水尺刻度检测模型和水尺刻度识别模型，预训练的水尺刻度检测模型进行刻度检测，所述刻度检测模型为不同的可行二进制化文字检测模型；(6)在检测到的刻度区域使用预训练的水尺刻度识别模型进行刻度识别，所述刻度识别模型为基于卷积神经网络和循环神经网络的序列识别相结合的模型。4.根据权利要求3所述的...

【专利技术属性】
技术研发人员：张明，陈志宏，翁庆龙，杜晓啸，何平，张坤，廖月，谢瑞敏，唐隽，张天琪，许晨杨，朱增伟，韩昊铭，林盛梅，
申请(专利权)人：南京畅淼科技有限责任公司，
类型：发明
国别省市：