一种基于复合卷积神经网络的船舶舱室浸水识别方法技术

本发明专利技术公开了一种基于复合卷积神经网络的船舶舱室浸水识别方法，属于船舶浸水识别技术领域

【技术实现步骤摘要】
一种基于复合卷积神经网络的船舶舱室浸水识别方法


[0001]本专利技术属于船舶浸水识别
，具体涉及一种基于复合卷积神经网络的船舶舱室浸水识别方法
。

技术介绍

[0002]最近的船舶工业制造主要围绕“智能船舶”展开，旨在船舶领域实现节能减排的目标，中国的智能船舶技术也面临着巨大的机会与挑战
。
即使船舶技术不断进步，航行过程中的安全问题也不容忽视
。
其中，因船舶浸水导致的侧翻事故不容小觑
。
船舶破损沉没一般会造成了大量人员伤亡和物资浪费
。
虽然船舶设计时都考虑了船舶的抗沉性，但船舶抗沉性主要研究的也只是水线以下的舷侧破损浸水，随机海况下破损船舶的摇摆
、
浸水和倾覆等复杂问题仍会对船舶稳性的巨大影响
。
[0003]船舶破损分为船体损坏和船管路泄露两种形式
。
通常船舶破损是由触礁事故
、
搁浅事故
、
碰撞事故
、
部件风化
、
水密不严
、
船体缺陷
、
外部攻击等原因引起，当进水量大于船泵的排量时，就会有沉船的可能性，一旦发生船体破损浸水的情况，就需要迅速用合适的设备进行堵漏，以防安全隐患进一步扩大
。
为了应对这种紧急情况，一般要求船员要熟悉船舶各开口设施的位置并掌握开关方法，如水密舱壁的开口关闭设施等
。
船舶重要舱室内一般会配备监控设备，船员一般根据监控设备提供的信息对船舶各个舱室的情况有一个大致监测，一旦发现漏水情况，迅速报告驾驶台，查找漏洞位置，判断进水量和舱体破损程度，驾驶台采取根据进水量的多少操控船舶速度，然后工作人员根据损坏部位的损坏程度对漏洞或裂纹进行迅速堵漏
。
这种人工监测的方式对船员的反应力
、
判断力和行动力都有着极大的考验，一旦船员疏忽大意，很容易延误发现时间，错过堵漏的黄金时期
。
因此，使用深度学习方法自动监测舱室情况是很有意义的，能够极大程度上节省人力
、
防止工作人员工作疏漏导致错过堵漏救援第一时间
。
[0004]通常，检测舱室漏水需要依托监控技术来实现
。
徐航综合分析了船舶视频监控系统建设的可行性和实用性，介绍了海事卫星
L+Ka
波段
FleetXpress
宽带通信系统，分析了
Ka+L
双波段高可靠性网络结构
。CAN
总线技术也在很多海上监控场景中都得到了应用
。
范振瑞开发了一种基于
CAN
总线技术的船舶舱室视觉监控系统，运用了以
DSP 28335
为核心的监控节点，设置了多种抗干扰措施，取得了比较好的应用效果
。
船舶舱室监控可以实现很好的损坏管制作用，在实际船舶破损浸水场景中，除了人工监控，一般还需要设计系统进行舱室液位识别监测
。
常用的自动测水方法包括浮子水位仪
、
压力式水位仪
、
超声波水位仪
、
激光水位仪等等
。
臧涛等人提出了一种基于局部自适应的二值分割算法对舱底水位图像进行分割，在对图像预处理后，通过形态学操作和轮廓逼近等方法精确提取了液位检测结果，较传统液位测量方式在误差和部署难度上都有了很大改善
。
在实际应用中，船舶舱室中水体的形态往往是多种多样的，船舶舱室漏水发生时一般也会有照度低
、
干扰性因素多等问题，监控设备采集到的图像往往会出现细节模糊
、
对比度低
、
不够清晰等情况，使得人工检测和液位测量方法变得十分不准确，船舶工作人员无法掌握舱室的具体情况，很难对舱室浸水情
况做出精确的描述
。
针对此种问题一般需要对监控设备传来的图像采用一些图像增强方法
。
余永华等人提出了一种基于改进的多尺度
Retinex
算法对低照度情况下的船舶舱室液体泄露图片进行图像增强方法，很好地增强了图片的对比度，丰富了图像的细节信息，增强后的数据集特征更加易于提取，预测达到了
95
％的分类精度
。
[0005]近几年，基于卷积神经网络的图像分割技术已经得到了广泛应用，并取得了较好的效果
。U
‑
net
模型是应用广泛的分割模型，扩展路径和收缩路径整体组成对称结构，同时使用了跳跃连接，在解决图像的映射任务中有显著效果
。U
‑
Net
网络模型在医学图像分割领域显示了其优秀的性能，在核磁共振图像
(magnetic resonance imaging
，
MRI)、
计算机断层扫描
(computed tomography
，
CT)、
超声
(ultrasound
，
US)、
正电子发射断层扫描
(positron emission computed tomography
，
PET)、
光学相干断层扫描
(optical coherence tomography
，
OCT)、
电子显微镜
(electron micross
，
EM)
和
X
射线
(X
‑
Ray)
等等多类医学图像分割中发挥作用
。
医学图像和舱室浸水图像拥有很多相似的特征
。
首先两者图像语义通常较为简单，结构较为稳定
。
舱室浸水图像一般舱体结构固定，语义信息简洁，因此很好的契合了
U
‑
net
网络模型的
U
型结构，使其同时兼顾高级语义信息和低级特征
。
石甜甜等人提出了一种多尺度融合注意力模块改进的
U
‑
net
网络，实现了端到端的高分辨率遥感图像水体分割
。
陈前提出了基于注意力机制的
AM
‑
VGG16
结构和
AM
‑
ResNet34
结构算法，实现了隧道渗漏水的自动检测，具有很高的准确率
。
舱室浸水图片存在数据量较少的问题，同时，舱室浸水图片需要一定的可解释性，需能辅助船员进行浸水情况的判别
。

技术实现思路

[0006]本专利技术提出一种基于复合卷积神经网络的船舶舱室浸水识别方法，复合神经网络包括：作为基础模块的
U
‑
net
网络，另外两种网络分别为
VGG
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，包括以下步骤：
S1、
获取船舶舱室浸水图片数据，并对所述图片数据进行预处理，得到图像数据集；
S2、
构建复合神经网络，并基于所述图像数据集对所述复合神经网络进行训练，基于训练后的所述复合神经网络对船舶舱室图像进行进水识别，得出识别结果
。2.
根据权利要求1所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述预处理的方法包括：缩放
、
平移
、
旋转
、
标注和图像增强
。3.
根据权利要求2所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述图像增强的方法包括：将所述图片数据按照随机比率进行缩放和长宽扭曲，按照
512
×
512
像素大小进行灰色填充；对填充完的所述图片数据进行翻转，调整
HSV
色域中色调
、
饱和度
、
明度三个通道，完成图像增强
。4.
根据权利要求1所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述复合神经网络包括：
VGG
‑
U
‑
net
网络结构和
ResNet
‑
U
‑
net
网络结构
。5.
根据权利要求4所示一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述
VGG
‑
U
‑
net
网络结构包括编码网络和解码网络；所述编码网络和所述解码网络均包括五个特征层
。6.
根据权利要求4所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述
ResNet
‑
U
‑
net
网络结构包括编码器部分和解码器部分；所述编码器部分包括
50
层
Resnet50
，利用1×1卷积下降通道数，然后用3×3卷积进行特征提取，然后再利用1×1卷积核提升通道数
。7.
根据权利要求6所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述特征提取的过程包括：
conv_1
：对图像进行7×7大小，
64
通道卷积核，步长为2，填充为3的卷积操作，然后经过
BN
层和
ReLU
激活得到
256
×
256
×
64
大小的特征图；
conv_2
：对
256
×
256
×
64
大小的特征图先进行步长为2，填充为0的3×3最大化池操作，得到尺寸为
128
×
128
×
64
的特征图，然后利用
Bottleneck
残差学习模块迭代3次，得到
128
×
128
×
256
大小的特征图；所述
Bottleneck
残差学习模块每层卷积的通道数分别为
64
，
64
，
256
，卷积后
BN
操作，3×3卷积步长为1；
conv_3
：对
128
×
128
×
256
大小的特征图利用
Bottleneck
残差学习模块迭代4次，得到
64
×
64
×
512
大小的特征图；所述
Bottleneck
残差学习模块每层卷积的通道数分别为
128
，
...

【专利技术属性】
技术研发人员：杨东梅，李泽，娄云龙，张祺，陈瞰君，王兴梅，张越，张万松，陈松涛，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：