【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 ...
【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:
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。