一种船舶水尺读数检测方法技术

本发明专利技术公开一种船舶水尺读数检测方法

【技术实现步骤摘要】
一种船舶水尺读数检测方法、装置及设备


[0001]本专利技术涉及图像识别
，尤其涉及一种船舶水尺读数检测方法
、
装置及设备
。

技术介绍

[0002]船舶水尺读数表示的含义是承运船舶袭迟的吃水及船用物料
(
包括压载水
)。
水尺计重，指的是在阿基米德原理的基础上，以船本身为计量工具，对船载货物进行计量的一种方法
。
[0003]在观测船舶吃水时容易受到风浪
、
海水周期波动
、
各种计量误差的影响，所以完成精确地船舶水尺计重依然是一项很大的挑战
。
目前主要的观测方法有：人工观测法：通过目测船舶的水尺获取船舶的吃水值，依赖检验人员站在岸上观测水尺
、
乘坐小船观测水尺
、
攀爬悬梯观测水尺得到；或者使用
DV
对水尺录制视频，再通过视频观测水尺得到；或者使用遥控无人船或无人机观测水尺得到
。
这些观测方式，都需要依赖检验人员来人工读取水尺读数，导致获取吃水数值时容易受检验人员主观因素的影响，同时获取效率也相对较差，获取成本也相对较高这样做的缺点是人力成本高，有很大的主观因素
、
容易人为产生误差
。
[0004]超声波测量法：依据超声波测距的原理，通过超声波从甲板处到水面的回波返回时间，然后结合当地和当时的声速转换来计算主甲板到水面距离
。
缺点是声速和很多环境因素有关，声速的误差直接影响到吃水值的测量精度
。
[0005]压力传感法：通过水压的变化来反映水深的变化，压力传感器安装在船舶完全空载时的吃水线处
。
记录船舶空载时和船舶载物时压力传感器的变化，根据传感器得到的数值通过一定的转换运算可以得到船舶吃水值
。
这种方法的缺点是长时间使用会发生时漂现象，更换的频率要求较高，测量成本也随之增加
。
[0006]另外，现有技术中，公开号为
CN111476120A
的一种无人机智能船舶水尺识别方法及装置，通过无人机获取船舶水尺的原始图像；利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置；截取所述原始图像中水尺数字所在区域作为候选区，通过神经网络训练得到的数字识别模型识别所述候选区中所有水尺数字；根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别
。
[0007]公开号为
CN111476120A
的专利中，采用色域分割获得水线位置，但由于船身经常遇到腐蚀，无人机拍摄角度不同，不同天气下在船身上和水面的颜色色差等因素，故在使用传统的色域分割，色素提取等手段进行识别时，获得的水线位置精度较差，会影响识别的精度，通过传统神经网络训练得到的数字识别模型识别所述候选区中所有水尺数字，识别精度也有待提高
。
[0008]因此，亟需提供一种更为可靠的船舶水尺读数检测方案
。

技术实现思路

[0009]本专利技术的目的在于提供一种船舶水尺读数检测方法
、
装置及设备，用于解决现有技术中使用传统的色域分割，色素提取等手段进行识别时，获得的水线位置精度较差，会影响识别的精度，通过传统神经网络训练得到的数字识别模型识别所述候选区中所有水尺数字，识别精度也有待提高的问题
。
[0010]为了实现上述目的，本专利技术提供如下技术方案：第一方面，本专利技术提供一种船舶水尺读数检测方法，方法包括：在不同水路运输环境中，拍摄船舶的不同位置对应的基础水尺动态视频影像；对所述基础水尺动态视频影像进行操作处理，得到处理后的基础水尺动态视频影像；将训练完成的第一神经网络模型与色域分割法进行结合，识别水线位置；所述色域分割法用于利用水面与船舶颜色的差距，确定处理后的基础水尺动态视频影像中包含水线位置的初始区域；结合训练完成的第一神经网络模型，将所述初始区域对应的图像输入训练完成的第一神经网络模型中，确定水线位置；采用公式：；对第二神经网络模型进行优化，得到优化后的第二神经网络模型；其中，训练数据集，
x
i
表示输入信息的特征向量，
y
i
表示对应的标签，，
k
为
x
最邻近的
k
实例个数，表示总样本的数量，涵盖
k
个点的
x
邻域表示为
N
k (x)
，在
N
k (x)
中根据分类决策规则决定
x
的类别，
I
是指示函数，当
y
i
=c
j
时
I
为1，否则
I
为0，表示邻域中类别的种类；基于所述水线位置，采用优化后的第二神经网络模型识别水尺读数
。
[0011]基于所述水线位置，采用优化后的第二神经网络模型识别水尺读数
。
[0012]与现有技术相比，本专利技术提供的船舶水尺读数检测方法，通过第一神经网络模型结合色域分割法确定水线位置，使得吃水线位置的检测更加精确，降低环境干扰和读数计算的误差；确保了本专利技术可以有效地解决当前船舶水尺刻度自动化读数所存在的问题
。
在训练得到用于识别水尺读数的第二神经网络模型时，对算法进行优化，利用损失函数
、
随机梯度下降算法等对水尺刻度图像各种类别信息进行学习训练得到用于识别水尺读数的神经网络模型，该神经网络模型识别精度更高，稳定性更好，解决现有技术中预测精度低的问题，采用本专利技术中提出的第二神经网络模型能够更加精确地学习到训练集中船舶水尺读数中各种类别（背景
、
字母
、
整数
、
小数）的特征信息
。
[0013]第二方面，本专利技术提供一种船舶水尺读数检测置，装置包括：基础水尺动态视频影像获取模块，用于在不同水路运输环境中，拍摄船舶的不同位置对应的基础水尺动态视频影像；操作处理模块，用于对所述基础水尺动态视频影像进行操作处理，得到处理后的基础水尺动态视频影像；水线位置识别模块，用于将训练完成的第一神经网络模型与色域分割法进行结合，识别水线位置；所述色域分割法用于利用水面与船舶颜色的差距，确定处理后的基础水
尺动态视频影像中包含水线位置的初始区域；结合训练完成的第一神经网络模型，将所述初始区域对应的图像输入训练完成的第一神经网络模型中，确定水线位置；神经网络模型优化模块，用于采用公式：；对第二神经网络模型进行优化，得到优化后的第二神经网络模型；其中，训练数据集，
x
i
表示输入信息的特征向量，
y
i
表示对应的标签，，
k
为
x
最邻近的
k
实例个数，表示总样本的数量，涵盖
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种船舶水尺读数检测方法，其特征在于，方法包括：在不同水路运输环境中，拍摄船舶的不同位置对应的基础水尺动态视频影像；对所述基础水尺动态视频影像进行操作处理，得到处理后的基础水尺动态视频影像；将训练完成的第一神经网络模型与色域分割法进行结合，识别水线位置；所述色域分割法用于利用水面与船舶颜色的差距，确定处理后的基础水尺动态视频影像中包含水线位置的初始区域；结合训练完成的第一神经网络模型，将所述初始区域对应的图像输入训练完成的第一神经网络模型中，确定水线位置；采用公式：；对第二神经网络模型进行优化，得到优化后的第二神经网络模型；其中，训练数据集，
x
i
表示输入信息的特征向量，
y
i
表示对应的标签，，
k
为
x
最邻近的
k
实例个数，表示总样本的数量，涵盖
k
个点的
x
邻域表示为
N
k (x)
，在
N
k (x)
中根据分类决策规则决定
x
的类别，
I
是指示函数，当
y
i
=c
j
时
I
为1，否则
I
为0，表示邻域中类别的种类；基于所述水线位置，采用优化后的第二神经网络模型识别水尺读数
。2.
根据权利要求1所述的船舶水尺读数检测方法，其特征在于，将训练完成的第一神经网络模型与色域分割法进行结合，识别水线位置，具体包括：将所述初始区域对应的图像输入训练完成的第一神经网络模型中，确定初始区域对应的图像中的刻度字符区域的检测框；在检测框内根据刻度字符区域的检测框的倾斜角度和旋转中心，计算得到水尺局部图像倾斜矫正的旋转平移矩阵；所述初始区域对应的图像经过旋转平移矩阵进行矫正，得到矫正后的矫正图像；对所述矫正图像进行图像分割分类，获得水线位置信息；所述训练完成的第一神经网络模型为
FCN
网络
、RefineNet
网络或
segnet
网络
。3.
根据权利要求1所述的船舶水尺读数检测方法，其特征在于，所述标签至少包括背景标签
、
字母标签
、
数字标签；对第二神经网络模型进行优化，得到优化后的第二神经网络模型，具体包括：获取海量人工标注矫正后的水尺局部图像作为训练样本以及测试样本；基于所述标签对所述训练样本对应的图像使用最近邻法对应于特征空间的划分，得到各类图像的特征；各类图像包括水尺刻度图像中的背景图像
、
字母图像
、
数字整数图像以及数字小数图像；使用修正线性单元函数确定为第二神经网络模型的激励函数；采用后向传播算法用来学习连接权重，得到优化后的第二神经网络模型
。4.
根据权利要求3所述的船舶水尺读数检测方法，其特征在于，使用修正线性单元函数确定为第二神经网络模型的激励函数，采用后向传播算法用来学习连接权重，得到优化后的第二神经网络模型，具体包括：根据所述修正线性单元函数，定义单个样本
(x
(i)
, y
(i)
)
的惩罚函数为：
；其中，
(x
(1)
, y
(1)
), (x
(2)
, y
(2)
)
…
, (x
(m)
, y
(m)
)
是包含
m
个样本的训练集，表示神经网络的输出，整个训练样本的惩罚函数表示为：；其中，是连接第
l
层第
j
单元和第
l+1
层第
i
单元的权值，
s
l
是第
l
层的单元个数，
s
l+1
是第
l+1
层的单元个数，
m
表示标签个数，函数
J(W, b)
的第一部分是均方根误差，第二部分是正则项，
λ
是权重衰变参数；采用随机梯度下降算法进行迭代更新参数，令所有，，从
i = 1
到
m
重复计算：；其中，是在第
i
次迭代的值，是在第
i
次迭代的值，表示隐藏层的梯度项，表示第层的输出， = 1, 2,
ꢀ…
, n
l
，采用公式：；更新参数直到满足最终条件，其中
α
为学习步长
。5.
根据权利要求4所述的船舶水尺读数检测方法，其特征在于，对第二神经网络模型进行优化，得到优化后的第二神经网络模型，具体包括：将所述测试样本输入优化后的初始第二神经网络模型，得到输出结果；利用交叉熵损失函数计算所述输出结果与实际水尺刻度的误差值；判断所述误差值是否小于预设阈值，得到判断结果；若所述判断结果表示所述误差值大于或等于预设阈值，则根据所述误差值调整所述输入初始第二神经网络模型中每层网络的权重和相邻两层网络之间的偏差值，得到更新后的第二神...

【专利技术属性】
技术研发人员：刘国强，张东星，李红瑞，张阿平，段雪强，陈浩浩，王守利，袁杰，李杰，
申请(专利权)人：力鸿检验集团有限公司，
类型：发明
国别省市：