System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及海洋领域计算机图像识别,特别涉及一种基于人工智能的渔船上冰监测方法。
技术介绍
1、当前,计算机图像识别技术针对使用场景广泛、使用人数众多的目标监测已有使用,如车牌识别、人员监测等,相关技术规范也已制定,如:《机动车号牌图像自动识别技术规范》。这些功能所依赖的深度学习模型日渐成熟。
2、但在海洋领域,还没有产生普遍的通用识别技术或技术规范。例如渔船的识别、船上行为的识别等,均存在相关技术的缺失。
3、渔船上冰,是指船员将冰块运输至渔船船舱,参照图1理解,从而保证在一周的出海时间,最大程度保障海鲜的鲜美品质。但该行为应该受到渔港的管控,不可私自上冰,因此对渔船上冰行为的识别便成为了渔港管理人员急需的技术。但由于使用场景较窄、专业性较强,在该方面的技术研究还没有太完善。
技术实现思路
1、本专利技术目的是提供一种基于人工智能的渔船上冰监测方法,用于识别渔船上冰行为,解决上述技术问题。
2、具体技术方案是一种基于人工智能的渔船上冰监测方法,步骤如下,
3、s01、视频流数据的获取:通过opencv库实现视频流的对接,循环读取视频帧,
4、s02、渔船识别:搭建深度学习模型,进行模型的训练,然后对视频帧进行渔船的识别,
5、s03、根据渔船识别结果,提取渔船及周围图像,渔船识别结果是一个长方形,以长方形中心不变,长扩大1.1-2倍、宽扩大1.1-2倍,截取图片,将截取的图片用作违规上冰识别,
7、进一步,步骤s02和步骤s04中深度学习模型为yolov3模型。
8、进一步,yolov3模型训练轮数270轮,学习率0.000125,衰减点为216及243,衰减系数为0.1,学习率初始值取0,线性增长步长取4000。
9、进一步,yolov3模型使用算法为momentum的优化器,l2正则,正则系数取0.0005。
10、进一步,在步骤s01中,视频流的读取频率为1-5帧/秒。
11、进一步,识别中使用彩色图片。
12、进一步,步骤s02中使用灰度图。
13、与现有技术相比,本专利技术可以实现针对视频监控中的渔船上冰这一行为的精准识别,解决渔船上冰行为不便于管理的问题;该方案是对监控获得的视频流进行反复提取识别,先进行渔船识别,再进行上冰行为识别,分级识别,综合效率高。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的渔船上冰监测方法,其特征在于,步骤如下,
2.根据权利要求1所述的基于人工智能的渔船上冰监测方法,其特征在于,步骤S02和步骤S04中深度学习模型为YOLOv3模型。
3.根据权利要求2所述的基于人工智能的渔船上冰监测方法,其特征在于,YOLOv3模型训练轮数270轮,学习率0.000125,衰减点为216及243,衰减系数为0.1,学习率初始值取0,线性增长步长取4000。
4.根据权利要求3所述的基于人工智能的渔船上冰监测方法,其特征在于,YOLOv3模型使用算法为Momentum的优化器,L2正则,正则系数取0.0005。
5.根据权利要求1-4任一所述的基于人工智能的渔船上冰监测方法,其特征在于,在步骤S01中,视频流的读取频率为1-5帧/秒。
6.根据权利要求5所述的基于人工智能的渔船上冰监测方法,其特征在于,识别中使用彩色图片。
7.根据权利要求6所述的基于人工智能的渔船上冰监测方法,其特征在于,步骤S02中使用灰度图。
【技术特征摘要】
1.一种基于人工智能的渔船上冰监测方法,其特征在于,步骤如下,
2.根据权利要求1所述的基于人工智能的渔船上冰监测方法,其特征在于,步骤s02和步骤s04中深度学习模型为yolov3模型。
3.根据权利要求2所述的基于人工智能的渔船上冰监测方法,其特征在于,yolov3模型训练轮数270轮,学习率0.000125,衰减点为216及243,衰减系数为0.1,学习率初始值取0,线性增长步长取4000。
4.根据权利要求3所述的基于人工...
【专利技术属性】
技术研发人员:房盈昊,张雷,张瑞卫,
申请(专利权)人:青岛国实信息科技有限公司,
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。