【技术实现步骤摘要】
本专利技术属于深度学习，具体涉及一种基于深度学习的拖轮监控预测方法及系统。
技术介绍
1、在港口作业、航道引导和大型船舶靠离泊过程中，拖轮作为关键辅助力量，承担着牵引、顶推、调整航向和保持船体稳定的任务。拖轮作业的安全性和可靠性直接关系到大型船舶的靠泊效率以及港口整体运营的安全水平。随着船舶吨位不断增加，拖缆受力复杂度和拖轮操纵难度显著上升，如何对拖轮运行状态进行实时监控和预测，成为航运业和港口自动化研究的重点问题。
2、现有技术中，拖轮作业的监控通常依赖以下几类手段：
3、视频监控：通过固定摄像机或船载摄像机拍摄拖缆与作业场景，用人工或计算机视觉方法分析拖缆的张紧状态和摆动情况。这类方法能够提供直观的图像信息，但受到光照、天气和遮挡的影响较大，例如夜间作业、雨雾天气下，视频图像容易失真，导致识别精度下降。
4、传感器监测：常见的方式是使用拖缆张力计、陀螺仪、gps和惯性导航单元，实时记录拖缆受力、拖轮姿态和位置信息。这类方法数据精确，但成本高，且需要对不同传感器进行复杂的数据融合，容易引入时延和误差
5、本文档来自技高网...
【技术保护点】
1.一种基于深度学习的拖轮监控预测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤1中，将视频数据按固定时长划分为连续时间片；针对每个时间片执行的图像处理流程包括：去噪、边缘提取、线段检测和提取拖缆在出线口附近的主线段与主出线点。
3.如权利要求2所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤1中，当线段检测失败时，调用深度学习拖缆分割器生成拖缆掩膜并回退到提取拖缆在出线口附近的主线段与主出线点的图像处理流程；依据主线段相对于相机纵向参考轴的朝向，将出线方向离散为五个...
【技术特征摘要】
1.一种基于深度学习的拖轮监控预测方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤1中，将视频数据按固定时长划分为连续时间片；针对每个时间片执行的图像处理流程包括：去噪、边缘提取、线段检测和提取拖缆在出线口附近的主线段与主出线点。
3.如权利要求2所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤1中，当线段检测失败时，调用深度学习拖缆分割器生成拖缆掩膜并回退到提取拖缆在出线口附近的主线段与主出线点的图像处理流程；依据主线段相对于相机纵向参考轴的朝向，将出线方向离散为五个级别：内左、左、正、右和内右；依据主出线点在图像下边缘的投影位置，将出线点区位离散为左、中和右；在以最近若干时间片组成的窗口内统计出线方向改变的次数，将摆幅离散为小、中和大；将张力计读数通过标定分段表离散为四个级别：低、中、高和极高；将出线方向离散级别、出线点区位、摆幅级别、张力级别与时间片号一并记录，形成离散样本序列。
4.如权利要求3所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤2中，从离散样本序列中按照以下规则生成锚点集合；当张力级别在连续三个时间片内未下降且至少一次上升时生成牵引锚点；当摆幅级别在连续三个时间片内保持小且张力级别为低或中时生成待命锚点；当出线方向离散级别在连续三个时间片内向同一侧单向递进时生成靠拢锚点。
5.如权利要求4所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤2中，以最早锚点前向逐片筛选并拼接形成前向区段串的过程包括：以时间最早的锚点为起点向未来方向逐片选择候选片段并拼接为前向区段串；所述候选片段同时满足下列转移规则：出线方向离散级别在相邻时间片之间最多变化一档；出线点区位依次按左、中、右的相邻顺序变化；张力级别与摆幅级别在同一时间片内同向变化；若多个候选片段满足相同条目数，则优先选择具有高张力级别的片段；以及，以最晚锚点对称执行后向拼接的过程包括：以时间最晚的锚点为起点向过去方向按照与前向拼接相同的转移规则形成后向区段串；当所述前向区段串与后向区段串在同一时间片出现状态不一致时，执行冲突消解，优先保留覆盖时间更长的一侧；若覆盖时间相同，则优先保留包含更多牵引锚点的一侧。
6.如权利要求5所述的基于深度学习的拖轮监控预测方法，其特征在于，其中步骤2中，对前向区段串与后向区段串合并后的临时区段，逐片执行三类约束直至收敛；其中，几何一致性约束包括：当出线点区位为左时，将出线方向离散级别限定为内左、左或正；当出线点区位为右时，将出线方向离散级别...
【专利技术属性】
技术研发人员：于露，夏志新，王涛，张延鹏，董明全，吴晓辉，牛辰，
申请(专利权)人：河北港口集团数联科技雄安有限公司，
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。