[发明专利]一种基于深度学习算法的船舶水尺图像自动读数方法

说明书

本发明提出一种基于深度学习算法的船舶水尺图像自动读数方法。该方法利用深度学习算法对船舶水尺图像中的数字进行识别定位，得出数字数值和在图像中的边框坐标，并对数字边框坐标进行修正；利用数字在图像中排列的规律和人眼读数原理，设计了一种基于人眼读数原理的数字组合算法；利用船体，水体图像颜色信息设计了一种识别不同船体颜色背景下水线的方法，该方法可根据不同背景选择不同的识别方法，保证水线识别的准确性和快速性；根据每行倾斜的数的位置坐标和水线的位置坐标，设计了一种长度基准和倾斜数字矫正算法，计算出水线与数字的实际像素距离，求出水线与数字像素距离占实际长度基准的百分比，得到船舶水尺图像的读数。

技术领域

本发明属于船舶水尺读数自动测量技术领域，特别是涉及一种基于深度学习算法的船舶水尺图像自动读数方法。

背景技术

水尺计重是目前海运大宗散货运用最多，最频繁的一种计量方式，主要适用于一些价值不高或不易用衡器计量的海运散装固态商品计重，如煤炭，矿石等。水尺计重是通过在装船或卸船前后两次测定船舶水尺，船上淡水，压舱水，以及燃油量，同时前后两次测定船边水的密度，然后根据排水量表，静水力曲线图表，水油舱计量表和矫正表等计算出船舶载运货物的重量。与其他计量方式相比，水尺计重的成本低，简单易操作，耗时短，但由于方法自身的原因，观测人员的技术水平，所代表的利益方不同，会存在测量的误差。由于人眼观测水尺存在主观因素，观测水尺过程中数据无法详细记录，观测点数据少，缺乏客观性，容易导致船方，港方，以及第三方之间对水尺读数产生争执。故提高船舶水尺读数的客观性，精确度，科学性一直都是水尺计重领域的难点问题。

目前绝大多数的船舶水尺都是人工参与读数的，而基于图像处理算法的船舶水尺自动读数研究相对较少，基于深度学习算法的船舶水尺自动读数研究尚未有相关文献报道。船舶水尺图像中的数字由于长期浸泡在水中，腐蚀严重；船体与拖船碰撞也会在数字上留下划痕；船底部数字表面上甚至会有污泥和海草，这都使得基于图像处理算法的数字识别和定位变得很困难。另外由于船舶种类繁多，船体颜色各不相同；现场光线，船体颜色，水质浑浊度等条件纷繁复杂，水体颜色也各不相同；因此船舶水尺图像中船体与水体交界处的水线识别更加困难。除此之外，摄像机视线与船体数字表面垂线有水平方向或垂直方向较大角度时，图像中数字会产生较大畸变，这会对数字的准确识别造成影响，也会对水尺读数计算带来困难。

发明内容

本发明为了解决现有的技术问题，提出一种基于深度学习算法的船舶水尺图像自动读数方法。该方法实现了复杂情况下数字和水线图像识别定位，水尺自动读数，读数效果可靠。

本发明的目的通过以下技术方案实现：一种基于深度学习算法的船舶水尺图像自动读数方法，包括以下步骤：

步骤1、数字识别定位和位置矫正：对采集到的水尺视频取帧，对单帧水尺图像利用FasterRCNN算法对图像中的数字进行识别得到数字数值和数字的矩形边框的四个顶点坐标，对数字矩形边框设计了精确数字外边框算法得到精确数字边框四个顶点坐标；

步骤2、组合同一行数字：根据步骤1中得到的船舶水尺图中所有数字数值和其边框坐标，设计基于人眼读数原理的组合数字算法组合同一行数字，并联系上下行的整米数，使同一行的单独的数字组合成一个拥有整米和分米的数；

步骤3、不同船体颜色背景下水线识别：对单帧水尺图像判断水尺图像光照情况和船体背景颜色，若是红色或黑色船体情况则选择快速水线识别方法，采用RGB三通道像素前向差分得到水线坐标信息，其他情况采用FasterRCNN算法对图像中的水线识别得到水线坐标；

步骤4、长度基准计算：利用步骤2中得到的船舶水尺图中每行数字数值和其边框坐标求出水线相邻行数字像素间距相对于实际长度的基准；

步骤5、倾斜数字与水线间距修正：计算水线到数字的间距与相邻两个数字间距的比例，若数字是倾斜排列，修正数字与水线间距后得到水线到数字的间距与相邻两个数字间距的比例；