[发明专利]一种基于卷积神经网络的船舶吃水线提取方法

权利要求书

1.一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：

利用摄像机采集船舶的左右舷艏、舷舯、舷艉六面水尺视频；然后统一对水线以上标注为船体，水线以下标注为水体，制作出大量的标注图；然后建立深度学习图像语义分割模型，利用标注图对模型进行训练以确定模型参数；然后利用深度学习图像语义分割模型获取船舶吃水线；

所述深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致。

2.根据权利要求1所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：其具体步骤如下：

(1)视频数据采集：使用搭载摄像头的爬壁机器人采集船舶的左右舷艏、舷舯、舷艉六面水尺视频，每个视频时长为2-4分钟；采集不重复的包含各种环境条件下的目标视频不少于20个，作为训练视频；采集目标视频以获取船舶的吃水深度；

(2)深度学习数据集：对步骤(1)中的训练视频进行标注制作大量的标注图；统一对水线以上标注为船体，水线以下标注为水体；

(3)深度学习图像语义分割模型的建立：

深度学习图像语义分割模型由七个块构成，前五个Block卷积核统一采用3*3，Block1由64通道的两个卷积层组成，Block2为先进行池化层池化下采样操作，再由两个128通道的卷积层组成，Block3、Block4和Block5均为先进行池化层，再由三个通道数分别是256,512,512的卷积层组成；前五个Block都是VGGNet16的网络结构，并由训练好的VGG16网络模型参数进行初始化，Block6由下采样层和卷积核大小为7*7，通道数为4096的卷积层以及两个卷积核大小为1*1，通道数为4096的卷积层组成，Block7为反卷积层，将Block6输出采用双线性插值上采样成与输入原图大小一致；

(4)模型训练：使用步骤(3)中的深度学习图像语义分割模型，对步骤(2)中的标注图进行图像特征提取；确定深度学习图像语义分割模型参数；

(5)船舶吃水线提取：

将步骤(1)中采集到的目标视频每一帧输入到步骤(4)训练后的模型，得到二值分割结果图片，进行水平投影，获取水线位置。

3.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：每个训练视频制作400-600张标注图，标注图的制作采用VOC2012深度学习语义分割数据集的制作方式。

4.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：所述深度学习图像语义分割模型的深度学习环境搭建如下：配置两个环境，一是基于linux系统的深度学习环境，用于训练得到深度学习图像语义分割模型参数；二是深度学习模型移植到windows系统实现船舶吃水线提取的工程项目环境。

5.根据权利要求2所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：所述步骤(5)船舶吃水线提取的具体步骤为：将步骤(1)中的目标视频第一帧中以水线为中心，选取大小为224*224的图片ROI，利用步骤(4)训练后的模型，获得二值分割图像，通过水平投影，即水平遍历像素值，当第r行出现前景像素占比大于50％，且第r+2行占比大于70％，第r+4行占比大于80％，则r为吃水线位置；获取水线在图像中的位置；通过前后两帧水线位置的变化，更新ROI；以船舶标准字符为参考，计算图像坐标和世界坐标的转化关系，得到每一帧吃水线的实际高度；求取时间段内的平均值，作为最终的船舶吃水线高度。

6.根据权利要求5所述的一种基于卷积神经网络的船舶吃水线提取方法，其特征在于：二值分割图像通过canny边缘检测算法或其他边缘检测算法得到吃水线位置。