[发明专利]一种基于卷积神经网络的船舶吃水线提取方法

说明书

本发明涉及港口散货船舶计量技术领域，尤其涉及一种基于卷积神经网络的船舶吃水线提取方法，用于解决港口船舶吃水线读取不准确问题。本发明首先通过搭载摄像机的履带电磁吸附式爬壁机器人拍摄六面水尺视频，制作深度学习训练数据集，用于训练学习得到模型参数。使用时，将采集到的视频每一帧输入到训练好的深度学习网络，得到二值分割结果图片，进行水平投影，获取水线位置。本发明所述的方法采用了目前最先进的深度学习技术，提取的水线准确率高，鲁棒性好，有效解决了复杂环境下吃水线提取精度问题。

技术领域

本发明属于港口散货船舶计量技术领域，尤其涉及一种基于卷积神经网络的船舶吃水线提取方法。

背景技术

在港口散货交易中，由于像煤炭，矿石这种散货无法直接称重，只能通过读取船舶吃水高度，计算货物重量。目前船舶水尺读数主要是通过专业的计量人员进行公估，但是由于人的主观因素以及环境的复杂多变，所以会经常发生货主、与港方和采购方之间的矛盾。

随着近年来科学技术的发展，设计一种智能的吃水线检测装置来替代传统人工观测的方法成为了可能。虽然各大港口以及高校研究所投入大量人力物力进行了研发，但受限于恶劣的环境条件，吃水线的检测精度一直无法达到要求。有人提出采用无人机拍摄视频，再通过工作人员读取，得到吃水值，但这种方法还是未能解决根本问题。

发明内容

本发明的目的在于提出一种基于卷积神经网络的船舶吃水线提取方法，旨在有效的解决吃水线提取精度问题。

为解决上述技术问题，本发明的技术方案为：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。

进一步的技术方案在于，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；