[发明专利]基于两阶段卷积神经网络的集装箱表面损伤检测方法

说明书

本发明公开了一种基于两阶段卷积神经网络的集装箱表面损伤检测方法，S1、制作集装箱表面损伤检测训练数据集和测试数据集；S2、构建基于两阶段卷积神经网络的集装箱表面损伤检测模型，两阶段卷积神经网络包括分割网络与分类网络，分割网络对集装箱表面损伤图像样本进行处理以获取损伤分割特征图，分类网络对集装箱表面损伤图像进行损伤类型判断；S3、通过训练数据集和测试数据集训练该集装箱表面损伤检测模型；S4、运用训练好的模型对集装箱表面损伤进行判别并输出检测结果。本发明通过建立两阶段卷积神经网络模型来进行集装箱表面损伤检测，可有效减少识别错误率，提高检测精确度，实现对集装箱表面损伤类型的准确判断。

技术领域

本发明涉及集装箱损伤检测领域，尤其涉及一种基于两阶段卷积神经网络的集装箱表面损伤检测方法。

背景技术

近年来我国社会经济高速增长，集装箱船舶大型化与港口自动化呈现高速发展趋势，因此集装箱港口的业务量与吞吐量也正不断增长。由于集装箱在吊装堆垛过程易遭受频繁碰撞而产生变形破裂，且常处于日晒雨淋的户外环境中而产生锈蚀孔洞，因此在集装箱港口各作业环节中，箱体表面残损检查评估是集装箱进港的必要流程，可有效避免在集装箱运输装卸过程中发生意外事故，同时防止运输企业和码头因箱体破损而产生纠纷。当前对集装箱表面损伤自动化检测的相关研究还较少。大多数集装箱表面残损查验工作还是依靠人为经验或借助非自动检测工具进行判断是否有破损变形等情况，通常需要多人协助且安全保障不足，由于没有严格统一标准，往往处理时间长但检测准确率低。而现有的一些应用图像处理技术进行集装箱残损检测的系统，往往通过二维或三维图像处理方法对箱体表面孔洞、锈蚀或变形等几类特点定缺陷进行识别，还局限在数字图像检测分析的技术层面，大多只能解决较小数据量的检测问题，也无法很好剔除天气光线等外界环境因素造成的干扰信息。

由于当前港口业务量不断拓展，集装箱残损检测工作量日益增加，残损种类众多且特征复杂，面临更为庞大的数据量，过去并不理想的检测效果，会严重制约闸口作业效率，影响港口交通流畅性与服务水平。当前深度学习理论在计算机视觉及图像识别等领域取得许多成就，因其能从海量数据中学习到特定目标并精确判别，在减少工作量的同时也有效提高了分类识别效率与准确性。而目前以深度学习为核心的检测技术在港口已较成熟地应用于集装箱箱位箱号识别、船舶检测等方面，却很少应用于集装箱表面残损检测。

卷积神经网络是最典型属于深度学习的图像分类识别方法。通过准确获取大量集装箱箱体表面有效图像样本，形成多种类集装箱表面损伤图像数据库，可有效地构建用于训练卷积神经网络模型的带标签数据集；通过合理设计两阶段卷积神经网络的整体架构，不断优化影响网络收敛和识别准确率的参数，避免过拟合现象并使模型有较好泛化能力，可达到集装箱表面损伤检测的目标效果。以此方法可有效减少识别错误率，提高检测精确度，实现对集装箱表面损伤类型准确判断，达到提高港口集装箱闸口作业效率，减少运营成本，改善作业安全性的目的，进一步实现港口作业系统局部升级，推进现代港口智能化发展，因此具有一定研发潜力和生产实用价值。

发明内容

本发明主要目的，在于提供一种基于两阶段卷积神经网络的集装箱表面损伤检测方法，实现对集装箱表面损伤情况的准确检测，避免使用大量人力资源，降低港口运营成本，有效提高作业效率。

本发明所采用的技术方案是：

提供一种基于两阶段卷积神经网络的集装箱表面损伤检测方法，该方法包含如下步骤：

S1、制作集装箱表面损伤检测训练数据集和测试数据集，具体收集所需的集装箱表面损伤图片，并进行图像预处理；为集装箱表面损伤类型建立标签值表，对每张图片其对应表面损伤类型的标签值进行标注，图片样本与标签值表共同组成集装箱表面损伤检测数据集；将数据集划分为训练集和测试集，从集装箱表面损伤检测数据集中选取半数各损伤类型图片样本，按随机顺序摆放并按摆放顺序对每张图片进行编号，并将图片编号与对应损伤类型标签值保存到训练集文本文件中，这些图片样本与训练集文本文件构成训练数据集，按同样方法制作形成测试数据集；