申请/专利权人：力鸿检验集团有限公司

申请日：2023-08-15

公开（公告）日：2024-03-08

公开（公告）号：CN117197048B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06T7/12;G06T7/90;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2023.12.26#实质审查的生效;2023.12.08#公开

摘要：本发明公开一种船舶水尺读数检测方法、装置及设备，涉及图像识别技术领域，用于解决现有技术中使用传统的色域分割，色素提取等手段进行识别时，获得的水线位置精度较差，影响识别的精度，传统神经网络训练得到的数字识别模型识别所述候选区中所有水尺数字，识别精度低的问题。包括：在不同水路运输环境中，拍摄船舶的不同位置对应的基础水尺动态视频影像；对基础水尺动态视频影像进行操作处理，通过第一神经网络模型结合色域分割法确定水线位置；对算法进行优化，对水尺刻度图像各种类别信息进行学习训练得到用于识别水尺读数的神经网络模型。本发明使吃水线位置的检测更加精确，同时提高船舶水尺读数检测精度。

主权项：1.一种船舶水尺读数检测方法，其特征在于，方法包括：在不同水路运输环境中，拍摄船舶的不同位置对应的基础水尺动态视频影像；对所述基础水尺动态视频影像进行操作处理，得到处理后的基础水尺动态视频影像；将训练完成的第一神经网络模型与色域分割法进行结合，识别水线位置；所述色域分割法用于利用水面与船舶颜色的差距，确定处理后的基础水尺动态视频影像中包含水线位置的初始区域；结合训练完成的第一神经网络模型，将所述初始区域对应的图像输入训练完成的第一神经网络模型中，确定水线位置；采用公式： 对第二神经网络模型进行优化，得到优化后的第二神经网络模型；其中，训练数据集T＝{x1,y1,x2,y2,...,xN,yN}，xi表示输入信息的特征向量，yi表示对应的标签，yi＝c1,c2,...,cK,i＝1,2,...,N，k为x最邻近的k实例个数，N表示总样本的数量，涵盖k个点的x邻域表示为Nkx，在Nkx中根据分类决策规则决定x的类别y，I是指示函数，当yi＝cj时I为1，否则I为0，cj表示邻域中类别的种类；所述标签至少包括背景标签、字母标签、数字标签；对第二神经网络模型进行优化，得到优化后的第二神经网络模型，具体包括：获取海量人工标注矫正后的水尺局部图像作为训练样本以及测试样本；基于所述标签对所述训练样本对应的图像使用最近邻法对应于特征空间的划分，得到各类图像的特征；各类图像包括水尺刻度图像中的背景图像、字母图像、数字整数图像以及数字小数图像；使用修正线性单元函数确定为第二神经网络模型的激励函数；采用后向传播算法用来学习连接权重，得到优化后的第二神经网络模型；所述使用修正线性单元函数确定为第二神经网络模型的激励函数，采用后向传播算法用来学习连接权重，得到优化后的第二神经网络模型，具体包括：根据所述修正线性单元函数，定义单个样本xi,yi的惩罚函数为： 其中，x1,y1,x2,y2…,xm,ym是包含m个样本的训练集，hW,bxi表示神经网络的输出，整个训练样本的惩罚函数表示为： 其中，是连接第l层第j单元和第l+1层第i单元的权值，sl是第l层的单元个数，sl+1是第l+1层的单元个数，m表示标签个数，函数JW,b的第一部分是均方根误差，第二部分是正则项，λ是权重衰变参数；采用随机梯度下降算法进行迭代更新参数，令所有从i＝1到m重复计算： 其中，是ΔWl在第i次迭代的值，是Δbl在第i次迭代的值，δl+1表示隐藏层的梯度项，al表示第l层的输出，l＝1,2,…,nl，采用公式： 更新参数直到满足最终条件，其中α为学习步长；基于所述水线位置，采用优化后的第二神经网络模型识别水尺读数。

全文数据：

权利要求：

百度查询： 力鸿检验集团有限公司 一种船舶水尺读数检测方法、装置及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD