CN111476120B - 一种无人机智能船舶水尺识别方法及装置 - Google Patents
一种无人机智能船舶水尺识别方法及装置 Download PDFInfo
- Publication number
- CN111476120B CN111476120B CN202010222648.9A CN202010222648A CN111476120B CN 111476120 B CN111476120 B CN 111476120B CN 202010222648 A CN202010222648 A CN 202010222648A CN 111476120 B CN111476120 B CN 111476120B
- Authority
- CN
- China
- Prior art keywords
- water gauge
- image
- aerial vehicle
- unmanned aerial
- waterline
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 239000000049 pigment Substances 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 230000008676 import Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及水尺识别技术领域，公开了一种无人机智能船舶水尺识别方法、装置以及计算机存储介质，包括以下步骤：通过无人机获取船舶水尺的原始图像；利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置；截取所述原始图像中水尺数字所在区域作为候选区，通过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；根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别。本发明提供的无人机智能船舶水尺识别方法具有测量过程安全、测量精度高的技术效果。
Description
技术领域
本发明涉及水尺识别技术领域，具体涉及一种无人机智能船舶水尺识别方法、装置以及计算机存储介质。
背景技术
随着全球经济贸易的发展，作为国内外广泛用于船舶运输货物计量和进出口商品重量鉴定的重要方法，基于阿基米德原理的水尺计重显示出越来越重要的地位，船舶吃水数值的读取准确性成为水尺计重计量准确性的最关键因素。
数据显示，2017年我国港口完成货物吞吐量1.2644×1011t，同比增长6.4％，其中，沿海港口和内河港口同比增速基本持平，分别为6.4％和6.3％，完成货物吞吐量分别为8.625×109t和4.019×109t；完成外贸货物吞吐量4.002×109t，同比增长5.7％。大宗散货外贸进口量快速增长，煤炭的吞吐量增速有所加快，其中，外贸煤炭的进口量增幅超预期，进口量大幅增长，而这类大宗商品的主要贸易运输方式为船舶水运，随着船舶运输业的发展,船舶载货重量鉴定作为大宗散货交易中商品的交接结算、处理索赔、计算运费和通关计税等的依据，船舶载货重量鉴定的准确度越来越受到人们的关注。船舶载货重量鉴定可在出口时用作交货或结汇的凭证，进口时作为到岸计价或短重索赔的依据，准确的计量结果对保护承运人、发货人和收货人的利益都具有极为重要的意义。因此，在我国煤炭等大宗货物的贸易过程中，对贸易量的准确鉴定显得越发重要，而船舶水尺吃水值的准确判定则是基础。
现有水尺值检测方法有多种，最具代表性的是人工观测、压力传感器检测、声呐检测。
(1)人工观测：由于人工观测受人的主观和客观因素多方面干扰，即使是多人对水尺进行观测，最后的结果也不太科学，而当水面波动比较大时，不仅检测误差还会再次增大，同时也可能导致检测人员的生命遭到威胁，除此，一般检测需要租赁小艇，靠近船舶进行检测，不仅在经济上不划算，而且有较大的人力以及时间浪费。
(2)压力传感器检测：压力传感器检测主要是利用轮船船体外侧提前装好的压力传感器，通过对载货前后的压力去获得水深变化，精准度较高，但是由于仪器精密度高，安装不便，后期需要维护，且与海水密度有关，不易推广，实际价值不大。
(3)声呐检测：声呐检测是利用超声波的声能在水中衰减小的特性实现的，但是也存在和压力传感器检测一样的缺点。
发明内容
本发明的目的在于克服上述技术不足，提供一种无人机智能船舶水尺识别方法、装置以及计算机存储介质，解决现有技术中水尺识别精度低、具有安全隐患的技术问题。
为达到上述技术目的，本发明的技术方案提供一种无人机智能船舶水尺识别方法，包括以下步骤：
通过无人机获取船舶水尺的原始图像；
利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置；
截取所述原始图像中水尺数字所在区域作为候选区，通过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；
根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别。
本发明还提供一种无人机智能船舶水尺识别装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述无人机智能船舶水尺识别方法。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述无人机智能船舶水尺识别方法。
与现有技术相比，本发明的有益效果包括：本发明将神经网络在计算机视觉方面的技术与无人机技术相结合，首先通过对无人机在环境复杂的港口及流域快速获取船舶相关水尺图像信息，采集完成后返回服务器进行智能识别，利用无人机的高机动性和高变焦的特点，减少财力的浪费，释放人力资源，保障海关人员的生命安全；同时，在对原始图像进行水线识别后，利用神经网络对水尺数字进行自动识别，识别精度高，且无需人工识别，从根源上杜绝水尺方面贪污的发生。
附图说明
图1是本发明提供的无人机智能船舶水尺识别方法一实施方式的流程图；
图2是本发明提供的无人机智能船舶水尺识别方法一实施方式的水线识别示意图；
图3是本发明提供的无人机智能船舶水尺识别方法一实施方式的神经网络结构图；
图4是本发明提供的无人机智能船舶水尺识别方法一实施方式的水位读数示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
如图1所示，本发明的实施例1提供了无人机智能船舶水尺识别方法，以下简称本方法，包括以下步骤：
S1、通过无人机获取船舶水尺的原始图像；
S2、利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置；
S3、截取所述原始图像中水尺数字所在区域作为候选区，通过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；
S4、根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别。
本实施例在获取水尺的原始图像时，利用无人机获取，无人机具有可以在环境复杂的港口及流域快速获取图像的优点，且无人机采集完成后将图像返回服务器进行智能识别，这里可以通过无线传输的方式将图像返回，从而提高图像获取和回传的便利性、实时性。采集到原始图像后，首先利用船体与水面的色差对原始图像进行水线识别，对原始图像进行水线识别后，利用神经网络对水尺数字进行自动识别，识别精度高，且无需人工识别。识别出水线和数字后，即可进行水尺读数。本发明利用无人机的高机动性和高变焦的特点，安全、高效、低成本的实现了水尺原始图像的获取，减少财力的浪费，释放人力资源，保障海关人员的生命安全；同时，通过神经网络实现对于水尺上数字的自动识别，从根源上杜绝水尺方面贪污的发生。
优选的，利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置，具体为：
将所述原始图像转换为灰度图像，对所述灰度图像进行降噪处理，对降噪后的所述灰度图像进行像素值遍历，得到第一水线位置；
将所述原始图像转换为HSV图像，取所述HSV图像中设定区域内的色素平均值作为锚，利用所述锚在所述HSV图像中滑动寻找得到色素变化最大的变化区域，利用OpenCV中的minAreaRect方法获取所述变化区域的矢量，将矢量角度位于一定角度范围内变化区域剔除，然后依据长宽比例去挑选符合水线特征的变化区域，以此判断得到第二水线位置；
根据所述第一水线位置以及所述第二水线位置拟合得到所述水线位置。
水线识别的核心是利用船体与水面之间存在色差，通过色域分割的方式去分离船体和水面，为了提高水线识别的准确性，本实施例中水线的识别主要从两种图片处理入手：一是将原始图像转换为灰度图像后，先进行降噪处理，再利用图像像素值对降噪后的灰度图像进行遍历，获取水线在图片中的位置。像素值遍历的方法有很多，例如OpenCV中就有多重遍历像素值的函数，用户可根据需求选用。二是将原始图像转为HSV图像后，先取HSV图片一定区域的色素平均值，然后利用这个锚在图像窗口滑动，寻找色素极具变化的区域，然后通过对该区域的色素矢量、面积去判断水线位置。具体的，一定角度范围是指矢量角度与水线角度之间的夹角接近直角的角度范围，长宽比例是指符合水线特征的长宽比例，即长条形的线条状长宽比例，具体的长宽比例可根据实际情况进行设置，例如200:1。最后将处理一得到的结果与处理二得到的结果相结合，去拟合一个较为准确的水线高度。具体如图2所示，图2中两行圆点分别是处理一和处理二得到的水线位置，两行圆点中间的直线即拟合得到的水线位置。
优选的，对所述灰度图像进行降噪处理，具体为：
利用Canny算子对所述灰度图像进行降噪平滑处理；
对降噪平滑后的灰度图像进行膨胀腐蚀处理；
利用OpenCV中的findContours方法对膨胀腐蚀后的灰度图像进行进一步降噪处理，得到降噪后的灰度图像。
为了避免图像噪声对水线识别的影响，需要先对图像进行降噪，具体的，原始图像转为单通道灰度图像后，利用Canny算子对图像进行降噪平滑处理，通过对图像单通道直方图的研究发现Canny的双阈值在18至54之间时，对R通道提取效果最好，因此本实施例中Canny算子的阈值从18-54中选取，然后对处理后的图片进行膨胀腐蚀处理消除细小的噪音，最后利用OpenCV库中的findContours等函数进一步消除不必要噪音。
优选的，截取所述原始图像中水尺数字所在区域作为候选区，具体为：
对所述原始图像进行灰度处理得到灰度图像，采用最大稳定极值区域算法提取所述灰度图像中的MSER区域；
对所述MSER区域进行降噪及去重处理得到所述候选区。
水尺的数字识别也分两个部分，第一个部分是确定图像中水尺数字的候选区，第二个部分是识别候选区域中数字。本实施例中第一部分中用到的是基于分水岭算法的最大稳定极值区域算法，即MSER。最大稳定极值区域算法具体为，对灰度图像进行二值化处理，二值化阈值取[0,255]，从0到255依次递增，这样二值化图像就经历一个从全黑到全白的过程(就像水位不断上升的俯瞰图)，在这个过程中，有些连通区域面积随阈值上升变化很快，即不稳定区域，不稳定区域在这个过程中会被淹没，有些连通区域面积随阈值上升的变化很小，这种区域就叫MSER，MSER区域得以保存。然后通过对保存区域的height和width以及area进行判断，消除MSER区域中的噪音区域以及重复标记的同一块区域。
优选的，通过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，具体为：
收集水尺图像并进行预处理，建立样本数据集，对所述样本数据集中水尺图像进行数字标注；
以标注后的水尺图像作为训练样本对神经网络进行训练得到水尺数字识别模型；
通过所述数字识别模型识别所述候选区中的水尺数字。
本实施例中用于神经网络训练的样本数据来源为：由专业人员使用无人机多角度多距离拍摄包含待检测船舶水尺在内的视频，截取视频中的关键帧作为神经网络的训练数据。数据预处理：筛除样本数据集中存在模糊、噪声明显以及不存在待检测目标的无效样本，确保每一张样本图片清晰的包含需要检测到的特征数据，而由于各个环节对图像的特征点要求的不同，又有不同的处理。样本收集好后搭建神经网络去对候选区的数字进行识别，本实施例中神经网络主干如图3所示，其包括输入层(input)、卷积层(convolution)、池化层(maxpool)、全连接层(fullyconnected),全连接层增加dropout层以防止过拟合，损失函数为交叉熵损失函数categorical_crossentropy，学习率为0.001，优化器用的是一阶优化算法Adam，激活函数(activation)为relu。
优选的，以标注后的水尺图像作为训练样本对神经网络进行训练得到数字识别模型，还包括：
以谷歌街景门牌号码数据集对神经网络进行训练得到预训练模型；
以标注后的水尺图像对所述预训练模型进行训练得到所述数字识别模型。
为了提高初始模型的精准度，专利先利用Google提供的svhn谷歌街景门牌号码数据集去训练得到预训练模型。为了与预训练模型匹配，需要将水尺图像转为与svhn谷歌街景门牌号码数据集中图片大小一样，即32*32，3通道的大小，与水尺图像相对应的标注标签则用one_hot编码格式记录。
优选的，根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别，具体为：
根据各所述水尺数字的像素相对位置关系进行拟合得到拟合曲线的曲率函数；
根据所述水线位置以及所述曲率函数确定所述水线在所述原始图像中的像素坐标；
获取所有水尺数字中位于最下方的各不同单位的水尺数字，得到单位水尺数字；
根据各单位数字与所述水线坐标的位置关系确定水位读数。
在确认了水线位置、识别出了水尺的数字后，需要进行自动读数。具体的，将每个水尺数字作为一个节点，将各节点的像素位置进行数学拟合，获取拟合线条的曲率函数，得到像素位置与水尺数字的对应关系，可以理解为图像的比例尺。根据水线位置与曲率去确定水线处在图像中的像素坐标。获取所有水尺数字中位于最下方的各不同单位的水尺数字，得到单位水尺数字，具体为，如图4所示，本实施例中水尺单位包括米和厘米，利用水尺数字识别中最下方的M符号以及M左边的数字去判断水深米数，即图4中最大的数字“8”，当该位置不清晰时，寻找更上方的M左边的数字；利用水尺数字中最下方的数字去判断水位附近厘米数，例如图4中“8.20”、“8.10”、“7.90”。然后根据水尺数字本身及之间像素与高度的映射关系确定水位读数，例如水线位于“8.20”与“8.10”之间，则水尺读数在8.10M-8.20M之间，根据水线坐标对厘米数进行估计，得到最后的读数，例如8.18。
优选的，本方法还包括：
通过无人机采集获取一段时间的船舶水尺的原始视频，从所述原始视频中截取多帧所述原始图像；
分别基于每一帧所述原始图像进行水尺识别，得到相应的水位读数，筛选多个水位读数的众数，并求取众数的平均值得到最后的水位读数。
由于水面通常是不稳定的，船体随水面的晃动会影响到图像的残差和水尺的准确识别，因此通过无人机采集一段时间的水尺原始视频，截取多帧原始图像，对每一帧原始图像进行上述处理得到其相应的水位读数，筛选各水位读数的众数，然后求取平均值，得到更加准确的水位读数。
实施例2
本发明的实施例2提供了无人机智能船舶水尺识别装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的无人机智能船舶水尺识别方法。
本发明实施例提供的无人机智能船舶水尺识别装置，用于实现无人机智能船舶水尺识别方法，因此，无人机智能船舶水尺识别方法所具备的技术效果，无人机智能船舶水尺识别装置同样具备，在此不再赘述。
实施例3
本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的无人机智能船舶水尺识别方法。
本发明实施例提供的计算机存储介质，用于实现无人机智能船舶水尺识别方法，因此，无人机智能船舶水尺识别方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (9)
1.一种无人机智能船舶水尺识别方法，其特征在于，包括以下步骤：
通过无人机获取船舶水尺的原始图像；
利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置；
截取所述原始图像中水尺数字所在区域作为候选区，通过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；
根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别；
利用船体与水面之间的色差，采用色域分割法分离所述原始图像中的船体和水面，得到水线位置，具体为：
将所述原始图像转换为灰度图像，对所述灰度图像进行降噪处理，对降噪后的所述灰度图像进行像素值遍历，得到第一水线位置；
将所述原始图像转换为HSV图像，取所述HSV图像中设定区域内的色素平均值作为锚，利用所述锚在所述HSV图像中滑动寻找得到色素变化最大的变化区域，获取所述变化区域的矢量，将矢量角度位于一定角度范围内变化区域剔除，然后依据长宽比例去挑选符合水线特征的变化区域，以此判断得到第二水线位置；
根据所述第一水线位置以及所述第二水线位置拟合得到所述水线位置。
2.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，对所述灰度图像进行降噪处理，具体为：
利用Canny算子对所述灰度图像进行降噪平滑处理；
对降噪平滑后的灰度图像进行膨胀腐蚀处理；
利用OpenCV中的findContours方法对膨胀腐蚀后的灰度图像进行进一步降噪处理，得到降噪后的灰度图像。
3.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，截取所述原始图像中水尺数字所在区域作为候选区，具体为：
对所述原始图像进行灰度处理得到灰度图像，采用最大稳定极值区域算法提取所述灰度图像中的MSER区域；
对所述MSER区域进行降噪及去重处理得到所述候选区。
4.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，通过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，具体为：
收集水尺图像并进行预处理，建立样本数据集，对所述样本数据集中水尺图像进行数字标注；
以标注后的水尺图像作为训练样本对神经网络进行训练得到水尺数字识别模型；
通过所述数字识别模型识别所述候选区中的水尺数字。
5.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，以标注后的水尺图像作为训练样本对神经网络进行训练得到数字识别模型，还包括：
以谷歌街景门牌号码数据集对神经网络进行训练得到预训练模型；
以标注后的水尺图像对所述预训练模型进行训练得到所述数字识别模型。
6.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，根据所述水线位置与所述水尺数字的相对位置关系进行水尺识别，具体为：
根据各所述水尺数字的像素相对位置关系进行拟合得到拟合曲线的曲率函数；
根据所述水线位置以及所述曲率函数确定所述水线在所述原始图像中的像素坐标；
获取所有水尺数字中位于最下方的各不同单位的水尺数字，得到单位水尺数字；
根据各单位数字与所述水线坐标的位置关系确定水位读数。
7.根据权利要求1所述的无人机智能船舶水尺识别方法，其特征在于，还包括：
通过无人机采集获取一段时间的船舶水尺的原始视频，从所述原始视频中截取多帧所述原始图像；
分别基于每一帧所述原始图像进行水尺识别，得到相应的水位读数，筛选多个水位读数的众数，并求取众数的平均值得到最后的水位读数。
8.一种无人机智能船舶水尺识别装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-7任一所述的无人机智能船舶水尺识别方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一所述的无人机智能船舶水尺识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010222648.9A CN111476120B (zh) | 2020-03-26 | 2020-03-26 | 一种无人机智能船舶水尺识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010222648.9A CN111476120B (zh) | 2020-03-26 | 2020-03-26 | 一种无人机智能船舶水尺识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476120A CN111476120A (zh) | 2020-07-31 |
| CN111476120B true CN111476120B (zh) | 2021-03-23 |
Family
ID=71750235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010222648.9A Active CN111476120B (zh) | 2020-03-26 | 2020-03-26 | 一种无人机智能船舶水尺识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476120B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183470B (zh) * | 2020-10-28 | 2022-07-19 | 长江大学 | 一种船舶水尺识别方法、设备及存储介质 |
| CN112308009B (zh) * | 2020-11-12 | 2024-02-27 | 湖北九感科技有限公司 | 水尺水位识别方法及装置 |
| CN112487987A (zh) * | 2020-11-30 | 2021-03-12 | 江苏云控软件技术有限公司 | 一种船只与水面分界线测定方法 |
| CN112862820B (zh) * | 2021-03-17 | 2023-12-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于图像识别技术的测压管群水深智能获取装置及其水深获取方法 |
| CN115439861A (zh) * | 2022-09-30 | 2022-12-06 | 北京中盛益华科技有限公司 | 一种基于ocr的水尺识别方法 |
| CN117197048B (zh) * | 2023-08-15 | 2024-03-08 | 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 |
| CN117251943B (zh) * | 2023-11-20 | 2024-02-06 | 力鸿检验集团有限公司 | 一种水线位置波动曲线仿真方法、装置和电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108769617A (zh) * | 2018-06-25 | 2018-11-06 | 浙江大学 | 基于无人机的船舶水尺读数智能识别*** |
| CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
| CN109903303A (zh) * | 2019-02-25 | 2019-06-18 | 秦皇岛燕大滨沅科技发展有限公司 | 一种基于卷积神经网络的船舶吃水线提取方法 |
-
2020
- 2020-03-26 CN CN202010222648.9A patent/CN111476120B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108769617A (zh) * | 2018-06-25 | 2018-11-06 | 浙江大学 | 基于无人机的船舶水尺读数智能识别*** |
| CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
| CN109903303A (zh) * | 2019-02-25 | 2019-06-18 | 秦皇岛燕大滨沅科技发展有限公司 | 一种基于卷积神经网络的船舶吃水线提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的船舶水尺字符识别方法研究;杜佳峰等;《中国水运》;20200315;第1-3页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476120A (zh) | 2020-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
| CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
| CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
| CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
| CN110276285B (zh) | 一种非受控场景视频中的船舶水尺智能识别方法 | |
| CN111652149A (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
| CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
| CN111476159B (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
| CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及*** | |
| CN108509919B (zh) | 一种基于深度学习对视频或图片中水线的检测和识别方法 | |
| CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及*** | |
| CN110619328A (zh) | 基于图像处理和深度学习的船舶水尺读数智能识别方法 | |
| CN109711353B (zh) | 一种基于机器视觉的船舶吃水线区域识别方法 | |
| CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
| CN105741276A (zh) | 一种船舶水线提取方法 | |
| CN111723632B (zh) | 一种基于孪生网络的船舶跟踪方法及*** | |
| CN116665095B (zh) | 一种运动舰船检测方法、***、存储介质和电子设备 | |
| CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN104021553A (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
| Yang et al. | Evaluation and mitigation of rain effect on wave direction and period estimation from X-band marine radar images | |
| CN115393734A (zh) | 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法 | |
| CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
| CN116434230A (zh) | 一种复杂环境下的船舶水尺读数方法 | |
| CN117197048B (zh) | 一种船舶水尺读数检测方法、装置及设备 | |
| CN113344148A (zh) | 一种基于深度学习的海上舰船目标识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231114 Address after: Building 78, Yard 12, Zhuyuan Road, Shunyi District, Beijing, 101300 (Tianzhu Comprehensive Bonded Zone) Patentee after: Lihong Inspection Group Co.,Ltd. Address before: 434023 No. 1 South Ring Road, Hubei, Jingzhou Patentee before: Yangtze University |