CN115908998B - 水深数据识别模型的训练方法、水深数据识别方法及装置 - Google Patents
水深数据识别模型的训练方法、水深数据识别方法及装置 Download PDFInfo
- Publication number
- CN115908998B CN115908998B CN202211441295.7A CN202211441295A CN115908998B CN 115908998 B CN115908998 B CN 115908998B CN 202211441295 A CN202211441295 A CN 202211441295A CN 115908998 B CN115908998 B CN 115908998B
- Authority
- CN
- China
- Prior art keywords
- water depth
- depth value
- target
- image
- sample
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种水深数据识别模型的训练方法、水深数据识别方法及装置。所述训练方法包括:基于样本栅格海图中水深值的数据属性对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;基于预设模板图像、样本栅格海图中水深值的字符参数以及目标数字序列,生成包含目标数字序列的候选水深值图像,目标数字序列为多个数字序列中的任一个数字序列;对候选水深值图像和样本背景图像进行融合处理,得到目标数字序列对应的样本水深值图像;基于多个数字序列分别对应的样本水深值图像以及多个数字序列分别表示的水深值,训练水深数据识别模型。
Description
技术领域
本申请涉及地理信息处理技术领域,尤其涉及一种水深数据识别模型的训练方法、水深数据识别方法及装置。
背景技术
目前,在水深数据识别模型的训练阶段,通常是由作业人员手动在已有栅格海图上截取包含水深值的图像,并根据所截取的图像呈现的水深值为该图像标注上相应的水深值,进一步将截取的图像及其对应的标注数据作为训练数据,对水深数据识别模型进行训练。
但是,为了提高水深数据识别模型的训练效果,通常需要大量携带标签的训练样本,上述手动作业的方式需要作业人员花费大量时间进行图像截取和数据标注工作,不适用于大批量的训练数据采集,进而影响水深数据识别模型的训练效率;此外,从已有栅格海图中截取的图像的精度依赖于作业人员的经验和细心程度,易产生误差,因而训练数据的质量无法得到保证,最终影响训练出的水深数据识别模型的识别准确率。
发明内容
本申请实施例的目的提供一种水深数据识别模型的训练方法、水深数据识别方法及装置,用于解决相关技术中通过手动获取训练数据的方式存在的训练效率低、训练出的水深数据识别模型的识别准确率无法得到保证的问题。
为了实现上述目的,本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种水深数据识别模型的训练方法,包括:
基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列;
对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
可以看出,通过本申请实施例提供的水深数据识别模型的训练方法,利用栅格海图中表示的水深值通常由一串数字表示这一规律,基于样本栅格海图中水深值的数据属性,比如水深值的数值等,对预设数字集合中的数字进行组合,得到多个数字序列,由此每个数字序列即可表示一个水深值;接着,利用图像处理技术,针对每个数字序列,基于该数字序列、预设模板图像以及样本栅格海图中水深值的字符参数,生成包含该数字序列的候选水深值图像,该候选水深值图像及其包含的数字序列所表示的水深值,即可用作训练水深数据识别模型的训练数据,由此训练数据的获取仅利用图像处理技术即可自动生成,相较于手动从栅格海图中截取水深值图像的方式,效率高,可用于适用于大批量的训练样本采集,有利于提升水深数据识别模型的训练效率,且训练样本的质量不受人为因素的影响,有利于提高水深数据识别模型的准确性;在此基础上,通过对候选水深值图像和预先设置好的样本背景图像进行融合处理,得到该数字序列对应的样本水深值图像,该样本水深值图像既包含了表示水深值的数字序列,又融合了样本背景图像,能够更接近真实的栅格海图的背景,进一步基于多个数字序列分别对应的样本水深值图像和每个数字序列表示的水深值,对水深数据识别模型进行训练,有利于增强水深数据识别模型的准确性和稳定性。
第二方面,本申请实施例提供一种水深数据识别方法,包括:
从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于第一方面所述的方法训练得到的;
基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
可以看出,通过本申请实施例提供的水深数据识别方法,在通过本申请实施例提出的水深数据识别模型的训练方法训练得到水深数据识别模型之后,利用该水深数据识别模型对从目标栅格海图中提取的包含目标数字序列的图像区域进行识别,可以识别出该图像区域所表示的目标水深点的水深值,由于水深数据识别模型的准确性和稳定性高,进而识别出的水深值更准确;此外,还基于该图像区域在栅格坐标系下的栅格坐标位置以及栅格坐标系与地理坐标系之间的映射关系,确定目标水深点在地理坐标系下的地理坐标位置,由于目标水深点的地理坐标位置是通过坐标映射关系得到的,进而目标水深点的地理坐标位置也更准确;进一步,基于目标水深点的地理坐标位置和水深值即可准确确定出图像区域对应的水深数据,有利于提高目标栅格海图中水深数据的识别准确性。
第三方面,本申请实施例提供一种水深数据识别模型的训练装置,包括:
第一生成单元,用于基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
第二生成单元,用于基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列;
融合单元,用于对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
训练单元,用于基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
第四方面,本申请实施例提供一种水深数据识别装置,包括:
第一确定单元,用于从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
第二确定单元,用于基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
识别单元,用于通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于第一方面所述的方法训练得到的;
第三确定单元,用于基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
第五方面,本申请实施例提供一种电子设备,包括:处理器;用于存储所述处理器可执行指令的存储器;其中,所述处理器被配置为执行所述指令,以实现如第一方面或第二方面所述的方法。
第六方面,计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如第一方面或第二方面所述的方法。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请的一个实施例提供的一种水深数据识别模型的训练方法的流程示意图;
图2为本申请的一个实施例提供的一种样本栅格海图的示意图;
图3为本申请的一个实施例提供的一种样本水深值图像的示意图;
图4为本申请的一个实施例提供的一种水深数据识别方法的流程示意图;
图5为本申请的一个实施例提供的一种水深数据识别模型的训练装置的结构示意图;
图6为本申请的一个实施例提供的一种水深数据识别装置的结构示意图;
图7为本申请的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应理解,这样使用的数据在适当的情况下可以互换,以便本申请实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,本说明书和权利要求书中“和/或”表示所连接对象的至少其中之一,字符“/”一般表示前后关联对象是一种“或”的关系。
如前文所述,在水深数据识别模型的训练阶段,通常是由作业人员手动在已有栅格海图上截取包含水深值的图像,并根据所截取的图像呈现的水深值为该图像标注上相应的水深值,进一步将截取的图像及其对应的标注数据作为训练数据,对水深数据识别模型进行训练。但是,这种方式需要作业人员花费大量时间进行图像截取和数据标注工作,不适用于大批量的训练数据采集,进而影响水深数据识别模型的训练效率;此外,从已有栅格海图中截取的图像的精度依赖于作业人员的经验和细心程度,易产生误差,因而训练数据的质量无法得到保证,最终影响训练出的水深数据识别模型的识别准确率。
有鉴于此,本申请实施例旨在提出一种水深数据识别模型的训练方法,利用栅格海图中表示的水深值通常由一串数字表示这一规律,基于样本栅格海图中水深值的数据属性,比如水深值的数值等,对预设数字集合中的数字进行组合,得到多个数字序列,由此每个数字序列即可表示一个水深值;接着,利用图像处理技术,针对每个数字序列,基于该数字序列、预设模板图像以及样本栅格海图中水深值的字符参数,生成包含该数字序列的候选水深值图像,该候选水深值图像及其包含的数字序列所表示的水深值,即可用作训练水深数据识别模型的训练数据,由此训练数据的获取仅利用图像处理技术即可自动生成,相较于手动从栅格海图中截取水深值图像的方式,效率高,可用于适用于大批量的训练样本采集,有利于提升水深数据识别模型的训练效率,且训练样本的质量不受人为因素的影响,有利于提高水深数据识别模型的准确性;在此基础上,通过对候选水深值图像和预先设置好的样本背景图像进行融合处理,得到该数字序列对应的样本水深值图像,该样本水深值图像既包含了表示水深值的数字序列,又融合了样本背景图像,能够更接近真实的栅格海图的背景,进一步基于多个数字序列分别对应的样本水深值图像和每个数字序列表示的水深值,对水深数据识别模型进行训练,有利于增强水深数据识别模型的准确性和稳定性。
本申请实施例还提出一种水深数据识别方法,在通过本申请实施例提出的水深数据识别模型的训练方法训练得到水深数据识别模型之后,利用该水深数据识别模型对从目标栅格海图中提取的包含目标数字序列的图像区域进行识别,可以识别出该图像区域所表示的目标水深点的水深值,由于水深数据识别模型的准确性和稳定性高,进而识别出的水深值更准确;此外,还基于该图像区域在栅格坐标系下的栅格坐标位置以及栅格坐标系与地理坐标系之间的映射关系,确定目标水深点在地理坐标系下的地理坐标位置,由于目标水深点的地理坐标位置是通过坐标映射关系得到的,进而目标水深点的地理坐标位置也更准确;进一步,基于目标水深点的地理坐标位置和水深值即可准确确定出图像区域对应的水深数据,有利于提高目标栅格海图中水深数据的识别准确性。
应理解,本申请实施例提供的水深数据识别模型的训练方法和水深数据识别方法均可以由电子设备或安装在电子设备中的软件执行。此处所谓的电子设备可以包括终端设备,比如智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能家电、智能手表、车载终端、飞行器等;或者,电子设备还可以包括服务器,比如独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式***,还可以是提供云计算服务的云服务器等。
以下结合附图,详细说明本申请各实施例提供的技术方案。
请参见图1,为本申请的一个实施例提供的一种水深数据识别模型的训练方法的流程示意图,该方法可以包括如下步骤:
S102,基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列。
其中,每个数字序列表示一个水深值。预设数字集合可以包括0~9这10个常用的数字。
具体而言,可以将历史栅格海图作为样本栅格海图,样本栅格海图中水深值的数据属性可以包括样本栅格海图中水深值的位数、小数位数等。相应地,在上述S102中,可按照样本栅格海图中水深值的位数及小数位数等,对预设数字集合中的数字进行随机组合,得到多种数字组合,每种数字组合即为一个数字序列。
示例地,图2示出了一种样本栅格海图的部分图像区域的示例,在该样本栅格海图包含了196、215、195三个数字序列,其中,数字序列196表示所对应的水深点的水深值为19.6米,数字序列215表示所对应的水深点的水深值为21.5米,数字序列195表示所对应的水深点的水深值为19.5米,可见,该样本栅格海图中水深值的位数均为3位数,小数位数为1位数。在此情况下,可以从预设数字集合中的数字进行随机组合,得到包含三个数字的多个数字序列,比如321、339、205等。
需要说明的是,实际应用中,考虑通常情况下栅格海图中水深值的第一位整数和小数不为0,对此,若生成的数字序列出现第一个数字为0或者小数部分为0,可将数字0去掉或随机替换为不为0的其他数字等。
另外,实际应用中,样本栅格海图的数量可以为多个,每个样本栅格海图中水深值可能具有不同的数据属性,由此可针对每种数据属性,生成相应的数字序列,比如生成的数字序列包含的数字少于3位或者大于3位,等等。
S104,基于预设模板图像、样本栅格海图中水深值的字符参数以及目标数字序列,生成包含目标数字序列的候选水深值图像。
其中,目标数字序列为多个数字序列中的任一个数字序列。
其中,样本栅格海图中水深值的字符参数是指用于表示样本栅格海图中水深值的字符样式的参数,具体可以例如包括但不限于水深值的数据格式信息、字体信息以及数字尺寸信息。其中,水深值的数据格式信息用于表示水深值的数据格式,具体可以例如包括但不限于水深值的小数位数等;水深值的字体信息用于表示水深值的字体样式,具体可以例如包括但不限于水深值中每个数字的字体大小(比如24磅等)、字体颜色(比如黑色)、字体类型(比如楷体、宋体、黑体等)等;水深值的数字尺寸信息用于表示水深值的尺寸,具体可以例如包括但不限于:水深值中相邻连个数字之间的间距、水深值中整数部分的数字的尺寸、水深值中小数部分的数字的尺寸等,更为具体地,整数部分的数字的尺寸可以包括整数部分的数字的宽度和高度,小数部分的数字的尺寸可以包括小数部分的数字的宽度和高度,或者,小数部分的数字的尺寸可以包括小数部分的数字的宽度相对于整数部分的数字的宽度的偏移距离、小数部分的数字的高度相对于整数部分的数字的高度的偏移距离等。
实际应用中,样本栅格海图中水深值的字符参数可以根据实际需要预先设置,本申请实施例对此不作限定。
其中,预设模板图像是指预先设置好的用作模板的图像,比如固定大小的不包含任何字符的空白图像等。
考虑到现有的栅格海图对于水深数据的表示,通常是在栅格海图中相应位置处标注该位置的水深点的水深值,因而利用图像处理技术,在样本模板图像中添加生成的数字序列,即可作为用于训练水深数据识别模型的训练样本。基于此,在一种可选的实现方式中,上述S104可以包括如下步骤:
S141,基于样本栅格海图中水深值的字体信息,对目标数字序列中每个数字的字体进行调整,得到候选水深值文本。
具体而言,可基于字体信息指示的每个数字的字体大小、字体颜色、字体类型等参数,对目标数字序列中每个数字的字体进行调整,即可得到候选水深值文本。
S142,基于样本栅格海图中水深值的数据格式信息和数字尺寸信息,对候选水深值文本中每个数字的尺寸进行调整,得到目标水深值文本。
具体而言,首先,可将空字符在字体中的宽度乘以水深值中相邻两个数字至的间距,即可得到将要生成的目标水深值文本中相邻两个数字之间的间距,并基于该间距对候选水深值文本中相邻两个数字之间的间距进行调整;接着,基于水深值中整数部分的数字的尺寸及小数部分的数字的尺寸,对候选水深值文本中每个数字的尺寸进行调整,即可得到目标水深值文本。
S143,在预设模板图像中添加目标水深值文本,得到候选水深值图像。
具体而言,可采用本领域常用的各种图像处理技术,在预设模板图像中添加目标水深值文本,得到的候选水深值图像即包含了目标数字序列所表示的水深值。由此,候选水深值图像及其表示的水深值即可用作训练数据,以便后续用于对水深数据识别模型进行训练。
可以理解的是,在上述实施方式中,仅需预先设置模板图像和字符参数,利用图像处理技术即可生成包含水深值的候选水深值图像,同时还可以得到候选水深值图像包含的水深值的具体数值,不仅生成方式更灵活,生成的候选水深值图像中的水深值也更标准,更符合真实栅格海图的要求,而且相较于手动从栅格海图中截取水深值图像并进行水深值标注的方式,效率高,可用于适用于大批量的训练样本采集,有利于提升水深数据识别模型的训练效率,且训练样本的质量不受人为因素的影响,有利于提高水深数据识别模型的准确性。
本申请实施例在此示出了上述S104的一种具体实现方式。当然,应理解,上述S104也可以采用本领域其他常用的方式实现,具体可根据实际需要进行选择,本申请实施例对此不作限定。
S106,对候选水深值图像和样本背景图像进行融合处理,得到目标数字序列对应的样本水深值图像。
其中,样本背景图像可以是用于模拟真实栅格海图中背景的背景图像。实际应用中,样本背景图像可以根据实际需要预先设置,具体设置方式可以根据实际需要进行选择,本申请实施例对此不作限定。可选地,为了使样本背景图像能够更好地模拟真实栅格海图中的背景,在上述S106之前,本申请实施例提供的水深数据识别模型的训练方法还可以包括:从样本栅格海图中截取包含目标物标的物标图像区域,并将物标图像区域作为样本背景图像。其中,目标物标可以包括但不限于如下物标中的至少一种:栅格海图中的侧面标志、方位标志、孤立危险物标志、安全水域标志、专用标志等。
值得说明的是,实际应用中,从样本栅格海图中截取的物标图像区域可以包括目标物标的部分或全部内容。另外,物标图像区域的尺寸可以根据预设模板图像的尺寸确定,比如物标图像区域的尺寸与预设目标图像的尺寸相同等,本申请实施例对此不作限定。
由于样本背景图像可以模拟真实栅格海图中背景的背景图像,通过将候选水深值图像和样本背景图像进行融合处理,使得的样本水深值图像能够接近真实的栅格海图的背景,既包含了表示水深值的数字序列,又融合了真实栅格海图中的背景信息,能够更接近真实的栅格海图的背景,在此基础上,将样本水深值图像及其表示的水深值作为训练数据以训练水深数据识别模型,有利于增强水深数据识别模型的准确性和稳定性。示例地,图3示出了融合了样本栅格海图中物标的样本水深值图像1至样本水深值图像3。
在一种可选的实现方式中,为了使候选水深值图像与样本背景图像能够更好地融合在一起,从而使得所得的样本水深值图像能够更接近真实的栅格海图的背景,上述S106可以包括如下步骤:
S161,从样本背景图像中提取与候选水深值图像匹配的目标背景图像数据。
其中,与候选水深值图像匹配的目标背景图像数据可以是与候选水深值图像中的感兴趣区域(Region of Interest,ROI)匹配的背景图像数据。考虑到对于水深数据识别模型而言,水深值图像中包含水深值的最小图像区域尤为重要,因而可将该最小图像区域作为候选水深值图像中的感兴趣区域。
具体而言,上述S161具体可实现为:对候选水深值图像进行图像处理和识别,以确定候选水深值图像中包含目标数字序列的感兴趣区域以及感兴趣区域的尺寸信息;进一步,在样本背景图像中提取与感兴趣区域的尺寸信息匹配的图像数据,作为目标背景图像数据。
示例地,可通过本领域常用的图像处理和识别手段,比如灰度变换、二值化处理以及图像分割等,从候选水深值图像中提取出包含水深值的最小图像区域,作为感兴趣区域,并确定感兴趣区域的宽度和高度;进一步,基于感兴趣区域的宽度和高度,从样本背景图像中提取出与感兴趣区域大小相同的图像区域,该图像区域的图像数据即为与感兴趣区域的尺寸信息匹配的图像数据,进而可作为目标背景图像数据。其中,目标背景图像数据包括从样本背景图像中提取出的图像区域中每个像素的像素值。
S162,将候选水深值图像的图像数据与目标背景图像数据进行融合,得到目标数字序列对应的样本水深值图像。
其中,候选水深值图像的图像数据包括候选水深值图像中每个像素的像素值。
在一种可选的实现方式中,可将候选水深值图像和从样本背景图像中提取出的图像区域中相同位置的像素点(也即行值和列值相同的像素点)分别在候选水深值图像中的像素值与在目标背景图像数据的像素值进行融合,比如取平均值等,由此得到目标数字序列对应的样本水深值图像。
在另一种可选的实现方式中,可对目标背景图像数据进行高斯滤波处理,得到目标滤波图像数据;进一步,将感兴趣区域的图像数据与目标滤波图像数据进行融合,得到目标数字序列对应的样本水深值图像。
示例地,可将候选水深值图像和从样本背景图像中提取出的图像区域中相同位置的像素点(也即行值和列值相同的像素点)分别在候选水深值图像中的像素值与在目标滤波图像数据中的像素值进行融合,比如取平均值等,由此得到目标数字序列对应的样本水深值图像。
可以理解的是,通过对目标背景图像数据进行高斯滤波处理,使得所得的目标滤波图像数据中增加看噪点,进而将感兴趣区域的图像数据与增加噪点的目标滤波图像数据进行融合,使得所得的样本水深值图像也增加了噪点;在此基础上,将增加了噪点的样本水深值图像及其表示的水深值作为训练数据以训练水深数据识别模型,有利于增强水深数据识别模型的抗干扰能力,从而有利于进一步提升水深数据识别模型的识别准确率。
S108,基于多个数字序列分别对应的样本水深值图像以及多个数字序列分别表示的水深值,训练水深数据识别模型。
具体而言,可将每个数字序列对应的样本水深值图像作为一个训练样本,将每个数字序列表示的水深值作为该训练样本对应的标签,基于多个训练样本及其对应的标签对水深数据识别模型进行训练。
更为具体地,可将每个数字序列对应的样本水深值图像输入水深数据识别模型,得到该样本水深值图像的水深值识别结果,并基于多个数字序列分别对应的样本水深值图像的水深值识别结果和每个数字序列表示的水深值,计算水深数据识别模型的识别损失;进一步,以使水深数据识别模型的识别损失下降为目标,利用反向传播算法,调整水深数据识别模型的模型参数。
其中,水深数据识别模型的识别损失用于表示水深数据识别模型对输入的样本水深值图像得到的水深值识别结果与该样本水深值图像对应的数字序列表示的水深值之间的差异程度。
水深数据识别模型的模型参数包括水深数据识别模型中各网络层中的节点(如神经元)的数量、不同网络层中的节点之间的连接关系及连接边权重、各网络层中的节点对应的偏置等。
需要说明的是,上述过程仅为一次调整过程,实际应用中,可能需要进行多次调整,因而可重复执行上述调整过程多次,直至满足预设训练停止条件为止。其中,预设训练停止条件可以根据实际需要进行设置,比如预设训练停止条件可以包括水深数据识别模型的分类损失小于预设损失阈值或者调整次数达到预设次数等,本申请实施例对此不作限定。
通过本申请的一个或多个实施例提供的水深数据识别模型的训练方法,利用栅格海图中表示的水深值通常由一串数字表示这一规律,基于样本栅格海图中水深值的数据属性,比如水深值的数值等,对预设数字集合中的数字进行组合,得到多个数字序列,由此每个数字序列即可表示一个水深值;接着,利用图像处理技术,针对每个数字序列,基于该数字序列、预设模板图像以及样本栅格海图中水深值的字符参数,生成包含该数字序列的候选水深值图像,该候选水深值图像及其包含的数字序列所表示的水深值,即可用作训练水深数据识别模型的训练数据,由此训练数据的获取仅利用图像处理技术即可自动生成,相较于手动从栅格海图中截取水深值图像的方式,效率高,可用于适用于大批量的训练样本采集,有利于提升水深数据识别模型的训练效率,且训练样本的质量不受人为因素的影响,有利于提高水深数据识别模型的准确性;在此基础上,通过对候选水深值图像和预先设置好的样本背景图像进行融合处理,得到该数字序列对应的样本水深值图像,该样本水深值图像既包含了表示水深值的数字序列,又融合了样本背景图像,能够更接近真实的栅格海图的背景,进一步基于多个数字序列分别对应的样本水深值图像和每个数字序列表示的水深值,对水深数据识别模型进行训练,有利于增强水深数据识别模型的准确性和稳定性。
本申请实施例还提供一种水深数据识别方法,该方法可利用通过上述水深数据识别模型的训练方法训练出的水深数据识别模型,对栅格海图中的水深点及其对应的水深值进行识别。请参见图4,为本申请的一个实施例提供的一种水深数据识别方法的流程示意图,该方法可以包括如下步骤:
S402,从目标栅格海图中提取包含目标数字序列的图像区域,并确定图像区域在栅格坐标系下的栅格坐标位置。
其中,目标栅格海图是指待识别的栅格海图。目标数字序列用于表示目标栅格海图中的目标水深点的水深值。
其中,图像区域的栅格坐标位置包括该图像区域的顶点Pt在目标栅格海图中的像素位置(rowi,colj),其中,Pt表示图像区域的顶点,rowi表示目标栅格海图中的第i行像素,colj表示目标栅格海图中的第j列像素。
S404,基于图像区域的栅格坐标位置以及栅格坐标系与地理坐标系之间的映射关系,确定目标水深点在地理坐标系下的地理坐标位置。
具体而言,可基于图像区域的顶点在目标栅格海图中的像素位置,计算图像区域的中心点在目标栅格海图中的像素位置,并将该像素位置作为目标水深点的栅格坐标位置;进一步,基于栅格坐标系与地理坐标系之间的映射关系,将目标水深点的栅格坐标位置转换到地理坐标系下,即可得到目标水深点在地理坐标系下的地理坐标位置。
S406,通过水深数据识别模型对图像区域进行识别,得到目标水深点的水深值。
其中,水深数据识别模型为基于上述本申请的一个或多个实施例提供的水深数据识别模型的训练方法训练得到的。
具体而言,将图像区域的图像数据输入水深数据识别模型,即可得到目标水深点的水深值。
S408,基于目标水深点的水深值和目标水深点在地理坐标系下的地理坐标位置,确定图像区域对应的水深数据。
具体而言,可将目标水深点在地理坐标系下的地理坐标位置作为键(Key),并将目标水深点的水深值作为值(Value),由此构成的键值对即可作为图像区域对应的水深数据。也就是说,图像区域对应的水深数据包括图像数据表示的目标水深点的水深值以及目标水深点在地理坐标系下的地理坐标位置。
通过本申请的一个或多个实施例提供的水深数据识别方法,在通过本申请实施例提出的水深数据识别模型的训练方法训练得到水深数据识别模型之后,利用该水深数据识别模型对从目标栅格海图中提取的包含目标数字序列的图像区域进行识别,可以识别出该图像区域所表示的目标水深点的水深值,由于水深数据识别模型的准确性和稳定性高,进而识别出的水深值更准确;此外,还基于该图像区域在栅格坐标系下的栅格坐标位置以及栅格坐标系与地理坐标系之间的映射关系,确定目标水深点在地理坐标系下的地理坐标位置,由于目标水深点的地理坐标位置是通过坐标映射关系得到的,进而目标水深点的地理坐标位置也更准确;进一步,基于目标水深点的地理坐标位置和水深值即可准确确定出图像区域对应的水深数据,有利于提高目标栅格海图中水深数据的识别准确性。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
此外,与上述图1所示的水深数据识别模型的训练方法相对应地,本申请实施例还提供一种水深数据识别模型的训练装置。请参见图5,为本申请的一个实施例提供的一种水深数据识别模型的训练装置500的结构示意图,该装置500可以包括:
第一生成单元510,用于基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
第二生成单元520,用于基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列;
融合单元530,用于对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
训练单元540,用于基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
可选地,所述字符参数包括所述样本栅格海图中水深值的数据格式信息、字体信息以及数字尺寸信息;
所述第二生成单元具体用于:
基于所述字体信息,对所述目标数字序列中每个数字的字体进行调整,得到候选水深值文本;
基于所述数据格式信息和所述数字尺寸信息,对所述候选水深值文本中每个数字的尺寸进行调整,得到目标水深值文本;
在所述预设模板图像中添加所述目标水深值文本,得到所述候选水深值图像。
可选地,所述数据格式信息包括水深值的小数位数;
所述数字尺寸信息包括如下信息中的至少一种:水深值中相邻两个数字之间的间距、水深值中整数部分的数字的尺寸、水深值中小数部分的数字的尺寸;
所述字体信息包括如下信息中的至少一种:水深值中每个数字的字体大小、字体颜色、字体类型。
可选地,所述融合单元具体用于:
从所述样本背景图像中提取与所述候选水深值图像匹配的目标背景图像数据;
将所述候选水深值图像的图像数据与所述目标背景图像数据进行融合,得到所述目标数字序列对应的样本水深值图像。
可选地,所述融合单元,从所述样本背景图像中提取与所述候选水深值图像匹配的目标背景图像数据,包括:
对所述候选水深值图像进行图像处理和识别,以确定所述候选水深值图像中包含所述目标数字序列的感兴趣区域以及所述感兴趣区域的尺寸信息;
在所述样本背景图像中提取与所述感兴趣区域的尺寸信息匹配的图像数据,作为所述目标背景图像数据。
可选地,所述融合单元,将所述候选水深值图像的图像数据与所述目标背景图像数据进行融合,得到所述目标数字序列对应的样本水深值图像,包括:
对所述目标背景图像数据进行高斯滤波处理,得到目标滤波图像数据;
将所述感兴趣区域的图像数据与所述目标滤波图像数据进行融合,得到所述目标数字序列对应的样本水深值图像。
可选地,所述融合单元还用于:
在对所述候选水深值图像和样本背景图像进行融合处理之前,从所述样本栅格海图中截取包含目标物标的物标图像区域;
将所述物标图像区域作为所述样本背景图像。
显然,本申请实施例提供的水深数据识别模型的训练装置能够作为图1所示的水深数据识别模型的训练方法的执行主体,例如,图1所示的水深数据识别模型的训练方法中步骤S102可由图5所示的水深数据识别模型的训练装置中的第一生成单元执行,步骤S104可由水深数据识别模型的训练装置中的第二生成单元执行,步骤S106可由水深数据识别模型的训练装置中的融合单元执行,步骤S108可由水深数据识别模型的训练装置中训练单元执行。
根据本申请的另一个实施例,图5所示的水深数据识别模型的训练装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,水深数据识别模型的训练装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括中央处理单元(CentralProcessing Unit,CPU)、随机存取存储介质(Random Access Memory,RAM)、只读存储介质(Read-Only Memory,ROM)等处理元件和存储元件的例如计算机的通用计算设备上,运行能够执行如图1所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图5中所示的水深数据识别模型的训练装置,以及来实现本申请实施例的水深数据识别模型的训练方法。所述计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质转载于电子设备中,并在其中运行。
此外,与上述图4所示的水深数据识别方法相对应地,本申请实施例还提供一种水深数据识别装置。请参见图6,为本申请的一个实施例提供的一种水深数据识别装置600的结构示意图,该装置600可以包括:
第一确定单元610,用于从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
第二确定单元620,用于基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
识别单元630,用于通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于上述水深数据识别模型的训练方法训练得到的;
第三确定单元640,用于基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
显然,本申请实施例提供的水深数据识别装置能够作为图4所示的水深数据识别方法的执行主体,例如,图4所示的水深数据识别方法中步骤S402可由图6所示的水深数据识别装置中的第一确定单元执行,步骤S404可由水深数据识别装置中的第二确定单元执行,步骤S406可由水深数据识别装置中的识别单元执行,步骤S408可由水深数据识别装置中的第三确定单元执行。
根据本申请的另一个实施例,图6所示的水深数据识别装置中的各个单元可以分别或全部合并为一个或若干个另外的单元来构成,或者其中的某个(些)单元还可以再拆分为功能上更小的多个单元来构成,这可以实现同样的操作,而不影响本申请实施例的技术效果的实现。上述单元是基于逻辑功能划分的,在实际应用中,一个单元的功能也可以由多个单元来实现,或者多个单元的功能由一个单元实现。在本申请的其他实施例中,水深数据识别装置也可以包括其他单元,在实际应用中,这些功能也可以由其他单元协助实现,并且可以由多个单元协作实现。
根据本申请的另一个实施例,可以通过在包括CPU、RAM、ROM等处理元件和存储元件的例如计算机的通用计算设备上,运行能够执行如图4所示的相应方法所涉及的各步骤的计算机程序(包括程序代码),来构造如图6中所示的水深数据识别装置,以及来实现本申请实施例的水深数据识别方法。所述计算机程序可以记载于例如计算机可读存储介质上,并通过计算机可读存储介质转载于电子设备中,并在其中运行。
图7是本申请的一个实施例电子设备的结构示意图。请参考图7,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成水深数据识别模型的训练装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列;
对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
或者,处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成水深数据识别装置。处理器,执行存储器所存放的程序,并具体用于执行以下操作:
从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于本申请实施例提供的水深数据识别模型的训练方法训练得到的;
基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
上述如本申请图1所示实施例揭示的水深数据识别模型的训练装置执行的方法或者上述如本申请图4所示实施例揭示的水深数据识别装置执行的方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1的方法,并实现水深数据识别模型的训练装置在图1所示实施例的功能,或者,该电子设备还可执行图4的方法,并实现水深数据识别装置在图4所示实施例的功能,本申请实施例在此不再赘述。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列;
对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
或者,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图4所示实施例的方法,并具体用于执行以下操作:
从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于本申请实施例提供的水深数据识别模型的训练方法训练得到的;
基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (9)
1.一种水深数据识别模型的训练方法,其特征在于,包括:
基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列,所述字符参数包括所述样本栅格海图中水深值的数据格式信息、字体信息以及数字尺寸信息,其中,所述数据格式信息包括水深值的小数位数;所述数字尺寸信息包括如下信息中的至少一种:水深值中相邻两个数字之间的间距、水深值中整数部分的数字的尺寸、水深值中小数部分的数字的尺寸;所述字体信息包括如下信息中的至少一种:水深值中每个数字的字体大小、字体颜色、字体类型;
对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
2.根据权利要求1所述的方法,其特征在于,所述基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,包括:
基于所述字体信息,对所述目标数字序列中每个数字的字体进行调整,得到候选水深值文本;
基于所述数据格式信息和所述数字尺寸信息,对所述候选水深值文本中每个数字的尺寸进行调整,得到目标水深值文本;
在所述预设模板图像中添加所述目标水深值文本,得到所述候选水深值图像。
3.根据权利要求1所述的方法,其特征在于,所述对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像,包括:
从所述样本背景图像中提取与所述候选水深值图像匹配的目标背景图像数据;
将所述候选水深值图像的图像数据与所述目标背景图像数据进行融合,得到所述目标数字序列对应的样本水深值图像。
4.根据权利要求3所述的方法,其特征在于,所述从所述样本背景图像中提取与所述候选水深值图像匹配的目标背景图像数据,包括:
对所述候选水深值图像进行图像处理和识别,以确定所述候选水深值图像中包含所述目标数字序列的感兴趣区域以及所述感兴趣区域的尺寸信息;
在所述样本背景图像中提取与所述感兴趣区域的尺寸信息匹配的图像数据,作为所述目标背景图像数据。
5.根据权利要求4所述的方法,其特征在于,所述将所述候选水深值图像的图像数据与所述目标背景图像数据进行融合,得到所述目标数字序列对应的样本水深值图像,包括:
对所述目标背景图像数据进行高斯滤波处理,得到目标滤波图像数据;
将所述感兴趣区域的图像数据与所述目标滤波图像数据进行融合,得到所述目标数字序列对应的样本水深值图像。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在对所述候选水深值图像和样本背景图像进行融合处理之前,所述方法还包括:
从所述样本栅格海图中截取包含目标物标的物标图像区域;
将所述物标图像区域作为所述样本背景图像。
7.一种水深数据识别方法,其特征在于,包括:
从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于权利要求1至6中任一项所述的方法训练得到的;
基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
8.一种水深数据识别模型的训练装置,其特征在于,包括:
第一生成单元,用于基于样本栅格海图中水深值的数据属性,对预设数字集合中的数字进行组合,得到多个数字序列,每个数字序列表示一个水深值;
第二生成单元,用于基于预设模板图像、所述样本栅格海图中水深值的字符参数以及目标数字序列,生成包含所述目标数字序列的候选水深值图像,所述目标数字序列为所述多个数字序列中的任一个数字序列,所述字符参数包括所述样本栅格海图中水深值的数据格式信息、字体信息以及数字尺寸信息,其中,所述数据格式信息包括水深值的小数位数;所述数字尺寸信息包括如下信息中的至少一种:水深值中相邻两个数字之间的间距、水深值中整数部分的数字的尺寸、水深值中小数部分的数字的尺寸;所述字体信息包括如下信息中的至少一种:水深值中每个数字的字体大小、字体颜色、字体类型;
融合单元,用于对所述候选水深值图像和样本背景图像进行融合处理,得到所述目标数字序列对应的样本水深值图像;
训练单元,用于基于所述多个数字序列分别对应的样本水深值图像以及所述多个数字序列分别表示的水深值,训练水深数据识别模型。
9.一种水深数据识别装置,其特征在于,包括:
第一确定单元,用于从目标栅格海图中提取包含目标数字序列的图像区域,并确定所述图像区域在栅格坐标系下的栅格坐标位置,其中,所述目标数字序列用于表示所述目标栅格海图中的目标水深点的水深值;
第二确定单元,用于基于所述图像区域的栅格坐标位置以及所述栅格坐标系与地理坐标系之间的映射关系,确定所述目标水深点在所述地理坐标系下的地理坐标位置;
识别单元,用于通过水深数据识别模型对所述图像区域进行识别,得到所述目标水深点的水深值,所述水深数据识别模型为基于权利要求1至6中任一项所述的方法训练得到的;
第三确定单元,用于基于所述目标水深点的水深值和所述目标水深点在所述地理坐标系下的地理坐标位置,确定所述图像区域对应的水深数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211441295.7A CN115908998B (zh) | 2022-11-17 | 2022-11-17 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211441295.7A CN115908998B (zh) | 2022-11-17 | 2022-11-17 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908998A CN115908998A (zh) | 2023-04-04 |
CN115908998B true CN115908998B (zh) | 2023-06-09 |
Family
ID=86492785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211441295.7A Active CN115908998B (zh) | 2022-11-17 | 2022-11-17 | 水深数据识别模型的训练方法、水深数据识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908998B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435445A (zh) * | 2019-12-24 | 2020-07-21 | 珠海大横琴科技发展有限公司 | 字符识别模型的训练方法及装置、字符识别方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9880537B2 (en) * | 2015-08-05 | 2018-01-30 | Clearag, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
CN110823190B (zh) * | 2019-09-30 | 2020-12-08 | 广州地理研究所 | 基于随机森林的岛礁浅海水深预测方法 |
CN113850747B (zh) * | 2021-09-29 | 2024-06-14 | 重庆理工大学 | 一种基于光衰减和深度估计的水下图像清晰化处理方法 |
CN114067019B (zh) * | 2021-09-29 | 2024-07-05 | 天津大学 | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 |
CN114170393A (zh) * | 2021-11-30 | 2022-03-11 | 上海埃威航空电子有限公司 | 基于多种数据的三维地图场景搭建方法 |
CN114724045A (zh) * | 2022-03-14 | 2022-07-08 | 陕西九州遥感信息技术有限公司 | 一种濒陆浅海水下地形反演方法 |
CN114973010A (zh) * | 2022-05-11 | 2022-08-30 | 自然资源部第一海洋研究所 | 基于无先验数据的遥感水深反演模型迁移方法 |
CN115077556B (zh) * | 2022-07-26 | 2022-11-18 | 中国电子科技集团公司第二十八研究所 | 一种基于多维度地图的无人车野战路径规划方法 |
CN115345069A (zh) * | 2022-07-28 | 2022-11-15 | 中国科学院南京地理与湖泊研究所 | 一种基于最大水深记录和机器学习的湖泊水量估算方法 |
-
2022
- 2022-11-17 CN CN202211441295.7A patent/CN115908998B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111435445A (zh) * | 2019-12-24 | 2020-07-21 | 珠海大横琴科技发展有限公司 | 字符识别模型的训练方法及装置、字符识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115908998A (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920580B (zh) | 图像匹配方法、装置、存储介质及终端 | |
CN111860502B (zh) | 图片表格的识别方法、装置、电子设备及存储介质 | |
CN111652217A (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN109190007B (zh) | 数据分析方法及装置 | |
CN110287831B (zh) | 一种基于地标的控制点的获取方法、装置和电子设备 | |
CN109978044B (zh) | 训练数据生成方法和装置、以及模型的训练方法和装置 | |
CN112241458B (zh) | 文本的知识结构化处理方法、装置、设备和可读存储介质 | |
CN111652266A (zh) | 用户界面组件的识别方法、装置、电子设备和存储介质 | |
CN115147253A (zh) | 基于区块链的智慧校园图书大数据借阅管理方法及*** | |
CN112818162A (zh) | 图像检索方法、装置、存储介质和电子设备 | |
CN111258905B (zh) | 缺陷定位方法、装置和电子设备及计算机可读存储介质 | |
CN115035347A (zh) | 图片识别方法、装置及电子设备 | |
CN113434672B (zh) | 文本类型智能识别方法、装置、设备及介质 | |
CN115908998B (zh) | 水深数据识别模型的训练方法、水深数据识别方法及装置 | |
CN111967449A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
Song et al. | Self-filtered learning for semantic segmentation of buildings in remote sensing imagery with noisy labels | |
CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN112329814B (zh) | 一种***数据处理方法及设备 | |
CN113239381A (zh) | 一种数据安全加密方法 | |
CN110309313B (zh) | 生成事件转移图谱的方法及装置 | |
CN117808816B (zh) | 图像异常检测方法、装置及电子设备 | |
Wang et al. | Saliency detection by multilevel deep pyramid model | |
CN114662614B (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN116958030A (zh) | 图像检测识别方法、装置、设备、存储介质及程序产品 |
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 |