[發明專利]一種級聯式由粗到精的卷積神經網絡船舶類型識別方法

在審

• 申請號: 201811025411.0
• 申請日: 2018-09-04
• 公開（公告）號: CN109299671A
• 公開（公告）日: 2019-02-01
• 發明（設計）人: 陳信強;楊勇生;吳華鋒;萇道方;于澤崴;張倩楠;陳晶;傅俊杰;趙建森;陳輝興
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 包姝晴

本發明提出了一種級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，本方法采用隨機啟發式選擇機制來動態調整深度網絡的結構和參數設置，本方法通過粗糙級訓練和精細級訓練兩個步驟訓練得到可識別船舶類型的深度卷積神經網絡。其中，粗糙級訓練過程與傳統深度卷積神經網絡的訓練過程類似，該訓練過程的輸入樣本是船舶圖片。精細級訓練過程則針對粗糙級訓練過程中，船舶類型識別精度最低的商船圖片，對深度卷積神經網絡再次訓練，以提高船舶類型識別的整體精度。本發明的方法對不同的船舶類型均可以得到較好的識別精度，為自動化的船舶類型識別，船舶智能航行提供信息支持。

技術領域

本發明涉及一種海事視頻監控技術領域，尤其涉及一種級聯式由粗到精的卷積神經網絡船舶類型識別方法。

背景技術

目前，船舶交通服務(Vessel Traffic Service，VTS)和船舶自動識別系統(Automatic Identification System,AIS)是獲取船舶類型信息的主要手段。船舶進入VTS報告線后，船上的值班人員通過甚高頻電話向海事監管部門報告本船基本信息，比如目的港、出發港、船舶類型等。此外，AIS系統也會通過廣播周期性地分發本船的靜態和動態信息，包括本船船型、船位、呼號、船名、總噸位、船舶吃水和航速等。但AIS用戶需要提前為AIS系統手動輸入船舶的船舶類型、船舶呼號等靜態信息。從上述分析可知VTS和AIS都需要借助人工參與才能獲得船舶類型信息。隨著海上交通量的快速增長和船隊規模的迅速擴張，這些傳統的船舶類型獲取方法需要人工干預的工作越來越大。因此，利用傳統的技術手段獲取船舶類型信息是一項非常耗時的工作。基于可視化數據信息的船舶類型自動化識別，是無人船舶時代和智能航行時代的需要應對的重要挑戰之一。

發明內容

本發明的目的是為了提供一種級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，對常見的船舶(包括集裝箱船、油輪、化學品船、散貨船、雜貨船、液化天然氣船、其他商船)進行識別。以解決傳統的技術手段獲取船舶類型信息非常耗時，不利于提高海事監管效率的問題。

為達到上述目的，本發明提出一種級聯式由粗到精的深度卷積神經網絡船舶類型識別方法，該方法包括以下步驟：

S1：輸入所有船舶類型的圖片和對應的圖片標簽，對由粗到精的深度卷積神經網絡進行粗糙級訓練，得到由粗到精的深度卷積神經網絡的設置參數，及不同船舶類型的訓練識別精度；

S2：利用所述訓練識別精度最低的船舶類型的圖片，對由粗到精的深度卷積神經網絡進行精細級訓練，如果深度卷積神經網絡尚未達到預設的收斂條件，則返回步驟S1繼續訓練，否則執行步驟S3；

S3：對圖片中的船舶進行類型識別，并輸出船舶類型的識別結果。

較佳地，所述的步驟S1包括以下步驟：

S11：將初始輸入的船舶類型的圖片裁剪為固定尺寸，匹配輸入的船舶類型的圖片及對應的圖片標簽，得到格式化的船舶圖像和圖像標簽；

S12：利用所述的格式化的船舶圖像和圖像標簽，對級聯式由粗到精的深度卷積神經網絡進行訓練，得到級聯式由粗到精的深度卷積神經網絡的設置參數，提取不同的船舶類型的深度特征；

S13：根據所述深度特征，得到輸入的船舶類型的圖片的置信度水平分布，將置信度值最大對應的船舶類型輸出為單次訓練識別結果；

S14：根據所述單次訓練識別結果，比較圖片標簽對應的船舶真實所屬類型，獲得不同船舶類型的訓練識別精度。

較佳地，所述的步驟S12包括以下步驟：

S121：所述的級聯式由粗到精的深度卷積神經網絡利用卷積層提取船舶特征；所述船舶特征包括：低級船舶特征，包括船舶紋理、輪廓和角點；高級船舶特征，根據船舶的不同類型對低級船舶特征進行相應的高度抽象而獲得；