[發明專利]一種基于深度學習的船舶水尺讀數識別方法

在審

• 申請號: 202010445348.7
• 申請日: 2020-05-24
• 公開（公告）號: CN111652213A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 李俊峰;張鋼強
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/34;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州中成專利事務所有限公司 33212
• 代理人: 金祺

1.一種基于深度學習的船舶水尺讀數識別方法，包括以下步驟：

步驟1，輸入采集的至少2000萬像素的船舶水尺圖像；

步驟2，吃水線分割：利用訓練好的改進后的UNet網絡模型，對船舶水尺圖像進行吃水線分割，從圖像中分離船舶區域和水面區域，從而獲得已分割的船舶水尺圖像；

步驟3，吃水線處的水尺標志候選區域圖像的獲取：從已分割的船舶水尺圖像中分離出只包含船舶部分的吃水線圖像，然后分別在灰度圖和CIELab色彩空間的L通道圖像上進行最大穩定極值區域MSER的提取且合并獲得水尺標志候選區域圖像；

步驟4，非吃水線處水尺標志識別：根據水尺標志候選區域圖像中的blob特征過濾掉一部分偽字符區域，采用連通區域寬高比和連通區域外接矩形占比特征篩選水尺標志候選區域，然后使用訓練好的卷積神經網絡對字符候選區進行分類和識別，得到已識別的水尺標志圖像；

步驟5，吃水線處水尺標志識別：吃水線處半殘字符識別和基于像素距離的讀數計算，根據連通區域寬高比和連通外接矩形占比對吃水線處的水尺標志連通區域進行篩選，篩選處半缺的水尺標志，然后通過最下端連通區域重心和水尺標志傾斜角度確定離吃水線處最近字符區域上邊緣交點與吃水線交點；

步驟6，水尺標志實際讀數計算：根據相鄰水尺標志連通區域重心的連線計算出單位像素表示的實際讀數，然后基于離吃水線處最近字符區域上邊緣交點與吃水線交點計算出船舶水尺的實際讀數。

2.根據權利要求1所述的一種基于深度學習的船舶水尺讀數識別方法，其特征在于，步驟2包括：

步驟2-1改進Unet網絡：

基于MnasNet網絡結構，采用同時優化精度Accuracy以及計算量FLOPS的方法，生成EfficientNet-B0，然后在EfficientNet-B0基礎上采用混合維度放大法，變動網絡深度、網絡寬度和圖像分辨率得到EfficientNet-B1～EfficientNet-B7網絡系列；選用EfficientNet-B1網絡模型為改進后的Unet網絡的encode部分；

步驟2-2、分割船舶水尺圖像：

對改進后的Unet網絡進行訓練，確定改進后的Unet網絡參數，然后將步驟1獲取的船舶水尺圖像輸入到訓練好的改進后的Unet網絡，先經過encoder進行圖片特征提取，再把獲得的特征圖送入到decoder進行解碼，經過d_conv和上采樣模塊最終獲得已分割的船舶水尺圖像。

3.根據權利要求2所述的一種基于深度學習的船舶水尺讀數識別方法，其特征在于，步驟3包括：

步驟3-1、分離船舶水尺圖像：

從步驟2獲得的已分割的船舶水尺圖像中分離出只包含船舶部分的吃水線圖像，計算公式為：

part_img＝bin_img and src_img

其中part_img是只包含船舶部分的吃水線圖像，bin_img是步驟2中得到已分割的船舶水尺圖像，and是圖像之間的交運算，src_img是對應于bin_img未處理的原圖像；

步驟3-2、對步驟3-1獲得的part_img在灰度圖和CIELab色彩空間的L通道圖像上進行最大穩定極值區域的提取，然后進行進行合并操作，獲得水尺標志候選區域圖像，計算公式為：

candidata_regions＝gray_MSER(gray)or L_MSER(L)

其中，gray_MSER是對灰度圖MSER操作，L_MSER是對L通道圖像進行MSER操作，or是二值圖像并操作，candidata_regions是提取的水尺標志候選區域。