[發明專利]一種基于深度學習的船舷字符精準檢測方法

在審

• 申請號: 202010500902.7
• 申請日: 2020-06-04
• 公開（公告）號: CN111832556A
• 公開（公告）日: 2020-10-27
• 發明（設計）人: 董超;蔣俊杰;鄭兵;黃志成;劉蔚;田聯房;唐梓力
• 申請（專利權）人: 國家海洋局南海調查技術中心（國家海洋局南海浮標中心）;華南理工大學;珠海云洲智能科技有限公司
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;麥小嬋

1.一種基于深度學習的船舷字符精準檢測方法，其特征在于，包括：

實時獲取目標圖像，將所述目標圖像輸入船舶檢測分類模型，得到含有船舷字符的船舶圖像；其中，所述船舶檢測分類模型對輸入的目標圖像進行檢測分類得到含有船舷字符的第一圖像，以及對第一圖像中的船舶進行定位得到所述第一圖像中船舶的定位位置，并根據所述定位位置對所述第一圖像進行截取處理，得到含有船舷字符的船舶圖像；

對所述船舶圖像進行預處理，得到預處理圖像；

將所述預處理圖像輸入船舷字符識別模型，得到船舷字符信息；其中，所述船舷字符識別模型用于對輸入的預處理圖像進行字符文本識別并輸出船舷字符信息。

2.如權利要求1所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述船舶檢測分類模型的構建過程，包括：

獲取待分類圖像，對所述待分類圖像進行標記分類為含有船舷字符的待分類圖像和不含有船舷字符的待分類圖像，得到待分類圖像數據集；

通過訓練算法對所述待分類圖像數據集進行訓練，得到船舶檢測分類模型。

3.如權利要求2所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述訓練算法為YOLOv3算法。

4.如權利要求1所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述船舷字符識別模型的構建過程，包括：

獲取待識別圖像，將所述待識別圖像輸入所述船舶檢測分類模型，輸出含有船舷字符的待識別圖像，得到待識別圖像數據集；

通過文字識別算法對所述待識別圖像數據集進行訓練，得到船舷字符識別模型。

5.如權利要求4所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述文字識別算法為CTPN文字識別算法。

6.如權利要求1所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述預處理的步驟，具體為：根據預設的圖像尺寸大小對所述船舶圖像進行尺寸調整。

7.如權利要求1所述的基于深度學習的船舷字符精準檢測方法，其特征在于，所述實時獲取目標圖像的步驟中，包括：實時獲取港口的船舶視頻文件，對所述船舶視頻文件進行圖像幀切割處理，得到含有船舶的圖像幀文件作為目標圖像。

8.一種基于深度學習的船舷字符精準檢測裝置，其特征在于，包括：

圖像分類模塊，用于實時獲取目標圖像，將所述目標圖像輸入船舶檢測分類模型，得到含有船舷字符的船舶圖像；其中，所述船舶檢測分類模型對輸入的目標圖像進行檢測分類得到含有船舷字符的第一圖像，以及對第一圖像中的船舶進行定位得到所述第一圖像中船舶的定位位置，并根據所述定位位置對所述第一圖像進行截取處理，得到含有船舷字符的船舶圖像；

圖像處理模塊，用于對所述船舶圖像進行預處理，得到預處理圖像；

圖像識別模塊，用于將所述預處理圖像輸入船舷字符識別模型，得到船舷字符信息；其中，所述船舷字符識別模型用于對輸入的預處理圖像進行字符文本識別并輸出船舷字符信息。

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質包括存儲的計算機程序；其中，所述計算機程序在運行時控制所述計算機可讀存儲介質所在的設備執行如權利要求1～7任一項所述的基于深度學習的船舷字符精準檢測方法。

10.一種終端設備，其特征在于，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執行的計算機程序，所述處理器在執行所述計算機程序時實現如權利要求1～7任一項所述的基于深度學習的船舷字符精準檢測方法。