[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

本發明公開了一種基于深度學習的船舷字符精準檢測方法，包括：實時獲取目標圖像，將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，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第一圖像中船舶的定位位置，并根據定位位置對第一圖像進行截取處理，得到含有船舷字符的船舶圖像；對船舶圖像進行預處理，得到預處理圖像；將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，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；本發明技術方案實現對細小船舷字符的精準識別，提高船舷字符的識別準確度和檢測效率。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于深度學習的船舷字符精準檢測方法。

背景技術

以往，對船舷號的檢測基本都是通過人眼判別，當船只數量較多或者船只距離較遠時，由于人眼一次只能捕捉一條船只的船舷號，同時當人眼處于遠距離觀測時，船舷號往往顯得不清晰，難以辨別；在此情況下使用這種人眼檢測船舷號的方法往往精確度差、效率低。

隨著大數據時代的來臨以及計算機硬件性能的不斷優化，基于深度學習的方法正在不斷發展。在計算機視覺領域中，卷積神經網絡CNN作為一種深度學習方法，其在目標識別，字符檢測中展現出了強大的性能。技術人員通過搭建卷積神經網絡對預先選取的目標圖像集進行訓練，可自動選取出有效的目標特征信息，同時其自動選取的特征也多種多樣，能夠充分的體現目標特征，提高最終的識別率。為了解決傳統技術中通過人眼檢測船舷號的技術缺陷，現有技術利用深度學習的方法對船舷號進行檢測識別；例如，現有技術通過獲取帶有船舶的圖像進行訓練得到了船舶識別模型，以對船舷號進行識別。但是現有技術中將初始采集的圖像幀直接作為輸入參數進行訓練，而在實際場景中由于獲取圖片時沒法保證采集距離的合適范圍，往往有可能會導致目標船舶在圖片中較小，同時造成船舷字符較小，最終令訓練得到的船舶識別模型的檢測效果不理想。

隨著國家海洋經濟的崛起以及船舶貿易的增加，來往于港口的船舶逐漸增多，如果不能對船舶進行有效的管理，可能會造成港口堵塞，環境污染等負面影響；同時對于違法船只的停泊與出航也需要進行實時管控，使海洋經濟能夠可持續的發展。因此，目前市面上亟需一種船舷字符精準檢測策略，實現對細小船舷字符的精準識別，提高船舷字符的識別準確度和檢測效率。

發明內容

本發明提供了一種基于深度學習的船舷字符精準檢測方法，實現對細小船舷字符的精準識別，提高船舷字符的識別準確度和檢測效率。

為了解決上述技術問題，本發明一實施例提供了一種基于深度學習的船舷字符精準檢測方法，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。

作為優選方案，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。

作為優選方案，所述訓練算法為YOLOv3算法。

作為優選方案，所述船舷字符識別模型的構建過程，包括：