[發明專利]基于深度學習的船基視頻圖像海冰厚度測量方法及系統

有效

• 申請號: 202011605955.1
• 申請日: 2020-12-30
• 公開（公告）號: CN112700489B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 季青;龐小平;趙羲;梁澤毓
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/00;G06T5/00;G06T7/136;G06V10/774;G06V10/776;G06V10/82;G06V10/80;G06N3/0464;G06N3/047;G06N3/082
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

1.一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于，包括以下步驟：

步驟1，輸入翻轉海冰關鍵幀識別數據集并進行圖像增強，劃分訓練數據集和測試數據集；所述翻轉海冰關鍵幀識別數據集中包括從船基海冰視頻中識別所得多幅帶標記的圖像幀，所述標記包括“翻轉海冰”、“海水”、“海冰”和“其他”類別；

步驟2，根據步驟1所得翻轉海冰關鍵幀識別的訓練數據集，基于多尺度的密集連接卷積神經網絡訓練翻轉海冰關鍵幀識別模型，直到根據步驟1所得翻轉海冰關鍵幀識別的測試數據集測試通過時，訓練完成，進入步驟3；所述訓練翻轉海冰關鍵幀識別模型，是通過將步驟1所得翻轉海冰關鍵幀識別的訓練數據集輸入基于多尺度的密集連接卷積神經網絡實現；

所述多尺度的密集連接卷積神經網絡中包括多個密集連接多尺度采樣模塊完成圖像特征下采樣及圖像特征維度調整，每個密集連接多尺度采樣模塊由密集連接模塊和多尺度采樣模塊嵌套組成，實現方式為密集連接模塊將輸入特征先以3×3卷積核卷積一次，再經3個多尺度采樣模塊處理，處理結果再經1×1卷積核、2×2均值池化、批正則化后輸出特征圖，此結構通過將每一個卷積層的輸出特征之前所有卷積層的輸入進行拼接，再將輸出的特征圖傳遞給之后的所有卷積層，充分挖掘圖像深層特征；

步驟3，對待識別的船基海冰視頻數據，進行視頻幀解析，采用步驟2訓練完成的翻轉海冰關鍵幀識別模型，識別“翻轉海冰”類別的圖像幀，并保存為待測量的翻轉海冰圖像幀；

步驟4，基于步驟3所得待測量的翻轉海冰圖像幀，實現海冰厚度測量。

2.根據權利要求1所述的一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于：步驟1中，構建翻轉海冰關鍵幀識別數據集的實現方式為，

從船基海冰視頻中識別所需翻轉海冰關鍵幀，截取并保存標記為“翻轉海冰”類別，識別海水幀，截取并標記為“海水”類別，識別非翻轉的海冰幀，截取并標記為“海冰”類別，截取其他不相關幀標記為“其他”類別。

3.根據權利要求1所述的一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于：步驟1中，圖像增強實現方式為，對四種類別圖像進行亮度、對比度及噪聲處理，以模擬拍攝現場相關因素影響。

4.根據權利要求1所述的一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于：步驟3實現方式包括以下子步驟，

步驟3.1，對待識別的船基海冰視頻數據按設定幀間隔進行視頻幀解析，獲得幀圖像；

步驟3.2，按設定完成幀圖像的相應時間轉換；

步驟3.3，對幀圖像進行中值濾波處理；

步驟3.4，采用步驟2訓練完成的翻轉海冰關鍵幀識別模型，記錄幀時間和識別結果，將識別“翻轉海冰”類別的圖像幀，并保存為待測量的翻轉海冰圖像幀。

5.根據權利要求1或2或3或4所述的一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于：步驟4中，實現海冰厚度測量包括以下步驟，

1)提取參考球像素直徑d；

2)識別圖像中翻轉海冰位置，通過三條線段表示翻轉海冰厚度；

3)由所得各線段端點像素坐標計算提取各線段像素長度；

4)根據已知參考球實際直徑，通過1)所得參考球像素直徑d和3)所得各線段像素長度計算獲得海冰厚度。

6.根據權利要求5所述的一種基于深度學習的船基視頻圖像海冰厚度測量方法，其特征在于：設參考球像素直徑為d，圖像中代表海冰厚度的3條線段的像素長度為d₁、d₂、d₃，根據參考球、海冰厚度的像素尺寸與實際尺寸的對應關系計算每幅圖像的海冰厚度T_N如下，

其中，D表示參考球實際直徑。