详情

原文传递一种基于复合卷积神经网络的船舶舱室浸水识别方法

专利名称：	一种基于复合卷积神经网络的船舶舱室浸水识别方法
摘要：	本发明公开了一种基于复合卷积神经网络的船舶舱室浸水识别方法，属于船舶浸水识别技术领域。包括以下步骤：S1、获取船舶舱室浸水图片数据，并对所述图片数据进行预处理，得到图像数据集；S2、构建复合神经网络，并基于所述图像数据集对所述复合神经网络进行训练，基于训练后的所述复合神经网络对船舶舱室图像进行进水识别，得出识别结果。本发明使用复合卷积神经网络的方法进行船舶舱室浸水识别，可以提高识别精度，增加决策者应对突发浸水事件的能力，极大程度上节省人力、防止工作人员工作疏漏导致错过堵漏救援第一时间。
专利类型：	发明专利
国家地区组织代码：	黑龙江;23
申请人：	哈尔滨工程大学
发明人：	杨东梅;李泽;娄云龙;张祺;陈瞰君;王兴梅;张越;张万松;陈松涛
专利状态：	有效
申请日期：	2023-09-07T00:00:00+0800
发布日期：	2023-11-21T00:00:00+0800
申请号：	CN202311149193.2
公开号：	CN117095296A
代理机构：	北京东方盛凡知识产权代理有限公司
代理人：	张凯
分类号：	G06V20/10;G06V10/20;G06V10/774;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08;G;G06;G06V;G06N;G06V20;G06V10;G06N3;G06V20/10;G06V10/20;G06V10/774;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08
申请人地址：	150001 黑龙江省哈尔滨市南岗区南通大街145号
主权项：	1.一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，包括以下步骤： S1、获取船舶舱室浸水图片数据，并对所述图片数据进行预处理，得到图像数据集； S2、构建复合神经网络，并基于所述图像数据集对所述复合神经网络进行训练，基于训练后的所述复合神经网络对船舶舱室图像进行进水识别，得出识别结果。 2.根据权利要求1所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述预处理的方法包括：缩放、平移、旋转、标注和图像增强。 3.根据权利要求2所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述图像增强的方法包括：将所述图片数据按照随机比率进行缩放和长宽扭曲，按照512×512像素大小进行灰色填充；对填充完的所述图片数据进行翻转，调整HSV色域中色调、饱和度、明度三个通道，完成图像增强。 4.根据权利要求1所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述复合神经网络包括：VGG-U-net网络结构和ResNet-U-net网络结构。 5.根据权利要求4所示一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述VGG-U-net网络结构包括编码网络和解码网络；所述编码网络和所述解码网络均包括五个特征层。 6.根据权利要求4所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述ResNet-U-net网络结构包括编码器部分和解码器部分；所述编码器部分包括50层Resnet50，利用1×1卷积下降通道数，然后用3×3卷积进行特征提取，然后再利用1×1卷积核提升通道数。 7.根据权利要求6所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述特征提取的过程包括： conv_1：对图像进行7×7大小，64通道卷积核，步长为2，填充为3的卷积操作，然后经过BN层和ReLU激活得到256×256×64大小的特征图； conv_2：对256×256×64大小的特征图先进行步长为2，填充为0的3×3最大化池操作，得到尺寸为128×128×64的特征图，然后利用Bottleneck残差学习模块迭代3次，得到128×128×256大小的特征图；所述Bottleneck残差学习模块每层卷积的通道数分别为64，64，256，卷积后BN操作，3×3卷积步长为1； conv_3：对128×128×256大小的特征图利用Bottleneck残差学习模块迭代4次，得到64×64×512大小的特征图；所述Bottleneck残差学习模块每层卷积的通道数分别为128，128，512，卷积后BN操作，3×3卷积步长为2； conv_4：对64×64×512大小的特征图利用Bottleneck残差学习模块迭代6次，得到32×32×1024大小的特征图；所述Bottleneck残差学习模块每层卷积的通道数分别为256，256，1024，卷积后BN操作，3×3卷积步长为2； conv_5：对32×32×1024大小的特征图利用Bottleneck残差学习模块迭代3次，得到16×16×2048大小的特征图；所述Bottleneck残差学习模块每层卷积的通道数分别为256，256，1024，卷积后BN操作，3×3卷积步长为2。 8.根据权利要求7所述一种基于复合卷积神经网络的船舶舱室浸水识别方法，其特征在于，所述解码网络的工作流程包括：首先对conv_5进行上采样，之后与conv_4做特征拼接，得到32×32×3072的特征图，然后进行两次512通道的3×3卷积+ReLU激活，得到32×32×512大小的特征图；对得到的32×32×512特征图进行上采样，之后与conv_3做特征拼接，得到64×64×1024的特征图，然后进行两次256通道的3×3卷积+ReLU激活，得到64×64×256大小的特征图；对得到的64×64×256特征图进行上采样，之后与conv_2做特征拼接，得到128×128×512的特征图，然后进行两次128通道的3×3卷积+ReLU激活，得到128×128×128大小的特征图；对得到的128×128×128特征图进行上采样，之后与conv_1做特征拼接，得到256×256×192的特征图，然后进行两次64通道的3×3卷积+ReLU激活，得到256×256×64大小的特征图；对得到的256×256×64特征图进行上采样，得到512×512×64的最终特征图，然后使用1×1卷积将通道数调整为分类类别个数，得到最终用于预测的特征图。