本发明涉及图像识别技术领域,尤其是一种船只与水面分界线测定方法。
背景技术:
目前散装货运船只货物交付以水尺计量方式进行贸易结算。水尺计量是以船四周均匀分布的6个刻度尺为依据,取其平均值计算得到的结果,以这样的方式对船的毛重和皮重两个状态分别进行测量、计算,其差值为货物的重量。水尺测量虽然直观,但受江面波浪和人的目测等因素的影响,往往导致测量结果误差大,容易在结算过程有失公允。另外,在整个测量过程中,基本上依赖人工测量,现场测量和计算一般需要近3个小时,效率低影响卸船时间。
采用计算机图像识别技术,处理手机拍摄的视频数据获得水尺读值能够减少人工目测的误差。在水尺计量过程中包括水尺定位、水面分界线定位、水尺读值、装卸量计算四个主要过程,水面分界线是指船只与水面的分界线,水面分界线定位的作用是确定船只与水面的交界点,用于确定水尺读值。
常规方法中,视频图像中水尺区域的水面分界线常无法确认,受以下因素影响水体的清澈度与光线相互作用、不同色彩船体的水渍、水面船体倒影色泽与船体相似、船体自身焊接纹路影响水面分界线判定、阳光反射、部分拍摄视频中存在岸边水面船体三个分界面、部分船体上下两色吃水线靠近水面线等。
技术实现要素:
本发明的目的是提供了一种安全、可靠的船只与水面分界线测定方法。
本发明解决上述技术问题采用的技术方案为:船只与水面的分界线识别流程如下:
场景识别->边缘检测->hsv叠加处理->rgb叠加处理->分界线测量->分界线拟合;水面分界定位的输入是拍摄视频、水尺区域图像、水尺对象集合b,输出是分界线拟合曲线。
场景识别:应用深度学习算法预先判断出当前识别场景属于双分界面还是三分界面,船体主体色彩组成。
边缘检测:对图像的rgb、hsv分别检测船体边缘获得轮廓线对象组,应用船体色彩矩阵综合判断船体与水面分界的轮廓线,初步定位水面分界线a
hsv叠加处理与rgb叠加处理主要是为了增强分界面两侧图像的对比度和分界线与与两侧图像的对比度。
分界线测量:将经过hsv叠加处理和rgb叠加处理的图像区域与纵向切分,并以水面分界线a为低点,获得切片分组,对每个切片分别测量,计算获得量值组。
分界线拟合曲线:将量值组拟合成输出图像等宽的分界线数组输出,用于水尺计量。
本发明与现有技术相比的优点在于:在本发明解决的船舶水尺测量中的水面分界线精确定位问题,拍摄距离可在1-20米内任意调整,达到了计量千分5误差范围内,与人眼观察识别误差<2cm,具有抗干扰能到高,识别率95%以上。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
如图1所示,船只与水面的分界线识别流程如下:
场景识别->边缘检测->hsv叠加处理->rgb叠加处理->分界线测量->分界线拟合;水面分界定位的输入是拍摄视频、水尺区域图像、水尺对象集合b,输出是分界线拟合曲线。
场景识别:应用深度学习算法预先判断出当前识别场景属于双分界面还是三分界面,船体主体色彩组成。本实施例采用的是神经网络学习算法。所述神经网络训练参数包括迭代次数:60000;学习率:0.2;权重减少系数:0.0003,进行神经网络训练训练运用前馈算法进行参数学习。
边缘检测:对图像的rgb、hsv分别检测船体边缘获得轮廓线对象组,应用船体色彩矩阵综合判断船体与水面分界的轮廓线,初步定位水面分界线a
hsv叠加处理与rgb叠加处理主要是为了增强分界面两侧图像的对比度和分界线与与两侧图像的对比度。
分界线测量:将经过hsv叠加处理和rgb叠加处理的图像区域与纵向切分,并以水面分界线a为低点,获得切片分组,对每个切片分别测量,计算获得量值组。
分界线拟合曲线:将量值组拟合成输出图像等宽的分界线数组输出,用于水尺计量。
在本发明解决的船舶水尺测量中的水面分界线精确定位问题,拍摄距离可在1-20米内任意调整,达到了计量千分5误差范围内,与人眼观察识别误差<2cm,具有抗干扰能到高,识别率95%以上。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
1.一种船只与水面分界线测定方法,其特征在于,包括以下步骤:
步骤1,场景识别:应用深度学习算法预先判断出当前识别场景属于双分界面还是三分界面,船体主体色彩组成;
步骤2,边缘检测:对图像的rgb、hsv分别检测船体边缘获得轮廓线对象组,应用船体色彩矩阵综合判断船体与水面分界的轮廓线,初步定位水面分界线a;
步骤3,hsv叠加处理与rgb叠加处理:增强分界面两侧图像的对比度和分界线与与两侧图像的对比度;
步骤4,分界线测量:将经过hsv叠加处理和rgb叠加处理的图像区域与纵向切分,并以水面分界线a为低点,获得切片分组,对每个切片分别测量,计算获得量值组;
步骤5,分界线拟合曲线:将量值组拟合成输出图像等宽的分界线数组输出,用于水尺计量。
2.根据权利要求1所述的一种船只与水面分界线测定方法,其特征在于,应用深度学习算法预先判断出当前识别场景采用的是神经网络学习算法。
3.根据权利要求2所述的一种船只与水面分界线测定方法,其特征在于,所述神经网络训练参数包括迭代次数:60000;学习率:0.2;权重减少系数:0.0003,进行神经网络训练训练运用前馈算法进行参数学习。