[发明专利]基于深度强化神经网络的内河船舶干舷检测方法

说明书

本发明公开了一种基于深度强化神经网络的内河船舶干舷检测方法，将激光雷达与联动云台设立在内河岸边的高杆上，云台带动激光雷达调整检测高度和朝向角，对船舶的一侧进行扫描，获取不同检测参数下的船舶轮廓图像，利用强化学习神经网络作为强化学习值函数的逼近器，将船舶轮廓信息输入强化学习神经网络，从而确定当前激光雷达与联动云台做出何种动作来正确识别当前船舶干舷。本发明基于卷积神经网络对图像的识别能力，结合强化学习算法共同构建了深度强化神经网络，克服了深度学习网络在船舶超载识别领域现有的技术不足，提升了激光雷达对船舶干舷信息的检测能力，从而为内河船舶吃水情况的自动判别提供了技术支持。

技术领域

本发明涉及一种基于深度强化神经网络的内河船舶干舷检测方法，属于深度学习领域和强化学习技术领域。

背景技术

近年来，船舶超载运输给水上交通运输带来的危害越来越多，船舶超载现象的存在，严重影响了水运企业的社会声誉，妨碍了水运企业竞争力的提高，干扰了水运行业的健康发展。现阶段段，由于受到技术手段制约，海事执法部门难以对船只进行快速准确的超载检测，致使船舶超载现象屡禁不止。本发明针对内河船舶超载检测现状所暴露出的问题，采用激光雷达作为主要检测设备，利用一种基于深度强化神经网络的内河船舶干舷检测方法及系统，能够适应不同的船舶场景识别任务，不经任何人为干预，实现对船舶干舷吃水的检测，有助于保障船舶的适航能力，保证船员人身安全和国家财产安全，提高船舶运输的安全性，创建安全、有序的水运环境。

当下激光雷达种类繁多，成本参差不齐，价格昂贵，扫描范围及角度有限，采集的点云数据巨大，雷达图像识别工作量庞大且复杂，运用在船舶检测领域仍存在很大的局限性。

在现有技术中，处理来自激光雷达线扫描生成线轮廓图像，常用的方法是通过深层结构来提取抽象特征，再通过抽象特征对线轮廓图像进行识别。然而在深度学习网络的训练过程中，常常有如下的问题：与训练传统的三层神经网络相比，深度学习网络由于计算量大以及需要更新的参数更多，导致时间成本增加。其次，深度学习网络在输出误差变化不大时，训练过程会变慢，需要时间过长。

现阶段，运用定点激光雷达采集点云信息，由于其扫描范围及角度有限，可在联动云台的配合下，结合强化学习技术，制定模糊逻辑设计联动云台动作自主导航，使联动云台带动激光雷达能够在未知环境中不断积累完成预定任务，自动探索较好的解决问题策略。

本发明采用基于卷积神经网络的识别能力，配合强化学习的训练动态地学习识别船舶干舷吃水最合适的激光雷达朝向角，基于算法的动态特性本方法仅采用单个廉价的单线激光雷达，既提高了效率又降低了激光雷达成本，识别准确率也获得了较大提升。

发明内容

本发明以减少人工监测成本以及提高船舶干舷检测效率为目的，提出了一种基于深度强化神经网络的内河船舶干舷检测方法，通过深度学习网络配合强化学习算法，提高了内河船舶干舷识别的准确率。本发明需要将激光雷达与联动云台设立在内河岸边的高杆上，云台带动激光雷达调整检测高度和朝向角，对船舶的一侧进行扫描，获取不同检测参数下的船舶轮廓图像，利用强化学习神经网络作为强化学习值函数的逼近器，将船舶轮廓信息输入强化学习神经网络，从而确定当前激光雷达与联动云台做出何种动作来正确识别当前船舶干舷。本发明基于卷积神经网络对图像的识别能力，结合强化学习算法共同构建了深度强化神经网络，克服了深度学习网络在船舶超载识别领域现有的技术不足，提升了激光雷达对船舶干舷信息的检测能力，从而为内河船舶吃水情况的自动判别提供了技术支持，能够适应不同环境下的内河船舶干舷检测、识别任务。

本发明的技术方案具体包括如下步骤

步骤1，将激光雷达与联动云台设立在内河岸边的高杆上，每类船舶场景内设定相应的激光雷达检测参数调整区域，针对不同类型的内河场景选择激光雷达布设位置，由联动云台带动激光雷达调整检测高度和朝向角，对船舶的一侧进行扫描，通过激光雷达现场采集船舶点云信息；