[发明专利]一种基于图像修复的船只水尺数字的识别方法

说明书

本发明公开了一种基于图像修复的船只水尺数字的识别方法，属于计算机视觉领域，所述方法包括：获取并制作可用于训练的船只水尺图像数据集并进行预处理，得到包含预处理后的多类船只图片；对定义好的分类修复模型，选用加入DF损失函数合成新的生成损失函数进行训练，多次训练得到最优模型；将以上步骤训练得到的最优模型应用到船只水尺数字图像修复中，对损坏的图像进行修复和测试，然后进行实时识别并用准确率和权重概率两个指标进行判断。本发明相较于现有修复模型，能够在充分利用视觉结构信息和类别信息提升修复分类识别准确度的基础上，更好地将因环境而磨损、腐蚀等的船只水尺图像修复并获得更准确的实时识别结果，给检测人员带来便利。

技术领域

本发明涉及计算机视觉技术领域，尤其是一种基于图像修复的船只水尺数字的识别方法。

背景技术

近些年来，随着港口自动化的大力推行与发展，面对港口货运船只的数量不断增加等情况，船只的水尺检量观测操作就显得尤为重要。水尺检量的过程分为水尺观测、水密度测量、压载水量取等操作步骤，但是在水尺观测的阶段中，水尺观测出现的问题的因素比较繁多、干扰较大，解决该问题也比较复杂。比如在夜间，需要在水尺附近安装明灯观测点处加强照明；水面比较平静时而无法区别水尺线时，需要将石块投入水中激起水花以便工作人员观察。除此之外，更重要的因素是由于水尺数字受到水质、腐蚀、光照以及磨损等复杂因素的影响，所采集的样本可能带有缺失、损坏等等，因此水尺数字的观测有时候会给水尺检测人员带来极大不便。

目前有许多基于深度学习的图像修复模型用于解决修复问题，研究方向居多的是偏向人脸和风景的修复模型，并且是以纹理特征的研究为导向，对于修复后的应用没有提及，而且也没有专门研究船只水尺修复并用来识别的模型。基于深度学习的修复模型一般可以分为两大类，一种是基于VAE(Variational Autoencoder，变分自编码器)模型，一种是基于GAN(Generative Adversarial Networks，生成对抗网络)。而GAN是目前主流的一种修复模型，主要原因是其卷积通过共享权值，大大减少了模型参数量，提高了运行速度，同时可以捕捉高层图像的语义信息。比较流行的GAN模型包括有全局和局部判别器修复模型、渐进式生成网络(PGN)、金字塔上下文编码网络等等，但是这些模型都是只以修复纹理特征为主。由于船只水尺的修复结果是为了明确当前的水尺数字值，即以识别的准确性为主导，而以上的修复模型主要是单方面侧重结构特征或者语义信息，不能完全满足对于水尺数字的修复识别的要求。因此，亟待一种既要保证结构特征，又要保证语义信息的修复模型与方法，能够使得最后的结果无误的识别并传达给工作人员。

发明内容

本发明需要解决的技术问题是提供一种基于图像修复的船只水尺数字的识别方法，既能保证结构特征，又能保证语义信息的修复模型与方法，能够使得最后的结果无误的识别并传达给工作人员。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于图像修复的船只水尺数字的识别方法，包括：

步骤1，获取并制作能够用于训练的船只水尺图像数据集并进行数据集预处理，得到包含预处理后的多类船只图片；

步骤2，对定义好的分类修复模型，选用加入DF损失函数合成新的生成损失函数进行训练，多次训练得到最优模型；

步骤3，将步骤2训练得到的最优模型应用到船只水尺数字图像修复中，对损坏的图像进行修复和测试；

步骤4，对修复完成的水尺图像用VGG网络实时识别，并用准确率和权重概率两个指标进行评估。

本发明技术方案的进一步改进在于：步骤2中，具体包括：

2.1，修复模型的选择：

所述分类修复模型，主要是基于生成对抗网络，结合图像分类模型训练的权重pth文件，在训练过程中结合图像分类模型进行模型算法融合，图像网络修复结构采用编解码器类P-Unet结构，呈现出非对称的编解码器；