[发明专利]一种基于图像学习的船舶阻力预报方法

权利要求书

1.一种基于图像学习的船舶阻力预报方法，其特征在于，包括：

将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；

以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；

样本中的标签为相应船型对应的阻力数据；

采用深度学习框架搭建卷积神经网络模型，其中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层及输出层；

将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。

2.根据权利要求1所述的方法，其特征在于，所述船型图像基于三维船型曲面，通过通用三维建模软件、相应数值仿真软件或自编程序生成。

3.根据权利要求2所述的方法，其特征在于，所述船型图像的生成应在统一的标准下进行，应满足以下三个条件：对船型图像大小、显示范围及视口方向进行定义，保证不同船型文件得到的船型图像大小、显示范围及视口相一致；对船型图像显示的RGB颜色范围进行确定，保证不同船型文件得到的船型图像的颜色对应的坐标信息相一致；对输出船型图像的分辨率和格式进行确定，保证不同船型IGES得到的船型图像的格式相一致。

4.根据权利要求3所述的方法，其特征在于，所述阻力数据根据需要选择全船阻力或相关阻力系数，阻力系数通过相应数值计算方法得到。

5.根据权利要求1至4任意一项所述的方法，其特征在于，对于所述输入层，将船型图像作为输入，船型图像首先被转换成RGB像素亮度三维矩阵，每个颜色通道上的每个像素亮度值都是一个特征，并对每个特征进行归一化、标准化的处理。

6.根据权利要求5所述的方法，其特征在于，对于所述卷积层，输入层输出的特征图首先经过卷积操作得到一张新的特性图，然后通过激活函数输出得到卷积层特征图，其中，卷积层的卷积操作通过卷积核实现，卷积核的参数包括尺寸和通道数，卷积操作的参数包括步长和填充。

7.根据权利要求6所述的方法，其特征在于，对于所述池化层，一方面降低所述卷积层得到的特征图的大小从而简化计算复杂度，另一方面对所述卷积层得到的特征图进行压缩、提取主要特征。

8.根据权利要求7所述的方法，其特征在于，对于所述全连接层，全连接层由多个神经元完全相连组成，通过CNN逐层提取到的特征输出到全连接层，使得整个CNN采用梯度下降法算法进行全局训练。

9.根据权利要求8所述的方法，其特征在于，对于所述输出层，用于样本的预测输出，根据输出模型的不同，既能够用作回归分析，也能够用作分类任务。