通过双流深度学习架构和多谱信息阅读智能船舶草案
Bo Zhang1, Jiangyun Li2,3, Haicheng Tang2,3
1China Coal Research Institute Corporation, Beijing 100013, China.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
这项研究引入了一种新的方法,用于使用多光谱成像,集成近红外 (NIR) 和RGB数据的自动阅读船舶草稿. 该方法提高了海上散装货物称重的准确性和可靠性.
科学领域:
- 海上物流的海上物流
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
背景情况:
- 船舶草稿调查对于海上贸易中准确的散装货物称重至关重要.
- 目前的视觉草稿阅读方法受到安全性,成本和准确性的限制.
- 现有的图像处理技术与水面干扰 (如反射) 斗争.
研究的目的:
- 开发一个准确和可靠的自动船草稿阅读系统.
- 克服海上环境中基于RGB的图像处理的局限性.
- 引入一种新的方法,将近红外 (NIR) 和RGB数据集成到读稿中.
主要方法:
- 创建了一个由524个注释多谱图像 (RGB和NIR) 组成的数据集.
- 建议建立一个双分支骨干网络 (BIF) 来提取和融合光谱信息.
- BIF骨干与YOLOv8集成,用于导流检测和UPerNet用于水线细分.
主要成果:
- 使用YOLOv8与BIF骨干实现了99.2%的平均平均精度 (mAP).
- 在使用UPerNet与BIF骨干时,水线细分量从98.9%提高到99.3%.
- 该方法表明,读取草案的不准确性小于±0.01m.
结论:
- 整合NIR和RGB数据显著提高了自动草稿读取的准确性.
- 拟议的BIF双分支骨干有效地提取和结合多谱信息.
- 这种方法为海上运输中准确和自动化的船舶设计调查提供了强大的解决方案.
