基于深度学习和ransac算法的干舷高度识别方法及系统
申请人信息
- 申请人:浙江华是科技股份有限公司
- 申请人地址:311122 浙江省杭州市余杭区闲林街道嘉企路16号3幢1楼
- 发明人: 浙江华是科技股份有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于深度学习和ransac算法的干舷高度识别方法及系统 |
| 专利类型 | 发明申请 |
| 申请号 | CN202410061503.3 |
| 申请日 | 2024/1/16 |
| 公告号 | CN117576185A |
| 公开日 | 2024/2/20 |
| IPC主分类号 | G06T7/60 |
| 权利人 | 浙江华是科技股份有限公司 |
| 发明人 | 陈奇; 叶建标; 宋弯弯; 沈琳; 欧阳志益; 何文平 |
| 地址 | 浙江省杭州市余杭区闲林街道嘉企路16号3幢1楼 |
摘要文本
本发明公开一种基于深度学习和ransac算法的干舷高度识别方法及系统。其中，该方法包括：获取原始样本集；根据ransac算法得到每个船舶样本的综合干舷平面；计算每个船舶样本的综合干舷平面的置信度以及真实干舷平面的置信度；将原始样本集进行标定得到标注样本集；将标注样本集通过RandLA?Net网络进行多轮迭代模型训练，得到目标点云分割模型；将待识别船舶通过ransac算法和目标点云分割模型获取目标干舷平面；将目标干舷平面进行切片并计算所有切片的切片高度的平均值，得到待识别船舶的干舷高度。该方法通过ransac算法解决简单船舶样本的分割任务，将困难船舶样本交给基于深度学习的目标点云分割模型，这样既能得到很高的干舷平面分割精度，又能保持较高的算法处理效率。 详见官网：
专利主权项内容
1.一种基于深度学习和ransac算法的干舷高度识别方法，其特征在于，包括：S1、获取多个船舶样本的中间段所在帧的点云，并将其作为原始样本集；S2、根据ransac算法和每个船舶样本点云得到每个船舶样本的综合干舷平面；S3、根据综合干舷平面点云计算每个船舶样本的综合干舷平面的置信度；S4、将每个船舶样本进行类别标定，对应得到每个船舶样本的真实干舷平面；根据真实干舷平面点云计算每个船舶样本的真实干舷平面的置信度；将进行类别标定和置信度标定的所有船舶样本作为标注样本集；S5、将标注样本集通过RandLA-Net网络进行多轮迭代模型训练，得到每轮的点云分割模型、总损失值；根据当前轮的总损失值更新上一轮的点云分割模型；其中，当进行当前轮模型训练时，所述标注样本集通过上一轮的点云分割模型进行当前轮模型训练；当进行预设轮迭代模型训练后，得到目标点云分割模型；S6、获取待识别船舶的中间段所在帧的点云，根据ransac算法和待识别船舶点云计算待识别船舶的综合干舷平面的置信度；若大于预设阈值，则待识别船舶的综合干舷平面即为目标干舷平面；反之，将待识别船舶输入到所述目标点云分割模型中进行预测，得到待识别船舶的预测干舷平面，并将其作为目标干舷平面；将目标干舷平面进行切片并计算每个切片的切片高度，根据所有的切片高度进行加权计算得到所述待识别船舶的干舷高度。 （）