[发明专利]一种基于深度学习的动态海面三维建模方法及存储介质

权利要求书

1.一种基于深度学习的动态海面三维建模方法，其特征在于，包括如下步骤：

S1、实时获取海浪视频数据。并利用无人机对波浪动态进行视频采集，得到用于波浪时变路径跟踪的视频数据；

S2、对所述获取到的海浪视频数据进行处理，得到所述海浪视频数据的完整数据结构；

S3、基于所述完整数据结构和预先构建的卷积神经网络模型，并添加网络预测分支，生成具有不同拓扑结构的网格预测神经网络模型；

S4、根据体素预测损失函数和网格细化损失函数，采用梯度下降法，并不断迭代对所述网格预测神经网络模型进行优化；

S5、基于所述实时获取的海浪视频数据和优化后的网格预测神经网络模型，生成不同海况条件下的动态海面三维模型。

2.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S1中实时获取的海浪视频数据包括：波浪的形状、路径。

3.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S2具体包括：

S21、对所述获取到的海浪视频数据进行离散化处理，离散成图片数据；

S22、对经过离散化处理后的图片数据进行数据增强和标注，得到可供之后模型学习的完整数据结构。

4.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S3具体包括：

S31、以深度学习理论为依据，搭建卷积神经网络模型；

S32、添加网格预测分支，将网格预测物体的体素分布转化为三角形网格表示；

S33、通过一系列卷积神经网络改进网格的边角，输出具有不同拓扑结构的网格预测。

5.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S4具体包括：

S41、采用体素预测损失函数以及网格细化损失函数，根据输入的数据结构和网格预测值计算二者的实际偏差；

S42、同时采用梯度下降法降低损失函数，不断迭代以优化模型。

6.根据权利要求1所述的基于深度学习的动态海面三维建模方法，其特征在于，所述步骤S5具体包括：

S51、将实时海浪视频数据传入优化完成后的模型，得到静态图像的检测和三维重建模型；

S52、结合LSTM技术，建立视频中帧与帧之间的关联，通过卷积神经网络模型生成时间序列下的动态海面三维重建模型；

S53、根据上述方法生成不同海况动态海面三维模型。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有包括计算机程序，其中，所述计算机程序运行时，执行所述权利要求1至6中任一项所述的方法。