[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

说明书

本发明提供一种基于深度学习的动态海面三维建模方法及存储介质。本发明方法，包括：实时获取海浪视频数据；对获取到的海浪视频数据进行处理，得到海浪视频数据的完整数据结构；基于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；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，并不断迭代对网格预测神经网络模型进行优化；基于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。本发明的技术方案解决了现有技术中检测识别能力因船只外形的改变、检测时船只的角度、不同的光照、红外条件等而受到影响的问题。

技术领域

本发明涉及海面成像和船只识别技术领域，具体而言，尤其涉及一种基于深度学习的动态海面三维建模方法及存储介质。

背景技术

海洋资源的利用以及海上运输、旅游都需要海上船只、海况信息的捕获及展示，目前大多基于图像传感获取海面可见光或红外图像的目标检测技术，且检测识别能力会因为船只外形的改变、检测时船只的角度、不同的光照、红外条件等而受到影响。

当下应用于海面船只的主要识别算法大多无法进行实时识别，且运行时间较长，识别率较低等缺陷，并且容易受到外界的岛、礁、波、流、漂浮物等影响。

发明内容

根据上述提出的技术问题，而提供一种基于深度学习的动态海面三维建模方法及存储介质。本发明主要利用光学遥感图像及固定翼无人机的近景拍摄录入海面和船只信息，基于深度学习技术，建立动态海面的三维模型，可应用于分析和评判军船的隐身性能，搜索和识别敌方船只位置，以及在失事船只的搜救工作中起到重要作用。

本发明采用的技术手段如下：

一种基于深度学习的动态海面三维建模方法，包括如下步骤：

S1、实时获取海浪视频数据；

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。

进一步地，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。

进一步地，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；

进一步地，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。

进一步地，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。

进一步地，所述步骤S5具体包括：