[发明专利]厚度检测方法、检测装置、训练方法及训练装置

说明书

本申请提供厚度检测方法、检测装置、训练方法及训练装置，该厚度检测方法包括：获取待识别图像；提取待识别图像的图像特征信息；通过神经网络对待识别图像的图像特征信息进行处理，识别出目标物体形状；基于获取待识别图像时的参数，对目标物体形状的图像的每个像素点进行修正，得到目标物体在现实中的形状尺寸；对目标物体形状的图像进行滤波，平滑目标物体的轮廓边缘；提取目标物体的轮廓边缘形状，在该轮廓边缘形状内提取最大内切圆，计算该最大内切圆的直径，得到目标物体的厚度；能够在满足识别的实时性的基础上，自动、准确地完成对目标物体的观测，提升了识别的鲁棒性和准确性。

技术领域

本申请涉及计算机技术领域，尤其涉及厚度检测方法、检测装置、训练方法及训练装置，特别是用于检测冰面雪厚。

背景技术

船舶在结冰海域航行时，例如极地科考或者运输船舶的航行过程中，会与海冰产生接触，当冰面厚度较厚时，还需要进行破冰作业。在这样的航行条件下，准确测量船只周围的海冰厚度以及冰面雪厚对于合理规划航线、降低航行风险等方面有着重要的意义。目前测量海冰厚度、冰面雪厚，主要依靠船员的现场测量，导致操作复杂、耗费人力、无法实时获取雪厚的数据，并且容易受到主观因素的干扰。

发明内容

本申请提供厚度检测方法、检测装置、训练方法及训练装置，以解决目前对于厚度测量，尤其是冰面雪厚测量，存在的操作复杂、无法自动、准确且实时获取测量结果的技术问题。

第一方面，本申请实施例提供厚度检测方法，尤其是用于检测冰面雪厚的厚度检测方法，包括：

步骤S1：获取待识别图像；

步骤S2：提取待识别图像的图像特征信息；

步骤S3：通过神经网络对待识别图像的图像特征信息进行处理，对每个像素点进行识别，判断该像素点为目标物体或非目标物体，集合被识别为目标物体的像素点，得到目标物体形状的图像；

其中，解码部分的卷积块在接收解码部分中该卷积块的上一层卷积池化模块的输出以及该卷积块对应的编码部分的卷积块的输出后，经过空间注意力机制模块处理后，再分别送入路径一、路径二进行处理；空间注意力机制模块接收解码部分的上一层卷积池化模块的输出以及来自编码部分的输出后，对解码部分的上一层卷积池化模块的输出以及来自编码部分的输出分别进行卷积处理并将处理后的结果相加得到整合结果，然后将整合结果经过线性整流函数激活后进行卷积处理，之后通过Sigmoid激活函数后得到空间注意力权重，将来自编码部分的输出与空间注意力权重相乘得到经过空间注意力处理的编码部分特征，之后将经过空间注意力处理的编码部分特征与接收到的解码部分的上一层卷积池化模块的输出相加，得到空间注意力机制模块的输出结果S，即为：

；

其中，S为空间注意力机制模块的输出结果，x_e为来自编码部分的未经处理的原始特征，g_p为空间注意力权重，x_d为解码部分上一层经过上采样后的输出，σ是ReLU函数、δ是Sigmoid函数，g_p是空间注意力权重，均为空间注意力机制模块中的1×1卷积核的权值，其中与矩阵相乘的过程均表示线性卷积操作；

步骤S4：基于获取待识别图像时的参数，将目标物体形状的图像的每个像素点与世界坐标系中的位置坐标进行对应，以对目标物体形状的图像的每个像素点进行修正，得到目标物体在现实中的形状、尺寸；

步骤S5：对目标物体形状的图像进行滤波，平滑目标物体的轮廓边缘；

步骤S6：提取目标物体的轮廓边缘形状，在该轮廓边缘形状内提取最大内切圆，计算该最大内切圆的直径，得到目标物体的厚度。

一种可能的实施方式中，步骤S3中的神经网络包括编码部分和解码部分，编码部分包括卷积池化模块，每个卷积池化模块包括卷积块和最大池化层；解码部分包括卷积池化模块，每个卷积池化模块包括卷积块和最大池化层；其中，编码部分的各层卷积块与解码部分的相应层的卷积块一一对应，解码部分的卷积块接收解码部分中该卷积块的上一层卷积池化模块的输出以及该卷积块对应的编码部分的卷积块的输出。