1.本发明涉及位置检测技术领域，具体地，涉及一种基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统。
背景技术：
2.在运输中，水运涉及到大量的安全管理需求，对航道中行驶的船只进行视频和图像监控，可以为该领域的安全提供非常重要的帮助。在得到舰船的监控图像之后，再对舰船驾驶舱位置进行定位，可以提供更丰富的细节信息，为舰船图像的搜索带来便捷。在对舰船图像信息进行存储时，驾驶舱位置这种结构化信息也更利于存储和检索。
3.专利文献cn110097055a（申请号：cn201910358925.6）公开了一种基于栅格卷积神经网络的车辆姿态检测方法及系统，方法利用ssd网络，采用部分连接网络改进了传统的姿态检测网络，构建了栅格卷积，并基于栅格卷积设计出栅格卷积神经网络，通过将车载相机采集的数据分为训练数据集和测试数据集，对栅格卷积神经网络的训练，以对待检测的图像生成若干候选图像区域，通过栅格卷积神经网络模型的特征提取和分类判断候选区域中是否存在车辆；最后对判断存在车辆的候选区域进行窗口融合，得到精确的车辆目标位置和姿态信息。
4.然而，传统方法很难在不受到背景干扰的情形下实现驾驶舱准确定位。
技术实现要素：
5.针对现有技术中的缺陷，本发明的目的是提供一种基于深度卷积神经网络的舰船驾驶舱位置检测方法和系统。
6.根据本发明提供的基于深度卷积神经网络的舰船驾驶舱位置检测方法，包括：步骤1：获取含有舰船的图像，通过舰船检测器将舰船从图像中检测出来，得到舰船外框；步骤2：先将驾驶舱的外框区域标注出来，然后利用驾驶舱样本以及yolov5网络训练一个专门用来检测驾驶舱的模型，模型输出为驾驶舱外框位置，包括外框左上角点x坐标、左上角点y坐标、宽度和高度；步骤3：先训练单阶段目标检测算法yolov5，单阶段是指对固定感兴趣区域进行类别的分类与位置的回归，然后对图像中是舰船的侧面或是前后方进行判断，从而得到驾驶舱位置和舰船行进方向。
7.优选的，所述步骤1包括：获取含有舰船的图像并绘制图中每一条舰船的外框；根据舰船样本对舰船检测器中的参数进行训练，直到检测率满足预设条件。
8.优选的，所述步骤2包括：获取各种情形的舰船图像，包括不同天候、不同视角和不同类型舰船；先从原图中截取舰船区域，然后标注驾驶舱的外框区域，将每一条船形成一幅图
像，将其对应的驾驶舱区域以文档形式进行保存。
9.优选的，所述步骤3包括：根据舰船外框尺寸，判断图像中是舰船的侧面或是前后方；根据舰船外框与驾驶室外框的位置关系，判断图像中是舰船的侧面或是前后方；在舰船出现重叠情形时，保存图中所有的舰船的外框坐标，在当前舰船的外框区域内进行驾驶舱检测，若出现2个及以上的驾驶舱，则分析每一个驾驶舱坐标到当前舰船中心点坐标的纵坐标距离差，与当前舰船距离最小的驾驶舱属于当前舰船；与当前舰船距离更远的驾驶舱，再将其与其它舰船进行比较；不符合上述情形的就是侧面船只，根据驾驶舱与舰船外框的相对位置关系，判断驾驶舱是在前部、中部，还是后部：将舰船外框水平均分成左、中、右三个部分，驾驶舱的中心点位于哪个部分，则驾驶舱就在对应位置。
10.优选的，在每一个检测点同时安装可见光相机和红外相机，所述检测点位置与舰船在同一水平线上，设置两个相机的工作切换时间；在白天使用可见光网络模型进行驾驶舱位置的检测，在晚上使用红外网络模型进行检测。
11.根据本发明提供的基于深度卷积神经网络的舰船驾驶舱位置检测系统，包括：模块m1：获取含有舰船的图像，通过舰船检测器将舰船从图像中检测出来，得到舰船外框；模块m2：先将驾驶舱的外框区域标注出来，然后利用驾驶舱样本以及yolov5网络训练一个专门用来检测驾驶舱的模型，模型输出为驾驶舱外框位置，包括外框左上角点x坐标、左上角点y坐标、宽度和高度；模块m3：先训练单阶段目标检测算法yolov5，单阶段是指对固定感兴趣区域进行类别的分类与位置的回归，然后对图像中是舰船的侧面或是前后方进行判断，从而得到驾驶舱位置和舰船行进方向。
12.优选的，所述模块m1包括：获取含有舰船的图像并绘制图中每一条舰船的外框；根据舰船样本对舰船检测器中的参数进行训练，直到检测率满足预设条件。
13.优选的，所述模块m2包括：获取各种情形的舰船图像，包括不同天候、不同视角和不同类型舰船；先从原图中截取舰船区域，然后标注驾驶舱的外框区域，将每一条船形成一幅图像，将其对应的驾驶舱区域以文档形式进行保存。
14.优选的，所述模块m3包括：根据舰船外框尺寸，判断图像中是舰船的侧面或是前后方；根据舰船外框与驾驶室外框的位置关系，判断图像中是舰船的侧面或是前后方；在舰船出现重叠情形时，保存图中所有的舰船的外框坐标，在当前舰船的外框区域内进行驾驶舱检测，若出现2个及以上的驾驶舱，则分析每一个驾驶舱坐标到当前舰船中心点坐标的纵坐标距离差，与当前舰船距离最小的驾驶舱属于当前舰船；与当前舰船距离更远的驾驶舱，再将其与其它舰船进行比较；不符合上述情形的就是侧面船只，根据驾驶舱与舰船外框的相对位置关系，判断驾驶舱是在前部、中部，还是后部：将舰船外框水平均分成左、中、右三个部分，驾驶舱的中
心点位于哪个部分，则驾驶舱就在对应位置。
15.优选的，在每一个检测点同时安装可见光相机和红外相机，所述检测点位置与舰船在同一水平线上，设置两个相机的工作切换时间；在白天使用可见光网络模型进行驾驶舱位置的检测，在晚上使用红外网络模型进行检测。
16.与现有技术相比，本发明具有如下的有益效果：（1）本发明基于检测器的驾驶舱位置检测方法，通过深度学习网络，可有效降低背景的干扰的影响；（2）本发明考虑到了不同视角时看到的船的外形差异对驾驶舱的影响，侧面是最容易区分驾驶舱位置的，但是，有时候拍摄到的舰船的图像，是从前方、后方，或者斜向拍摄的，此时驾驶舱位置不容易判断，本发明方法对这种情况进行了特殊处理，提高了有效判断这种情况的适应性；（3）本发明考虑到了两条船的位置较近形成重叠时对驾驶舱位置的影响，两船较近时，另一艘船的很大一部分可能会出现在当前船的可见区域以内，此时，两艘船各自的驾驶舱的检测，可能会出现重叠而导致无法判断属于哪一艘船，本发明方法对这种情况，也进行了特殊处理；（4）本发明对舰船方向进行了判断，在得到舰船行进方向后，便于得到舰船历史轨迹；如果是违法船，可便于对违法船进行抓捕。
附图说明
17.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为船只外框绘制示意图；图2为驾驶舱位置标注示意图；图3为船只的船头或船尾示意图；图4为船只重叠图。
具体实施方式
18.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
19.实施例：本发明提供了一种基于深度卷积神经网络的舰船驾驶舱位置检测方法，包括：1、利用舰船检测器，将舰船从图像中检测出来，得到舰船的外框；所述舰船检测器为yolov5网络，舰船检测器与驾驶舱检测器是两个不同的模型，需要各自单独训练、单独使用。舰船检测器和驾驶舱检测器都是利用深度神经网络训练得到的，深度神经网络包含很多层，每一层都有大量的参数用于记录模型细节。
20.该步骤的细节如下：1）人工收集舰船样本，并且将每一条舰船的外框标记出来，批量性收集包含舰船
的图像（至少五千张），标注人员利用诸如labelimg之类的工具，将图中每一条舰船的外框绘制出来，外框要求刚刚好将舰船的所有部分囊括进来。标注信息以文档形式存储下来，供后续的训练过程使用；2）采用收集的舰船样本，对yolov5网络中的参数进行充分训练，直到检测率满足要求为止；训练过程：将收集的样本标注外框位置，然后给予类别标签；以舰船检测为例，则类别标签全部是“ship”，然后利用误差反向传输bp算法训练神经网络的每一层参数，反复迭代，直到该网络能够在样本集上能够达到预设检测率（比如99%）；训练的输入是被标注好的带有船的大图，以及位置数值（图像中船最小外接矩形的左上角点x坐标、左上角点y坐标、宽度、高度）和类别信息，训练结束后，真实用作检测时，输入是一张图，输出是其中包含的所有的船的位置（模型检测的图像中包含船的外接矩形，给出的形式是该矩形的左上角点x坐标、左上角点y坐标、宽度、高度）；3）采用训练好的网络模型在图像中进行舰船检测，得到每一条船的位置，如图1所示。
21.本发明重点讲述的驾驶舱检测过程，将在舰船的外框之内进行，这样不仅可以降低在背景区域中进行驾驶舱检测时的误检测概率，还可以节约检测时间。
22.2、采集驾驶舱样本1）各种情形舰船图像的收集为了保持样本的多样性，在收集舰船图像时，需要兼顾如下各种场景，以提高驾驶舱的检测效果：各种天候：傍晚光线较暗时驾驶舱可见度低、夜间红外图像中驾驶舱纹理信息较少、大雾天船舶对比度低、下雨天船舶对比度低、逆光时整条船一片漆黑的情形；各种视角：侧面的、前方的、后方的、斜向视角等；遮挡重叠：舰船没有完全出现在视野中；舰船的局部被岸边的建筑物、树木或者是其他舰船遮挡；两船距离很近出现在彼此的外框之内；各种类型的舰船：客船、货船、集装箱船、沙船、快艇、渔船、舢板、执法艇，等等。
23.2）驾驶舱位置的标注；如图2所示，首先将舰船区域从原图中截取出来，然后在该图上，将驾驶舱的外框区域标注出来，如图中矩形所示，每一条船形成一幅图像，将其对应的驾驶舱区域，以文档形式保存下来，驾驶舱样本的数量，至少需要五千张。
24.3、训练yolov5网络，作为驾驶舱检测器；利用步骤2收集的驾驶舱样本，以及yolov5深度网络，训练一个专门用来检测驾驶舱的模型（输出是驾驶舱外框位置：左上角点x坐标、左上角点y坐标、宽度、高度），训练直到驾驶舱的检测结果满足要求为止。
25.4、先训练单阶段目标检测算法yolov5，单阶段是指对固定感兴趣区域进行类别的分类与位置的回归，然后对图像中是舰船的侧面或是前后方进行判断，从而得到驾驶舱位置和舰船行进方向，得到舰船行进方向后，便于得到舰船历史轨迹；如果是违法船，可便于对违法船进行抓捕。
26.针对当前船只，在完成驾驶舱位置（驾驶舱外框位置：左上角点x坐标、左上角点y
坐标、宽度、高度）检测之后，需要利用如下方法进行处理：1）根据舰船外框尺寸，判断是侧面，还是前后方：如果舰船外框宽高比接近1，则肯定是前方或者后方，这种情形光从图像上是很难判断驾驶舱位置的，需要将该图挑选出来，由人工进行判断。
27.2）根据舰船外框与驾驶室外框的位置关系，判断是哪个方向：如图3所示，驾驶舱占据了舰船的大部分区域，这种情况也只能是前方或者后方，这种情形，也是无法从图像上进行判断，需要将该图挑选出来，由人工进行判断。
28.3）不符合上述两种情形的，就是侧面船只，根据驾驶舱与舰船外框的相对位置关系，判断驾驶舱是在前部、中部，还是后部：将舰船外框水平均分成左、中、右三个部分，驾驶舱的中心点位于哪个部分，就判断驾驶舱在什么位置（船舶的前部、中部、后部）。
29.5、舰船重叠的情形；当出现如图4所示的情形时，很可能将其中一艘船的驾驶舱，误认为是另一艘船的，从而导致位置定位错误。
30.此时应该如下处理，以降低干扰：（1）将图中所有的舰船的外框坐标都保存下来；（2）在当前船只的外框区域内，进行驾驶舱检测，出现2个以上的驾驶舱；（3）分析每一个驾驶舱坐标到当前舰船中心点坐标的纵坐标距离差；（4）与当前船只距离最小的驾驶舱，肯定是属于当前船只；（5）与当前船只距离更远的驾驶舱，则需要将其与其它船只进行比较，将其判断为更近的船只；若经过上述处理之后，当前船只依然具有两个驾驶舱，则可能是双驾驶舱的情形，将该信息保存到数据库中。
31.6、红外与可见光的切换每一个监控点，都是同时安装了可见光相机和红外相机。二者工作在白天和夜晚的不同时刻，因此需要设置两个相机的工作切换时间：天没黑之前，比如下午5点钟，开始启动红外相机，直到早上天完全亮了为止，比如7点钟，才关闭红外相机，开启可见光相机。可见光相机工作到下午5点，继续切换为红外相机。
32.训练两个不同的yolov5网络模型。针对白天的情形，使用可见光网络模型进行驾驶舱位置的检测。而在晚上，使用红外网络模型进行检测。如此一来，就可以实现全天候24小时的实时检测。
33.根据本发明提供的基于深度卷积神经网络的舰船驾驶舱位置检测系统，包括：模块m1：获取含有舰船的图像，通过舰船检测器将舰船从图像中检测出来，得到舰船外框；模块m2：采集驾驶舱样本并进行训练，然后在得到的舰船外框中标注驾驶舱；模块m3：训练单阶段目标检测算法yolov5，对标注后的驾驶舱进行方向判断，从而得到舰船行进方向和驾驶舱位置。
34.所述模块m1包括：获取舰船样本并标记每一条舰船的外框；获取含有舰船的图像并绘制图中每一条舰船的外框；根据舰船样本对舰船检测器中的参数进行训练，直到检测率满足预设条件。所述模块m2包括：获取各种情形的舰船图像，包括不同天候、不同视角和不同类型舰船；先从原图中截取舰船区域，然后标注驾驶舱的外框区域，将每一条船形成一
幅图像，将其对应的驾驶舱区域以文档形式进行保存。所述模块m3包括：根据舰船外框尺寸，判断图像中是舰船的侧面或是前后方；根据舰船外框与驾驶室外框的位置关系，判断图像中是舰船的侧面或是前后方；在舰船出现重叠情形时，保存图中所有的舰船的外框坐标，在当前舰船的外框区域内进行驾驶舱检测，若出现2个及以上的驾驶舱，则分析每一个驾驶舱坐标到当前舰船中心点坐标的纵坐标距离差，与当前舰船距离最小的驾驶舱属于当前舰船；与当前舰船距离更远的驾驶舱，再将其与其它舰船进行比较。在每一个检测点同时安装可见光相机和红外相机，设置两个相机的工作切换时间；在白天使用可见光网络模型进行驾驶舱位置的检测，在晚上使用红外网络模型进行检测。
35.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
36.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。