本發明涉及船舶腐蝕檢測，具體地說，涉及一種基于深度學習的船舶腐蝕檢測方法及系統。

背景技術：

1、因金屬材料具有較強的耐磨性和抗擊打能力，因此絕大多數的船舶選擇金屬外殼作為其建造材料。然而，因長時間受到海水侵蝕，船舶會產生不同程度的腐蝕，嚴重威脅船體的穩固性，縮短船舶的使用壽命。因此定期對船舶進行腐蝕檢查，不僅可以滿足國際海事組織的要求，還可以為船舶安全控制和維修加固提供決策參考，確保船舶安全航行和水上交通運輸安全。

2、現階段人工目檢仍是常用的船舶腐蝕檢測方法，工作人員不僅要關注船舶是否腐蝕，還要關注腐蝕的程度，因為不同的腐蝕程度所對應的腐蝕處理措施是不同的。工作人員在船舶腐蝕檢測時，要前往船舶檢測所在位置，整個過程不僅費時昂貴，有時還會暴露在危險的情況下，危及工作人員安全。此外，人工目檢難以對腐蝕程度、腐蝕面積進行定量描述，存在一定的主觀性，會導致檢測結果具有不可靠性；

3、這無論是在安全性還是準確性上都無法滿足當前船舶檢測的要求。近兩年，美國船級社（abs）利用?ai算法分析圖像和視頻文件，對液艙涂層的破損和腐蝕狀況進行評測。而國內對船舶腐蝕智能檢測的研究是相對空白的，市面上尚未有完全相似的檢測系統，因此船舶腐蝕智能檢測與評估的研究亟待解決。

4、面對上述挑戰，為滿足船舶腐蝕檢測及評估的自動化、智能化的需求，團隊對現有的智能檢測技術加以學習實踐，綜合圖像處理、深度學習等相關知識，研究基于paddlepaddle深度學習框架的船舶腐蝕檢測和評估技術，并設計船舶腐蝕檢測與評估系統。

技術實現思路

1、本發明的目的在于提供一種基于深度學習的船舶腐蝕檢測方法，以解決上述背景技術中提出的問題。

2、為實現上述目的，提供了一種基于深度學習的船舶腐蝕檢測方法，包括以下步驟：

3、步驟一：基于paddlepaddle深度學習平臺，使用圖像分割套件paddleseg，采用基于qt的python工具包來建立原始圖像的腐蝕分割數據集，利用eiseg對腐蝕數據集進行標注，得到由標注圖像構成的標注圖像集；

4、步驟二：將原始圖像和標注圖像按照比例劃分為訓練集、驗證集和測試集，通過采用多個語義分割模型進行模型訓練和驗證；

5、步驟三：利用deeplabv3基于resnet構建語義分割網絡，將resnet中的block3和block4的步幅變為1，在block4中采用multi-gird的結構，在block4后采用aspp結構，最后雙線性上采樣將概率圖上采樣到和輸入圖像相同的維度；

6、步驟四：利用deeplabv3+對壓縮四次的初步有效特征層利用并行的空洞卷積，用不同比率的空洞卷積進行特征提取，再合并，卷積壓縮特征，在解碼器中，對壓縮兩次的初步有效特征層利用卷積調整通道數，再和有效特征層上采樣的結果進行堆疊，進行兩次深度可分離卷積，得到最終有效特征層，利用卷積進行通道調整，調整到類別總數，利用resize進行上采樣使得最終輸出層寬高和輸入圖像一樣；

7、步驟五：對多個語義分割模型進行訓練，利用訓練后的多個語音分割模型對圖像進行預測，預測方程如下：

8、

9、

10、其中，為腐蝕區域的像素總數，為該區域腐蝕像素，c為總腐蝕面積與圖像面積之比，為圖像總像素點數。

11、進一步的，在步驟二中，當輸入的圖像過大時，對圖像進行壓縮處理，使所有輸入的圖像按照預設的像素輸入模型進行訓練，其中多個語義分割模型包括deeplabv3、deeplabv3+、pp-liteseg、fastfcn中的任意兩種或幾種模型的組合。

12、進一步的，所述pp-liteseg包括解碼模塊、平衡編碼模塊和融合模塊，利用解碼模塊調整解碼模塊中通道數量，利用融合模塊加強特征表示，減小中間特征圖的通道數、移除跳躍連接。

13、一種基于深度學習的船舶腐蝕檢測系統，包括數據采集單元，用于采集原始圖像的腐蝕分割數據集；數據解析單元，用于對多個語音分割模型中的輸出數據進行實時分析，判斷船舶是否出現腐蝕或異常情況，所述數據解析單元還通過對數據的分析來判斷船舶腐蝕的程度；預警模塊，在數據解析單元判斷船舶出現嚴重腐蝕時，所述預警模塊發出預警信息。

14、進一步的，所述數據采集單元還包括超聲波傳感器、電化學傳感器和光學傳感器，所述超聲波傳感器用于檢測船舶的腐蝕情況，所述電化學傳感器用于檢測船舶的電化學腐蝕參數，所述光學傳感器用于獲取船舶腐蝕的原始圖像。

15、與現有技術相比，本發明的有益效果：

16、船舶腐蝕檢測與評估系統能滿足船舶腐蝕檢測的任務需求，直觀展示腐蝕區域并提供腐蝕率，且可以更換分割模型。工作人員無需花費長時間培訓即可掌握此系統的使用方法；

17、考慮到使用場景的軟、硬件差異，系統的體積盡量小，便于部署。同時本系統對類庫的依賴也降至最低，簡化了環境配置的過程。

技術特征：

1.一種基于深度學習的船舶腐蝕檢測方法，其特征在于，包括以下步驟：

2.根據權利要求1所述的一種基于深度學習的船舶腐蝕檢測方法，其特征在于：在步驟二中，當輸入的圖像過大時，對圖像進行壓縮處理，使所有輸入的圖像按照預設的像素輸入模型進行訓練，其中多個語義分割模型包括deeplabv3、deeplabv3+、pp-liteseg、fastfcn中的任意兩種或幾種模型的組合。

3.根據權利要求2所述的一種基于深度學習的船舶腐蝕檢測方法，其特征在于：所述pp-liteseg包括解碼模塊、平衡編碼模塊和融合模塊，利用解碼模塊調整解碼模塊中通道數量，利用融合模塊加強特征表示，減小中間特征圖的通道數、移除跳躍連接。

4.一種基于深度學習的船舶腐蝕檢測系統，其特征在于：包括數據采集單元，用于采集原始圖像的腐蝕分割數據集；數據解析單元，用于對多個語音分割模型中的輸出數據進行實時分析，判斷船舶是否出現腐蝕或異常情況，所述數據解析單元還通過對數據的分析來判斷船舶腐蝕的程度；預警模塊，在數據解析單元判斷船舶出現嚴重腐蝕時，所述預警模塊發出預警信息。

5.根據權利要求4所述的一種基于深度學習的船舶腐蝕檢測系統，其特征在于：所述數據采集單元還包括超聲波傳感器、電化學傳感器和光學傳感器，所述超聲波傳感器用于檢測船舶的腐蝕情況，所述電化學傳感器用于檢測船舶的電化學腐蝕參數，所述光學傳感器用于獲取船舶腐蝕的原始圖像。

技術總結
本發明涉及船舶腐蝕檢測技術領域，具體涉及一種基于深度學習的船舶腐蝕檢測方法及系統，步驟一：采用基于Qt的Python工具包來建立原始圖像的腐蝕分割數據集，利用EISeg對腐蝕數據集進行標注；步驟二：將原始圖像和標注圖像按照比例劃分為訓練集、驗證集和測試集，采用多個語義分割模型進行模型訓練和驗證；步驟三：利用DeepLabV3基于ResNet構建語義分割網絡；步驟四：利用DeepLabV3+對壓縮四次的初步有效特征層利用并行的空洞卷積；步驟五：對多個語義分割模型進行訓練，對圖像進行預測。本發明的有益效果：船舶腐蝕檢測與評估系統能滿足船舶腐蝕檢測的任務需求，直觀展示腐蝕區域并提供腐蝕率，且可以更換分割模型。工作人員無需花費長時間培訓即可掌握此系統的使用方法。

技術研發人員：王莉,周靜
受保護的技術使用者：江蘇海事職業技術學院
技術研發日：
技術公布日：2025/4/28