0 引　言

船舶吃水深度是反映船舶装载状态的关键指标。通过实时监测船舶吃水深度，可以及时了解船舶的载重情况，从而避免超载或轻载航行带来的安全隐患。同时，准确的吃水深度信息还可以为船舶调度和航线规划提供有力支持，有助于提高运输效率，降低运营成本。因此检测船舶吃水深度有助于保障船舶的安全^[1]。目前已经有大量学者提出了对船舶吃水深度的检测方法。

陈轩等^[2]通过周期性实验验证了水文、自然条件、检测频率与船舶吃水深度数据检测精度的关系，研发了基于复杂水域环境的动态船舶吃水检测系统，实现了船舶吃水深度的自动检测与采集。然而，由于船舶在航行过程中会受到多种因素的影响，如风向、水流等，需要设计出能够准确推演船舶实时位置的算法，以确保吃水深度数据的准确性。佟世琪等^[3]提出一种基于超声相控技术的船舶吃水测量方法，通过搭建实验系统验证了该方法的可靠性，实现了船舶吃水深度的精确测量。该研究利用双曲交汇法计算扫描点的空间坐标时，应精确处理多个扫描点的数据。如果数据处理不当或算法存在缺陷，会导致计算出的空间坐标不准确，影响船舶吃水深度的分析。饶本顺等^[4]通过Excel结合VBA程序，实现散装谷物专运船在单一谷物装卸过程中的自动配载方案生成，以满足稳性、浮态等要求，从而提高配载工作的效率与准确性。但在填制散装谷物运输稳性计算专用表格时，如果填制错误或遗漏了关键信息，可能会导致后续对船舶吃水深度的分析和评估出现偏差。

通过利用机器视觉技术，可以实现对船舶吃水深度的快速、准确检测，提高检测效率和精度，减少人为因素的干扰。此外，机器视觉技术还可以结合深度学习算法，对船舶吃水深度进行实时动态监测，为船舶的安全航行提供有力保障。因此，提出基于机器视觉技术的船舶吃水深度动态检测。

1 船舶特征提取

合成孔径雷达（SAR）图像分析属于机器视觉的一种，通过飞行器携带的雷达系统发送和接收无线电波生成船舶在SAR图像上的表示^{[5 − 6]}。然而采集到的船舶SAR图像可能受到大气条件、风浪、海杂波等因素的影响，导致图像中出现各种噪声和杂散信号，使得目标的识别和定位更加困难。I-VGGNet是一种经典的深度卷积神经网络，I-VGGNet网络通过多个卷积层的叠加和非线性激活函数的作用，可以有效地提取出图像中的纹理和形状特征。特别是通过较深的卷积层，网络可以更好地捕捉到目标的细节和局部特征，从而增强目标识别的能力。因此通过I-VGGNet网络的6个卷积层提取船舶SAR图像中的特征。I-VGGNet网络卷积层结构如图1所示。

I-VGGNet网络不同卷积层的作用分别为：通过Conv3-3提取更底层的旋转船舶特征，主要包括低级纹理、边缘和局部特征等；通过Conv4-3、Conv7和Conv8-2从不同尺度中提取船舶特征，可以捕捉到船舶目标在不同大小和分辨率上的形状、纹理以及局部特征；Conv9-2、Conv10-2是由Conv8-2对2个1×1的卷积核卷积运算得到，主要用于将高维的特征映射空间降维到低维，并提供更抽象和语义丰富的特征表示。

由于船舶目标通常具有不同大小和不同旋转角度，在SAR图像中呈现出多样性和复杂性。为了准确地提取船舶的特征，需要考虑到不同尺度下目标的细节和整体结构。通过连续的下采样操作，降低特征图的分辨率，扩大感受野，进而捕捉到多个尺度下的船舶目标的特征信息。尤其是在底层卷积层进行下采样时，会更加注重在较小的感受野内提取目标的细节特征。因此在I-VGGNet网络中，从Conv4-3层开始进行连续的下采样，逐渐降低特征图的分辨率，扩大感受野，以提供多尺度和多层次的特征信息供船舶目标的检测和识别使用。由此，I-VGGNet网络可以从底层到高层逐渐提取船舶目标所需的边缘、纹理、形状和大小特征，为船舶目标的检测和识别提供全面而丰富的信息。

2 船舶吃水深度检测

由于船舶特殊的形态，在实现船舶吃水深度检测的过程中，船舶的吃水深度会随着装载货物、航行速度、风浪条件等因素的变化而动态变化。且船舶通常不是垂直于水平面的，导致船舶图像中的水尺字符印可能会出现倾斜或变形，存在不同尺度的变化，造成特征提取的不一致性和目标定位的困难^[7]。通过旋转目标框识别船舶可以更准确地捕捉船舶的实际轮廓和姿态，从而提供更准确的数据作为校正基准。一旦识别到船舶并确定了其旋转角度和位置，可以根据这些信息对船舶的水尺字符印进行校正。通过与船舶设计规格进行比较，可以及时发现并调整船舶吃水深度的偏差，以确保船舶在安全范围内运行。因此在I-VGGNet船舶特征提取网络进行船舶特征提取之后，使用FCOS网络构建旋转目标框进行船舶的水尺字符印校正。

FCOS网络以I-VGGNet网络为基础，经该网络的6个卷积层进行特征的卷积处理后输出的特征进行尺度划分，进而得到原始图片1/8、1/16、1/32、1/64、1/128尺度大小的特征图。设第$ i $个尺度的特征图为$ {T_i} $，通过FCOS网络将该特征图上的中心点$ \left( {x,y} \right) $映射到原始输入SAR图像上并直接回归，若$ \left( {x,y} \right) $与真实框相关联，则$ \left( {x,y} \right) $的回归目标表示为：

$ \left\{ \begin{gathered} {a^ * } = x - {x_0}^i ，\\ {b^ * } = y - {y_0}^i ，\\ {c^ * } = {x_1}^i - x ，\\ {d^ * } = {y_1}^i - y 。\\ \end{gathered} \right. $

(1)

分别将中心点$ \left( {x,y} \right) $到检测框4条边的距离表示为$ {a^ * } $、$ {b^ * } $、$ {c^ * } $、$ {d^ * } $，将$ {T_i} $的左上和右下顶点坐标表示为($ {{x_0}^i,{y_0}^i} $)、($ {{x_1}^i,{y_1}^i} $)。对于不同尺度特征图中的所有坐标点，均使用FCOS网络对其中心点的回归目标进行计算。考虑到I-VGGNet网络6个卷积层中识别出的特征点位于不同尺度的特征映射，因此将坐标变换到原始图像中，再引入损失函数计算检测框的定位结果。综上，提出基于旋转边界框最小外接圆和交并比的损失函数（RCIoU）^[8]，进行旋转不变性的研究，并添加距离惩罚项到IoU（交并比）损失函数上，以获得预测框和真实框最小的中心距离，降低识别误差。

船舶目标预测框和真实框中心距离$ {s_{dt}} $的表达式为：

$ {s_{dt}} = {\left( {{x_t} - {x_d}} \right)^2} + {\left( {{y_t} - {y_d}} \right)^2}。$

(2)

其中，$ \left( {{x_d},{y_d}} \right) $、$ \left( {{x_t},{y_t}} \right) $分别为船舶目标预测框、真实框的中心坐标。

将式（2）结合预测框和真实框的外接圆直径进行评估，当预测框和真实框的中心点距离较小且外接圆直径较接近，则认为是一次较好的预测结果。由此可以得到边界框损失函数公式为：

$ {S_{IoU}} = 1 - \omega \left( {{s_{dt}}^2/{d^2}} \right)。$

(3)

式中：$ {S_{IoU}} $、$ \omega $分别为IoU、惩罚项权重；$ d $为船体外接圆直径。

在此基础上考虑到船舶的形状和外观在不同角度下可能会有所变化，因此在损失函数中增加对角度参数的计算，使得FCOS网络可以更精确地预测旋转目标的方向和角度，并根据这些信息对船舶的水尺字符印进行校正。

设$ {T'_i} $表示特征图$ {T_i} $的旋转框，$ \left( {x',y'} \right) $为$ {T'_i} $的中心点；$ {T_i} $和$ {T'_i} $的中心点之间距离设置为$ \chi $；$ \zeta $为水尺字符印的左上和右下顶点坐标之间的距离，则损失函数可以更新为：

$ {S}_{RCIoU}={S}_{IoU}-\frac{{\chi }^{2}\left[\left(x,y\right)\text{，}\left({x}^{\prime },{y}^{\prime }\right)\right]}{\zeta }-\lambda \phi 。$

(4)

式中：$ \lambda $表示旋转框和特征图之间的比例平衡参数；$ \phi $表示旋转框和特征图之间的一致性参数。在该公式中，使用$ \lambda $控制尺度变化以及边界框的梯度移动方向，并通过增加$ \phi $来评估旋转框和特征图之间的一致性。使得边框能较快地移动到船舶目标位置，及时发现并调整船舶吃水深度的偏差，以确保船舶在安全范围内运行。

3 实验分析 3.1 实验设置

实验数据以公开的SSDD数据集为实验数据集，包含分辨率及航行状态不同的的1232幅船舶SAR图像，其中涵盖1800多个船舶目标。

先验框设置：将先验框分配给FCOS网络，将旋转框划分为：−90°、−80°、−70°、−60°、−50°、−40°、−30°、−20°、−10°、0°等10种角度，为每个先验框进行10种角度的分配。实验过程中的参数设置如表1所示。

在上述实验设置的基础上，所提方法得到的船体的水尺字符印校正结果如图2所示。

3.2 结果与分析

为了验证船舶目标识别的精度，引入P-R曲线对方法的识别精度进行评价。P-R曲线所包含的面积表示了该方法的识别平均精度，综合评判了船舶目标识别方法的精准率、召回率以及单位时间内检测图像的数量情况，结果如图3所示。

可以看出，本文方法对船舶目标识别得到的P-R曲线下降趋势较于平缓，表明本文方法应用RCIoU损失函数对船舶目标的识别精准率较高，且在召回率为80%时得到的船舶识别的精准率仍高于召回率。这是由于本文方法将IoU损失函数和RCIoU损失函数的结合使用，既考虑了预测框与真实框的重叠程度，又考虑了它们之间的旋转和中心距离关系，从而提高了识别的准确性和鲁棒性。

为进一步验证本文方法在进行船舶目标识别中的能力，将本文方法对比文献[2]方法进行实际船舶的SAR图像中船舶的识别，识别准确率如图4所示。

可知，本文方法能够精准识别不同尺度的船舶，识别准确率在98%以上。这是由于本文方法利用FCOS网络对船舶SAR图像特征进行尺度划分，使得模型能够在不同尺度的特征图上进行目标检测。这种多尺度处理机制使得模型能够适应不同大小的船舶目标，无论是大型货船还是小型渔船，都能得到准确的检测结果。

为进一步证明本文方法的识别能力，将本文方法对比文献[3]方法和文献[4]方法，针对IoU取不同值情况下进行船舶吃水深度检测平均精度的计算。其中，$ A{P_{50}} $表示$ IoU = 50\% $，$ A{P_{75}} $表示$ IoU = 75\% $，$ A{P_{\min }} $表示$ IoU $最小，$ A{P_{\max }} $表示$ IoU $最大。各平均精度结果如表2所示。

可知，文献[3]方法和文献[4]方法检测得到的各平均精度基本一致。而本文方法则在相同条件下拥有更高的精度。这是因为本文方法采用I-VGGNet网络进行特征提取，该网络通过其卷积层结构能够更有效地捕获船舶SAR图像中的多层次特征。在特征提取和融合方面更为精细，能够更全面地提取和利用船舶目标的特征信息。对于总体AP值，本文方法从文献[3]方法的92.1%提升到95.8%。因此证明了本文方法能够提升船舶吃水深度的检测准确性。

4 结　语

为了保证船舶的航运安全，提出了一种基于机器视觉技术的船舶吃水深度动态检测方法，通过结合I-VGGNet网络和FCOS网络，成功实现了水尺字符印校正，完成船舶吃水深度动态检测。实验结果表明，该方法不仅能够准确校正船舶的水尺字符印，还能精准识别不同尺度下的船舶目标。总体AP值达到95.8%，展现了较高的检测精度，有效保障了船舶的航行安全。这一方法的应用，为船舶吃水深度的动态监测提供了新的技术手段，对于预防搁浅、触底等事故，确保航道畅通和船舶安全具有重要意义。