一种计算机视觉方法用于估计局部海况

本研究提出了一种新颖的计算机视觉（CV）和深度学习方法，用于实时海况识别，旨在通过提高航行船舶的作业安全性和能源效率来贡献于实现立法要求的碳减排目标。我们的工作侧重于利用由船舶桥面上单一固定摄像头捕获的作业范围内海域图像。所收集的图像用于训练深度学习模型，以自动基于贝阿福德计量标准识别海洋状态。为识别海况，我们使用了4种具有不同特征的前沿深度神经网络，这些网络在 various computer vision 任务中证明了有用：Resnet-101、NASNet、MobileNet_v2 和 Transformer ViT-b32。此外，我们定义了一个独特的大规模数据集，该数据集是在为机器学习准备的航行船舶上，从广泛的海洋条件中收集的。我们使用迁移学习方法在数据集上微调模型。获得的结果表明，这种方法有潜力补充传统方法，特别是在现场测量不可行或插值式天气浮标数据不够准确时。本研究为进一步开发海洋状态分类模型、解决海洋研究中识别的差距并实现更安全更高效的海洋作业奠定了基础。