Осадка – вертикальное расстояние, измеренное от верхней кромки киля посредине судна до соответствующей грузовой ватерлинии. Существующие технические решения не позволяют производить высокоточные измерения осадки в условиях морского волнения. В данной работе предложен альтернативный способ определения осадки судна, основанный на обработке видеоизображения методами машинного обучения. Для детекции и локализации цифр марок углубления использована нейронная сеть YOLOv5, для сегментации водной поверхности использована нейронная сеть U-Net. Полученные первичные результаты показывают эффективность данного подхода. Цели данной работы – предложить способ определения осадки судна, основанный на алгоритмах машинного обучения и компьютерного зрения, а также обосновать его эффективность. К преимуществам данного способа стоит отнести отсутствие необходимости в архитектурных изменения корпуса судна, его универсальности для судов любого типа, обеспечение высокоточных измерений при любых погодных условиях, а также сравнительно низкую стоимость внедрения и эксплуатации. На судах навалочного типа знание осадки необходимо для обеспечения безопасности судна на протяжении всей грузовой операции, определения массы груза, а следовательно, напрямую влияет на экономическую эффективность судна. Средства определения осадки крайне важны на таких судах, однако из-за высокой стоимости оборудования и сравнительно небольшого выигрыша в точности судовладельцы предпочитают идти на компромисс с грузоотправителем и учитывают погрешности определения массы груза при расчете фрахта.
Draft is the vertical distance measured from the top of the keel at the center of the vessel to the corresponding load waterline. The existing technical solutions do not allow high-precision measurements of the draft in conditions of sea waves. This paper proposes an alternative method for determining the ship’s draft, based on video processing using machine learning methods. The YOLOv5 neural network was used to detect and localize the digits of the indentation marks, and the U-Net neural network was used to segment the water surface. The primary results obtained show the effectiveness of this approach. For the purpose of this work, propose a method for determining the ship’s draft based on machine learning and computer vision algorithms, as well as substantiate its effectiveness. The advantages of this method include the absence of the need for architectural changes in the ship’s hull, its versatility for ships of any type, ensuring high-precision measurements in all weather conditions, as well as the relatively low cost of implementation and operation. On bulk vessels, knowledge of the draft is necessary to ensure the safety of the vessel throughout the entire cargo operation, to determine the mass of the cargo, and therefore directly affects the economic efficiency of the vessel. Means for determining draft are extremely important on such ships, however, due to the high cost of equipment and a relatively small gain in accuracy, shipowners prefer to compromise with the shipper and take into account the errors in determining the mass of the cargo when calculating the freight.
1. Пат. 2668003 Российская Федерация, B 63 B 39/12, Устройство для измерения осадки плавучего средства на волнении / Алексеев С.В., Поляшов А.А., Кичко С.А.; заявитель и патентообладатель Российская Федерация, от имени которой выступает министерство промышленности и торговли Российской Федерации. № 2017137943/17; заявл. 31.10.2017; опубл. 25.09.2018.
2. Заявка 2018100528 Российская Федерация, МПК В63В 39/12 (2006.01). Способ определения осадки судна / Дорошенко С.Ю. (РФ), Дубинко Т.Ю (РФ), Ольховик Е.О. (РФ), Тхоржевская Н.О. (РФ); патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего образования «Государственный университет морского и речного флота имени адмирала С.О. Макарова»; заявл. 09.01.2018; опубл. 28.02.2019, Бюл. № 7; RU 2680944 C1. 8 с.
3. Боков П.А., Кравченя П.Д. Экспериментальный анализ точности и производительности разновидностей архитектур YOLO для задач компьютерного зрения // Программные продукты и системы / Software & Systems. 2020. Т. 33. № 4. С. 635–640.
4. Задача нахождения объектов на изображении. 2018. [Электронный ресурс]. URL: https://neerc.ifmo.ru/wiki/index.php?title=Задача_нахождения_объектов_на_изображении (дата обращения: 10.06.2021).
5. Ивановский А.Н., Марковкина Н.Н., Черный С.Г. Выделение марки углубления на изображении с использованием алгоритмов компьютерного зрения // Морские интеллектуальные технологии. 2021. № 1–2 (51). С. 102–107.
6. Ивановский А.Н. Улучшение точности измерения массы груза по осадкам с применением современных информационных технологий. Образование, наука и молодежь – 2020: сборник трудов по материалам II научно-практической конференции студентов и курсантов. 2020. С. 21–24.
7. Gu H.W., Zhang W., Xu W.H. Digital Measurement System for Ship Draft Survey. Applied Mechanics & Materials. 2013. Vol. 333–335. P. 312–316. DOI: 10.4028/www.scientifi c.net/amm.333-335.312.
8. Черный С.Г., Жиленков А.А. Увеличение степени отказоустойчивости в программно-аппаратных системах сетевого управления на примере мягкого облачного хранилища // Научно-техническая информация. Серия 2: Информационные процессы и системы. 2020. № 1. С. 28–35.
9. Tsujii T., Yoshida H., Iiguni Y. Automatic draft reading based on image processing. Optical Engineering. 2016. № 55 (10). P. 104–104. DOI: 10.1117/1.OE.55.10.104104.
10. Wang, Zhong, Peibei Shi, Chao Wu. A Ship Draft Line Detection Method Based on Image Processing and Deep Learning. Journal of Physics: Conference Series. Vol. 1575. No. 1. IOP Publishing. 2020. P. 1–6.
11. X. Ran, C. Shi, J. Chen, S. Ying, K. Guan. Draft line detection based on image processing for ship draft survey. 2nd Int. Congr. Comput. Appl. and Comput. Sci. 2012. Vol. 2. P. 39–44.
12. Scene Text Localization & Recognition Resources 2018. [Электронный ресурс]. URL: https://github.com/chongyangtao/Awesome-Scene-Text-Recognition (дата обращения: 08.06.2021).
13. Вынгра А.В., Черный С.Г., Новак Б.П., Ерофеев П.А. Разработка компонентов системы управления нейро-структурного регулятора для контроля энергетических процессов // Системы управления и обработки информации. 2020. № 4 (51). С. 27–37.
14. Вынгра А.В., Черный С.Г. Идентификация настройки пи-регулятора на платформе нейросетевой структуры // Датчики и системы. 2020. № 8 (250). С. 20–26.