一种基于图像学习的船舶阻力预报方法与流程

1.本发明属于舰船装备技术领域，更具体地，涉及一种基于图像学习的船舶阻力预报方法。


背景技术：

2.现代船舶总体设计对船舶航行性能预报效率提出了更高要求。在船舶论证设计过程中，需要根据总体方案要求，开展多轮次船型设计与优化。高精度仿真计算耗时长，在实际应用中难以满足快速优化的需求。构建近似模型是提高优化效率的一种方法。近似模型基于样本数据的输入与输出构造近似函数，实现对复杂设计空间的近似。目前，常用的近似技术主要有响应面方法、变精度模型、kriging模型、径向基函数模型等，并在船型优化领域进行了广泛的研究。
3.近似模型的建立需要样本空间。样本空间需要基于给定的设计变量范围，通过特定的样本点生成方法生成。对于不同的优化案例，设计变量通常是不同的。因此，近似模型与设计变量深度绑定，一个案例构建的近似模型无法积累并应用于后续的优化问题。如果想将已有的样本数据应用在新的优化问题，则需要重新定义和提取参数，工作量巨大。因而需要非参数化的，即不依赖于设计变量的数据库构建方式，以实现数据库的通用性和拓展性。
4.非参数化的数据库构建方式需要直接采用船体曲面的几何信息，即船体曲面上的型值点。一个船体曲面需要由数千个型值点才能完整定义，一般的近似模型难以处理如此高维的数据，需要引入深度学习中的卷积神经网络技术。
5.在输入数据的结构方面，之前的方法是采用展开式结构，即将所有型值点依次排列，得到n
×
3的矩阵格式，其中n为型值点的数量。这种展开式结构将原本型值点的临近关系打乱，不利于深度学习算法进行学习，且不同船型的型值点个数不同，只适用于型值点拓扑结构相同的同类船型，通用性和拓展性不强。


技术实现要素：

6.针对现有技术的以上缺陷或改进需求，本发明提出了一种基于图像学习的船舶阻力预报方法，以图像作为输入表达船型特征，有效克服了以往近似模型方法通用性和拓展性不强的缺点。
7.为实现上述目的，本发明提供了一种基于图像学习的船舶阻力预报方法，包括：
8.将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；
9.以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；
10.样本中的标签为相应船型对应的阻力数据；
11.采用深度学习框架搭建卷积神经网络模型，其中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层及输出层；
12.将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。
13.在一些可选的实施方案中，所述船型图像基于三维船型曲面，通过通用三维建模软件、相应数值仿真软件或自编程序生成。
14.在一些可选的实施方案中，所述船型图像的生成应在统一的标准下进行，应满足以下三个条件：对船型图像大小、显示范围及视口方向进行定义，保证不同船型文件得到的船型图像大小、显示范围及视口相一致；对船型图像显示的rgb颜色范围进行确定，保证不同船型文件得到的船型图像的颜色对应的坐标信息相一致；对输出船型图像的分辨率和格式进行确定，保证不同船型iges得到的船型图像的格式相一致。
15.在一些可选的实施方案中，所述阻力数据根据需要选择全船阻力或相关阻力系数，阻力系数通过相应数值计算方法得到，如势流方法、cfd方法等。
16.在一些可选的实施方案中，对于所述输入层，将船型图像作为输入，船型图像首先被转换成rgb像素亮度三维矩阵，每个颜色通道上的每个像素亮度值都是一个特征，并对每个特征进行归一化、标准化的处理。
17.在一些可选的实施方案中，对于所述卷积层，输入层输出的特征图首先经过卷积操作得到一张新的特性图，然后通过激活函数输出得到卷积层特征图，其中，卷积层的卷积操作通过卷积核实现，卷积核的参数包括尺寸和通道数，卷积操作的参数包括步长和填充。
18.在一些可选的实施方案中，对于所述池化层，一方面降低所述卷积层得到的特征图的大小从而简化计算复杂度，另一方面对所述卷积层得到的特征图进行压缩、提取主要特征。
19.在一些可选的实施方案中，对于所述全连接层，全连接层由多个神经元完全相连组成，通过cnn逐层提取到的特征输出到全连接层，使得整个cnn采用梯度下降法算法进行全局训练。
20.在一些可选的实施方案中，对于所述输出层，用于样本的预测输出，根据输出模型的不同，既能够用作回归分析，也能够用作分类任务。
21.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
22.本发明提出了一种基于图像学习的船舶阻力预报方法。该方法不依赖于船舶型线的设计方法和设计参数，能够在只给出船舶曲面图像的基础上预测出船舶阻力系数，并且具有较高的预测精度。本发明方法具有良好的拓展性，可以通过构建图像化的船型大数据库，实现对各种类型的船舶的水动力的预报。
附图说明
23.图1是本发明实施例提供的一种基于图像学习的船舶阻力预报方法的流程示意图；
24.图2是本发明实施例提供的一种不同船型方案船型曲面图像化后的示例，图中黑色区域为空值区，颜色越深代表y坐标值越大；
25.图3是本发明实施例提供的一种卷积神经网络结构示意图，卷积神经网络包含输
入层、卷积层、池化层、全连接层、输出层组成；
26.图4是本发明实施例提供的一种采用径向基函数方法进行船型变换得到一系列船型曲面，在船首、尾处各选1个控制点以控制船型变化；
27.图5是本发明实施例提供的一种卷积神经网络结构与参数示意图；
28.图6是本发明实施例提供的一种mse随训练次数的变化示意图；
29.图7是本发明实施例提供的一种预测值与真实值的对比示意图。
具体实施方式
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
31.实施例一
32.如图1所示，本发明实施例提供的一种基于图像学习的船舶阻力预报方法的流程示意图，包括：
33.s1：将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；
34.s2：以船型图像作为输入表达船型特征，其中，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示该处船体曲面型值点的宽度信息；
35.在本发明实施例中，船型图像可基于三维船型曲面，通过通用三维建模软件、或者相应数值仿真软件、或自编程序生成，船型图像的生成应在统一的标准下进行，应保证：
36.a.对船型图像大小、显示范围及视口方向进行定义，保证不同船型文件得到的船型图像大小、显示范围及视口相一致；
37.b.对船型图像显示的rgb颜色范围进行确定，保证不同船型文件得到的船型图像的颜色对应的坐标信息相一致；
38.c.对输出船型图像的分辨率、格式等进行确定，保证不同船型iges得到的船型图像的格式相一致；
39.另外考虑到沿船长方向船型曲面变化曲率较小，可在船长方向进行缩放以压缩船型图像尺寸。
40.图2给出了不同船型方案船型曲面图像示例。
41.s3：样本中的标签为该船型对应的阻力数据；
42.其中，阻力数据可以根据需要选择全船阻力或相关阻力系数，阻力系数可通过相应数值计算方法得到，如势流方法、cfd方法等。
43.s4：建立卷积神经网络，采用pytorch等深度学习框架搭建卷积神经网络模型，其中，卷积神经网络模型包含输入层、卷积层、池化层、全连接层及输出层，其中卷积层、池化层等中间层也被称为隐藏层；
44.a.输入层
45.以彩色船型图像输入为例，一张彩色船型图像首先被转换成rgb像素亮度三维矩阵，每个颜色通道上的每个像素亮度值都是一个特征。为了使像素亮度值分布更均匀，降低模型学习的难度，还需要对数据进行归一化、标准化的处理。
46.b.卷积层
47.卷积层是cnn的核心组成部分，上一层输出的特征图首先经过卷积操作得到一张新的特性图，然后通过激活函数输出得到卷积层特征图。卷积层的卷积操作通过卷积核实现，卷积核相当于一个过滤器，不同的卷积核对应着不同的特征提取能力。卷积核的主要参数主要包括尺寸和通道数，卷积操作的主要参数包括步长和填充。
48.c.池化层
49.池化层主要有两个作用，一方面可以降低特征图的大小从而简化计算复杂度，另一方面对特征进行压缩、提取主要特征。池化函数一般将卷积层的输出特征的空间某个位置的邻域位置都使用该邻域的整体统计量替代。例如，最大池化操作会提取某个方形区域的最大值来作为该方形区域的特征表达。
50.d.全连接层
51.全连接层由多个神经元完全相连组成。通过cnn逐层提取到的特征输出到全连接层，这样使得整个cnn可以采用梯度下降法等算法进行全局训练。
52.e.输出层
53.输出层用于样本的预测输出，根据输出模型的不同，既可以用作回归分析，也可以用作分类任务等。
54.卷积神经网络的结构如图3所示。
55.s5：将大量船型样本的船型图像和标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数；
56.s6：对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，可得到阻力预报结果。
57.实施例二
58.以下通过一个例子对本发明方法进行详细说明。
59.(1)准备样本；
60.在本发明实施例中，以母型为基础采用船型变换方法生成样本。以标模series 60船模为母型生成样本，series 60船模主尺度要素如下表1所示。
61.表1series 60船模主尺度要素
[0062][0063]
采用径向基函数方法进行船型变换得到一系列船型曲面。共选取3个变量控制船型变化。首先，在船首、尾处各选1个控制点，并选取这两个点的y坐标作为变量，如图4所示；同时对船体所有的空间点云的y坐标，给定一缩放因子α，控制船体曲面上所有点y的变化。3个变量具体信息见下表2。
[0064]
表2控制变量的范围
[0065][0066]
采取均匀试验设计方法对上述变量进行采样，共得到9983个样本。进一步将得到的船型曲面转换为位图。每个图像对应的标签为该图像对应船型的兴波阻力系数，采用三维势流方法计算得到。
[0067]
(2)建立卷积神经网络；
[0068]
在本发明实施例中，建立的卷积神经网络共包含一个输入层、三个卷积层、三个池化层、一个全连接层和一个输出层。各层的具体参数如图5所示。
[0069]
a.输入层
[0070]
输入层为基于s60的船型图像，其分辨率越高，建立的预测模型越准确，但建模时间和预测时间都会相应的增加，因此需要选择适中的分辨率。输入图像选取为150
×
150像素的彩色图像，即150
×
150的二维矩阵，取值在0-255之间。
[0071]
b.第一卷积层
[0072]
根据输入图像的分辨率，选取卷积核大小为3
×
3，卷积核的输出通道数为64，步长为2，不使用填充。经过卷积响应和非线性激励函数relu运算后，得到64个分辨率为74
×
74的特征图。
[0073]
c.第一最大池化层
[0074]
池化区域越大，步长越长，意味着特征图分辨率的降幅越大，运算速度越快，但也会丢失更多的信息，存在欠拟合的风险。因此，需要选择适当的池化参数。池化区域大小为2
×
2，步长为2，即相邻池化区域不重叠。经过池化处理后，得到64个分辨率为37
×
37的特征图。
[0075]
d.第二卷积层
[0076]
选取卷积核大小为3
×
3，卷积核的输出通道数为128，步长为2，不使用填充。经过卷积响应和非线性激励函数relu运算后，得到128个分辨率为18
×
18的特征图。
[0077]
e.第二最大池化层
[0078]
池化区域大小为2
×
2，步长为2，即相邻池化区域不重叠。经过池化处理后，得到128个分辨率为9
×
9的特征图。
[0079]
f.第三卷积层
[0080]
选取卷积核大小为3
×
3，卷积核的输出通道数为256，步长为2，不使用填充。经过卷积响应和非线性激励函数relu运算后，得到256个分辨率为4
×
4的特征图。
[0081]
g.第三最大池化层
[0082]
池化区域大小为2
×
2，步长为2，即相邻池化区域不重叠。经过池化处理后，得到256个分辨率为2
×
2的特征图。
[0083]
h.全连接层
[0084]
全连接层的神经元个数取决于前一层中特征图的分辨率及数量，设置一个全连接层，其神经元个数为1024个。
[0085]
i.输出层
[0086]
回归问题的输出通道为1。
[0087]
(3)模型训练；
[0088]
将9983个样本的顺序打乱，随机选择60％作为训练集，将兴波阻力系数归一化后作为其标签值，对cnn模型进行200次训练；在除训练样本之外的样本中随机选择20％样本作为验证集，对收敛情况进行验证。优化器选择adam，图像输入的批量大小设置为512，即每批输入512个船型图像样本进行训练；学习率设置1e-3；卷积核参数随机初始化。
[0089]
训练过程中均方误差mse随训练次数的变化曲线如图6所示，训练mse下降十分迅速，并且还有继续下降的趋势，说明模型的拟合程度已经达到了很高的水平。
[0090]
(4)模型测试。
[0091]
将剩下20％样本作为测试集，输入训练好的cnn模型，即可得到兴波阻力系数，预测时间远小于1s。预测值与真实值的对比情况如图7所示，整个测试集的平均误差约为3％，可以看出，模型的预测精度较高。
[0092]
本发明通过上述技术方案，基于图像化的数据输入能够避免特征参数的定义与选取，其与型值点选取规则和拓扑结构无关，十分便捷地实现数据库的积累与拓展。同时卷积神经网络能够以更少的参数实现对高维问题的回归预测，从而实现输入从有限特征参数到完整几何数据的转变。
[0093]
需要指出，根据实施的需要，可将本技术中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
[0094]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于图像学习的船舶阻力预报方法，其特征在于，包括：将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；样本中的标签为相应船型对应的阻力数据；采用深度学习框架搭建卷积神经网络模型，其中，卷积神经网络模型包括输入层、卷积层、池化层、全连接层及输出层；将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。2.根据权利要求1所述的方法，其特征在于，所述船型图像基于三维船型曲面，通过通用三维建模软件、相应数值仿真软件或自编程序生成。3.根据权利要求2所述的方法，其特征在于，所述船型图像的生成应在统一的标准下进行，应满足以下三个条件：对船型图像大小、显示范围及视口方向进行定义，保证不同船型文件得到的船型图像大小、显示范围及视口相一致；对船型图像显示的rgb颜色范围进行确定，保证不同船型文件得到的船型图像的颜色对应的坐标信息相一致；对输出船型图像的分辨率和格式进行确定，保证不同船型iges得到的船型图像的格式相一致。4.根据权利要求3所述的方法，其特征在于，所述阻力数据根据需要选择全船阻力或相关阻力系数，阻力系数通过相应数值计算方法得到。5.根据权利要求1至4任意一项所述的方法，其特征在于，对于所述输入层，将船型图像作为输入，船型图像首先被转换成rgb像素亮度三维矩阵，每个颜色通道上的每个像素亮度值都是一个特征，并对每个特征进行归一化、标准化的处理。6.根据权利要求5所述的方法，其特征在于，对于所述卷积层，输入层输出的特征图首先经过卷积操作得到一张新的特性图，然后通过激活函数输出得到卷积层特征图，其中，卷积层的卷积操作通过卷积核实现，卷积核的参数包括尺寸和通道数，卷积操作的参数包括步长和填充。7.根据权利要求6所述的方法，其特征在于，对于所述池化层，一方面降低所述卷积层得到的特征图的大小从而简化计算复杂度，另一方面对所述卷积层得到的特征图进行压缩、提取主要特征。8.根据权利要求7所述的方法，其特征在于，对于所述全连接层，全连接层由多个神经元完全相连组成，通过cnn逐层提取到的特征输出到全连接层，使得整个cnn采用梯度下降法算法进行全局训练。9.根据权利要求8所述的方法，其特征在于，对于所述输出层，用于样本的预测输出，根据输出模型的不同，既能够用作回归分析，也能够用作分类任务。

技术总结
本发明公开了一种基于图像学习的船舶阻力预报方法，属于舰船装备技术领域，包括：将一个船型作为一个样本，其中，一个样本中包括一张船型图像和一个标签；以船型图像作为输入表达船型特征，船型图像内容为船型的侧视图，像素点的颜色或者灰度表示相应处船体曲面型值点的宽度信息；样本中的标签为相应船型对应的阻力数据；采用深度学习框架搭建卷积神经网络模型；将船型样本的船型图像和对应标签输入卷积神经网络模型进行训练，得到卷积神经网络模型的参数，以在对新船的阻力进行预报时，将新船的船型图像输入卷积神经网络模型，得到阻力预报结果。本发明以图像作为输入表达船型特征，有效克服了以往近似模型方法通用性和拓展性不强的缺点。性不强的缺点。性不强的缺点。


技术研发人员：陈思 覃梦阳 魏骁 郭理想 李鹏
受保护的技术使用者：中国舰船研究设计中心
技术研发日：2023.03.27
技术公布日：2023/7/6