船體曲面特征的計(jì)算機(jī)視覺認(rèn)知與生成機(jī)制研究

杜 林，李廣年，鄭彭軍

（寧波大學(xué)，浙江 寧波 315000）

0 引 言

船體建模技術(shù)與幾何變形方法長久以來一直是船舶性能優(yōu)化過程中，特別是基于SBD 技術(shù)船型優(yōu)化中的重要研究方向，其與CFD 數(shù)值計(jì)算方法組成CAD-CAE 協(xié)同設(shè)計(jì)優(yōu)化體系[1-2]。目前，船體曲面建模方法的研究主要集中在基于NURBS 曲面（Non-Uniform Rational B-Splines，即非均勻有理B 樣條）的傳統(tǒng)船體參數(shù)化建模方法上。關(guān)于船體曲面變形與光順方法也主要依托于NURBS 的表達(dá)式擬合模型，通過徑向基函數(shù)插值[3-4]、Self-Blending 方法[5]、流曲線方法[6]等實(shí)現(xiàn)三維自動(dòng)變形，包括船體曲線和曲面光順性準(zhǔn)則在內(nèi)的其他相關(guān)研究也已非常成熟[6-7]。

計(jì)算機(jī)視覺技術(shù)和人工智能技術(shù)在近10 年時(shí)間里實(shí)現(xiàn)了跨越式發(fā)展，已廣泛應(yīng)用于各個(gè)行業(yè)。1998年的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neuronal Networks，簡稱CNN）模型LeNet，實(shí)現(xiàn)了手寫數(shù)字樣本精確分類[8]。2017年AlexNet采用修正線性單元解決了網(wǎng)絡(luò)較深時(shí)的梯度彌散問題，使得CNN 的分類準(zhǔn)確度空前提高[9]。計(jì)算機(jī)視覺技術(shù)不僅用于模擬生物視覺的認(rèn)知機(jī)制，同時(shí)在序列型數(shù)據(jù)生成方面也取得了重要成果。2014 年Goodfellow 等[10]首次提出生成式對抗網(wǎng)絡(luò)（Generative Adversarial Networks，簡稱GAN）模型。2016年，Radford等[11]提出了深度卷積生成式對抗網(wǎng)絡(luò)模型。我國學(xué)者在基于計(jì)算機(jī)視覺的三維模型重構(gòu)研究上取得了國際領(lǐng)先成果[12-14]。近些年，越來越多的研究者將計(jì)算機(jī)視覺技術(shù)應(yīng)用于海洋工程和流體力學(xué)領(lǐng)域[15-16]。其中，基于CNN 的船舶檢測與船舶分類技術(shù)已經(jīng)較為成熟[17-19]，在阻力性能預(yù)報(bào)方面也取得了一定的研究成果[20]。

船體曲面具有非常復(fù)雜的幾何形狀，不僅包括連續(xù)性和非連續(xù)性曲面，還常伴有附體結(jié)構(gòu)（舭龍骨、減搖鰭等）。常規(guī)優(yōu)化系統(tǒng)內(nèi)的參數(shù)建模方法主要基于NURBS 曲面技術(shù)通過調(diào)節(jié)控制點(diǎn)位置和權(quán)重完成曲面變形，較難實(shí)現(xiàn)非連續(xù)曲面變形和附體結(jié)構(gòu)變形。從數(shù)據(jù)類型上分析，船體型值數(shù)據(jù)與圖片數(shù)據(jù)都是序列相關(guān)型數(shù)據(jù)，所以廣泛用于圖片和視頻數(shù)據(jù)處理的計(jì)算機(jī)視覺技術(shù)，也同樣適用于船體型值數(shù)據(jù)處理。本文作者依托這一共性特征，首先采用卷積神經(jīng)網(wǎng)絡(luò)對船體曲面區(qū)域進(jìn)行分類預(yù)測，證明其能夠較為準(zhǔn)確地分辨船體區(qū)域特征；然后分別采用一體式（All-In-Once，簡稱AIO）和分區(qū)式（Separative Method，簡稱SPM）策略建立生成式對抗網(wǎng)絡(luò)模型，并分別構(gòu)造船體曲面，證明兩種策略的可行性；最后通過對比生成模型與真實(shí)船型間的特征差異，分析一體式與分區(qū)式策略的局限性，并提出改進(jìn)方法。本文旨在證明將計(jì)算機(jī)視覺技術(shù)引入船體型線設(shè)計(jì)的可能性，并探索進(jìn)一步研究所要面對的潛在問題，為相關(guān)研究內(nèi)容提供理論和實(shí)踐上的支持。

1 船體曲面數(shù)據(jù)集和區(qū)域分割方法

本文基于長期科研過程中所積累的大量船體型值數(shù)據(jù)，通過Lackenby變換、曲面融合等方法得到了一個(gè)包含250艘船體型線的數(shù)據(jù)集（包括拖網(wǎng)漁船、油船、散貨、集裝箱、驅(qū)逐艦等）。數(shù)據(jù)集中的船型將按照7：3比例隨機(jī)劃分為訓(xùn)練集與驗(yàn)證集，用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證，其部分樣本如圖1所示。

圖1 船型數(shù)據(jù)集部分船型特征Fig.1 Some models of the ship hull database

1.1 數(shù)據(jù)集模型特征

船型數(shù)據(jù)集的多樣性分別體現(xiàn)在樣本的主尺度分布情況（如表1所示）和樣本幾何特征分布情況（如表2所示）。

表1 船型數(shù)據(jù)集的樣本主尺度分布情況Tab.1 Distribution of ship’s principal dimensions in database

表2 船型數(shù)據(jù)集幾何特征分布情況Tab.2 Statistics of ship hulls’characteristics in database

1.2 數(shù)據(jù)集預(yù)處理和船體曲面區(qū)域分割方法

采用3 種方案（2×4，2×6，2×8）對數(shù)據(jù)集內(nèi)的所有船型樣本進(jìn)行區(qū)域分割。具體分割和編碼方法如圖2 所示。以2×8 方案為例，將無量綱化船體沿xz方向均勻分割，自船艉向船艏從小到大編碼（0～7區(qū)，8～15區(qū)），從甲板向基線方向進(jìn)行編碼（7～8區(qū)域）。

圖2 區(qū)域分割和編碼方式（2×8情況）Fig.2 Subdivision and numbering method（Case 2×8）

為保證輸入樣本的數(shù)據(jù)尺度相同，所有分割法均保證數(shù)據(jù)解析度為32×32，如圖3所示，其中顏色的深淺代表半寬值大?。ㄉ钌咏?，淺色接近0）。對于同一艘船，采用不同的分割形式所觀測到的特征有差異，說明不同切割方式的長寬比對特征采集有影響，但不在本文研究范圍之內(nèi)。

圖3 在32×32解析度下不同分割方案的球艏部分?jǐn)?shù)據(jù)可視化情況Fig.3 Bulbous bow visualization with 32×32 resolution in different subdivision cases

為了消除尺度對船體形狀認(rèn)知的影響，提高卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確性，本文對船體型值數(shù)據(jù)進(jìn)行無量綱化處理，半寬值數(shù)據(jù)歸入0～1范圍內(nèi)，船長和型深方向的數(shù)據(jù)按照分割方案進(jìn)行無量綱化處理。以2×8為例，船長方向數(shù)據(jù)歸入-4～4區(qū)間內(nèi)，型深方向數(shù)據(jù)歸入-1～1區(qū)間內(nèi)。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的船體曲面特征認(rèn)知機(jī)制

卷積神經(jīng)網(wǎng)絡(luò)模型源于生物視覺原理，通過模擬生物視覺感受野（Receptive Field）的功能對序列相關(guān)型數(shù)據(jù)進(jìn)行特征提取。卷積神經(jīng)網(wǎng)絡(luò)模型主要包括：代表網(wǎng)絡(luò)訓(xùn)練結(jié)果優(yōu)劣的損失函數(shù)；用于求解最小損失函數(shù)值使得模型訓(xùn)練過程收斂的優(yōu)化算法；提取數(shù)據(jù)特征的卷積層；降低參數(shù)數(shù)量級(jí)的池化層（降維）；負(fù)責(zé)輸出結(jié)果的全連接層神經(jīng)網(wǎng)絡(luò)（分類）。

2.1 損失函數(shù)與優(yōu)化算法

損失函數(shù)是用來評估網(wǎng)絡(luò)模型的預(yù)測值f（x）與真實(shí)值Y的差異程度。一般函數(shù)值是一個(gè)非負(fù)實(shí)數(shù)，以L（Y，f（x））表示。一般來說，得到的損失函數(shù)值越小，說明模型的魯棒性越強(qiáng)，具有較高的預(yù)測精度和良好的泛化性。較為常見的損失函數(shù)包括：

（1）平均絕對誤差損失（Mean Absolute Error Loss，簡稱MAE，又稱L1損失）：

（2）均方誤差損失（Mean Squared Error Loss，簡稱MSE，又稱L2損失）：

（3）交叉熵?fù)p失（Cross-Entropy Loss，簡稱CEL又稱對數(shù)似然損失，Log-likelihood Loss）：

本文通過卷積神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí)模型進(jìn)行分類預(yù)測。在損失函數(shù)和激活函數(shù)的選擇上，采用在解決圖片分類問題中較為常見的二元交叉熵?fù)p失函數(shù)（Binary-Cross-Entropy Loss）與Sigmoid 激活函數(shù)組合。優(yōu)化算法的選擇對多元分類模型的性能非常重要，相同的模型，由于選擇不同的優(yōu)化算法，可能導(dǎo)致其性能差異巨大，甚至導(dǎo)致模型訓(xùn)練無法收斂。常用的優(yōu)化算法主要包括梯度下降類算法、動(dòng)量算法以及自適應(yīng)梯度類算法。本文所采用的Adam 算法利用梯度的一階矩估計(jì)和二階矩估計(jì)來動(dòng)態(tài)調(diào)整學(xué)習(xí)率。Adam 的優(yōu)點(diǎn)主要在于經(jīng)過偏置矯正后，每次迭代的學(xué)習(xí)率都有一個(gè)范圍，類似于動(dòng)量算法，參數(shù)迭代非常穩(wěn)定。

2.2 網(wǎng)絡(luò)結(jié)構(gòu)

本文基于Pytorch平臺(tái)構(gòu)建了用于對艏艉曲面特征進(jìn)行二分類的卷積神經(jīng)網(wǎng)絡(luò)模型，如圖4所示。網(wǎng)絡(luò)輸入層是32×32的二維數(shù)組，為了更完整地提取型線邊緣的特征信息，在輸入層四周添加一層數(shù)值為0 的元素，則原數(shù)組變?yōu)?4×34。用4 個(gè)3×3 的卷積核，以步長為1，分別得到4 組32×32 特征數(shù)組（第一卷積層）；用4 個(gè)3×3 的卷積核，以步長為2，分別得到4 組15×15 特征數(shù)組（第二卷積層）。重復(fù)用3×3 的卷積核，步長值交替取1 和2，經(jīng)過兩次后分別得到13×13 和6×6 特征數(shù)組。將6×6 的卷積層轉(zhuǎn)置成一維數(shù)組后，建立一個(gè)全連接網(wǎng)絡(luò)，以此一維數(shù)組為輸入，以1 個(gè)1×2 獨(dú)熱編碼（即僅有1 個(gè)元素為1，其他都為0）為輸出。如果網(wǎng)絡(luò)所輸出的獨(dú)熱編碼（one-hot code）為[1，0]，則意味著網(wǎng)絡(luò)判定所輸入的船體型值屬于船艉，如果是[0，1]，則判斷為船艏。

圖4 用于船體艏艉型線特征分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Structure of CNN for ship hull’s stern and front classification

在區(qū)域數(shù)目增多時(shí)，獨(dú)熱編碼數(shù)組的尺度隨其增大，以2×8 分割方式為例，CNN 輸出的獨(dú)熱編碼數(shù)組中第10 區(qū)的數(shù)值高于其他區(qū)域（柱狀圖），如圖5 所示，即模型判定輸入特征與第10 區(qū)域數(shù)據(jù)特征更匹配。神經(jīng)網(wǎng)絡(luò)輸出區(qū)域判定結(jié)果為1×16的獨(dú)熱編碼，且10號(hào)區(qū)域?qū)?yīng)元素為1。

圖5 獨(dú)熱編碼輸出判斷樣本所屬區(qū)域方法Fig.5 One-hot code classification method

2.3 訓(xùn)練結(jié)果與分類性能

本文基于Pytorch 框架構(gòu)建船型數(shù)據(jù)集和卷積神經(jīng)網(wǎng)絡(luò)模型，按照上述內(nèi)容設(shè)定損失函數(shù)與優(yōu)化算法，所有分割方案數(shù)據(jù)集統(tǒng)一經(jīng)過epoch=30 的訓(xùn)練后（由于分割方式不同導(dǎo)致樣本數(shù)量不同，所以圖6橫軸坐標(biāo)不同，但所有分割方式的epoch數(shù)量都是30），損失函數(shù)值變化過程如圖6所示。

圖6 卷積神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)值隨訓(xùn)練收斂的過程Fig.6 Convergence process of CNN training in different cases

初步構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型在不同分割方案下的分類性能表現(xiàn)如表3所示，其在2×4，2×6，2×8三種方案中表現(xiàn)為訓(xùn)練準(zhǔn)確率隨分割區(qū)域的增多而逐漸下降。

表3 卷積神經(jīng)網(wǎng)絡(luò)模型解決船體型線區(qū)域分類問題的性能Tab.3 Performance of CNN in solving various hull subdivision classification cases

由此可知，本文基于卷積神經(jīng)網(wǎng)絡(luò)模型所構(gòu)建的船體曲面特征認(rèn)知機(jī)制，能夠較為準(zhǔn)確地辨別2×4 分割方案下的船體曲面特征。以此為依據(jù)，本文在構(gòu)建曲面特征生成機(jī)制時(shí)，分區(qū)式生成法將采用2×4 方案，并依照相同的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)GAN模型的判別器網(wǎng)絡(luò)。

3 基于生成式對抗網(wǎng)絡(luò)的船體曲面生成機(jī)制

本文設(shè)計(jì)了兩種曲面生成方法：一體式和分區(qū)式方法。一體式方法是通過一個(gè)生成器網(wǎng)絡(luò)與一個(gè)判別器網(wǎng)絡(luò)進(jìn)行對抗（一對一對抗），直接生成一個(gè)完整的船體曲面。分區(qū)式方法是通過多個(gè)生成器與多個(gè)判別器網(wǎng)絡(luò)進(jìn)行對抗（多對多對抗），依次生成各個(gè)船體曲面區(qū)域而完成建模。

基于生成式對抗網(wǎng)絡(luò)的船體曲面分區(qū)式建模過程如圖7 所示。首先，根據(jù)所采用的曲面生成策略，對船型數(shù)據(jù)進(jìn)行曲面離散和區(qū)域分割等預(yù)處理工作；然后，基于卷積神經(jīng)網(wǎng)絡(luò)建立船體曲面特征認(rèn)知機(jī)制；最后，生成器將初始樣本輸入基于曲面特征認(rèn)知機(jī)制的判別器，令其對比樣本特征與標(biāo)準(zhǔn)曲面特征，如果樣本符合船體曲面特征要求則輸出，否則更新生成器網(wǎng)絡(luò)的超參數(shù)后生成新樣本，并再次由判別器判斷，迭代此過程直至兩個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)納什均衡，能夠穩(wěn)定輸出具有船體曲面特征的數(shù)據(jù)，則GAN網(wǎng)絡(luò)訓(xùn)練完成。本文采用Adam優(yōu)化算法和交叉熵?fù)p失函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖7 生成式對抗網(wǎng)絡(luò)的船體曲面生成流程示意圖（分區(qū)式方法）Fig.7 Process of ship hull form generating by GAN（Separative method）

3.1 一體式生成方法

一體式方法的生成器和判別器網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示，其生成器網(wǎng)絡(luò)是一個(gè)逆卷積解碼器的結(jié)構(gòu)，包括2 個(gè)全連接層和3 個(gè)反卷積層。其輸入層是由一個(gè)隨機(jī)正態(tài)分布種子生成器來生成1×200 的隨機(jī)種子。生成器網(wǎng)絡(luò)的輸出層是經(jīng)過3次反卷積計(jì)算的64×128單通道二維數(shù)組。判別器網(wǎng)絡(luò)是一個(gè)典型的卷積神經(jīng)網(wǎng)絡(luò)模型，包括3 個(gè)卷積層和2 個(gè)全連接層，輸入層為裝載無量綱半寬數(shù)據(jù)的64×128單通道二維數(shù)組，輸出層是1個(gè)標(biāo)量（結(jié)果接近1則判定輸入數(shù)據(jù)與數(shù)據(jù)集船型接近，接近0則判定輸入數(shù)據(jù)為隨機(jī)噪聲）。判別器網(wǎng)絡(luò)通過交替輸入隨機(jī)噪聲和標(biāo)準(zhǔn)船型，采用誤差反向傳播訓(xùn)練模型，直至判別器的損失函數(shù)收斂或迭代達(dá)到最大次數(shù)。

圖8 一體式方法的判別器與生成器網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.8 Network structure of AIO method

3.2 分區(qū)式生成方法

基于船體曲面特征認(rèn)知機(jī)制的研究結(jié)果可知，卷積神經(jīng)網(wǎng)絡(luò)模型能夠在2×4分割方案下，較為準(zhǔn)確地認(rèn)知32×32 的船體曲面特征（測試集分類準(zhǔn)確率為98.17%）。所以，采用2×4 方案構(gòu)建GAN 模型實(shí)現(xiàn)船體曲面的分區(qū)式特征認(rèn)知與生成，具備一定的先驗(yàn)性依據(jù)。

判別器網(wǎng)絡(luò)基于LeNet 模型，包括3 個(gè)卷積層和1 個(gè)全連接層，如圖9（a）所示，輸入層為32×32 的二維單通道矩陣，輸出層為1×1 的標(biāo)量，通過交替輸入當(dāng)前區(qū)域的型值特征樣本和隨機(jī)噪聲，采用誤差反向傳播來訓(xùn)練判別器網(wǎng)絡(luò)，直至損失函數(shù)值收斂或迭代達(dá)到最大次數(shù)。生成器網(wǎng)絡(luò)依舊是一個(gè)反卷積解碼器的結(jié)構(gòu)，其包括2 個(gè)全連接層和3 個(gè)反卷積層，其輸入層由一個(gè)隨機(jī)正態(tài)分布種子生成器生成1×200的隨機(jī)種子，其輸出層是經(jīng)過3次反卷積計(jì)算的32×32單通道二維數(shù)組。

圖9 分區(qū)式方法的判別器與生成器網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.9 Network structure of separative method

4 生成式對抗網(wǎng)絡(luò)的訓(xùn)練與樣本質(zhì)量

一體式方法的判別器損失變化一直較為穩(wěn)定（絕大部分在5 以下波動(dòng)），其生成器損失值在初始迅速上升后（超過9），迅速趨于平穩(wěn)（200步之前）并持續(xù)波動(dòng)，如圖10（a）～（b）所示。

圖10 兩種策略生成式對抗網(wǎng)絡(luò)模型的損失函數(shù)在訓(xùn)練中的變化Fig.10 Loss functions of GAN in training process of two methods

分區(qū)式方法的判別器損失值波動(dòng)更小（大部分集中在2.5以下），但整個(gè)訓(xùn)練過程仍存在個(gè)別較高的損失值（10 000 次附近），如圖10（c）所示；其生成器損失值一直在相對較低的位置震蕩（1～5 之間），而且并沒有和一體式網(wǎng)絡(luò)一樣出現(xiàn)在訓(xùn)練初期生成器損失值激增的情況，如圖10（d）所示。

一體式方法的訓(xùn)練過程中，出現(xiàn)了勢均力敵的對抗表現(xiàn)（判別器和生成器的損失值均持續(xù)較大范圍的波動(dòng)，且判別器損失值趨于減小，生成器損失值先增高后降低并持續(xù)波動(dòng)）。在分區(qū)式方法的訓(xùn)練過程中，判別器則明顯較為強(qiáng)勢（整個(gè)過程具有很小且較穩(wěn)定的損失值），生成器在同判別器的對抗中沒有出現(xiàn)損失值先增大后減小的情況，其迅速被判別器支配，這可能導(dǎo)致生成樣本趨同化。

從信息密度上分析，單個(gè)樣本的信息量從一體式的64×128降至分區(qū)式的32×32，這使得判別器能夠獲取更微觀的特征，但生成器的自由度卻降低了，所以判別器性能相較于生成器更強(qiáng)勢。損失函數(shù)僅能體現(xiàn)網(wǎng)絡(luò)訓(xùn)練是否收斂，若要衡量網(wǎng)絡(luò)的實(shí)際性能則需進(jìn)一步分析生成樣本質(zhì)量。

4.1 一體式方法的樣本質(zhì)量

一體式方法所生成的船型如圖11（b）所示，其中#1模型艉部特征與#2生成船型具有明顯區(qū)別；#2生成模型具有較為平滑的水下艏部結(jié)構(gòu)，基線附近的特征也與#1生成船型區(qū)別明顯?？傮w來看，一體式生成船型的船體輪廓較為模糊，連續(xù)區(qū)域顏色分布不均勻表明其曲面有較為明顯的噪聲，即曲面有義性較差，但其呈現(xiàn)出了較為多樣的船體曲面形狀。相比11（a）中數(shù)據(jù)集船型，雖然樣本質(zhì)量仍有明顯差距，但在多樣性方面具有較為突出的表現(xiàn)。

圖11 一體式生成方法所生成的船型樣本的側(cè)視圖Fig.11 Samples generated by GAN with AIO method

4.2 分區(qū)式生成方法的樣本質(zhì)量

從生成樣本的總體質(zhì)量來講，清晰度和噪音情況略優(yōu)于一體式方法，如圖12 所示。但相較于數(shù)據(jù)集中的真實(shí)船型，仍具有肉眼可見的區(qū)別和缺陷。如0 區(qū)（艉部甲板方向的區(qū)域），生成船型#1、#2的艉封板顏色比數(shù)據(jù)集中的真實(shí)船型#1、#2 更淺，且邊緣部分有明顯噪點(diǎn)，這說明0 區(qū)曲面光順程度較差；2 區(qū)（船舯靠艏部的甲板方向區(qū)域），數(shù)據(jù)集中的真實(shí)船型#2 具有肉眼可見的梯度變化（右下角顏色較淺，半寬值較?。纱?1、#2對應(yīng)區(qū)域中的梯度變化難以觀測；4區(qū)（船艉基線方向），生成船型#1、#2的輪廓較為模糊，而真實(shí)船型#1的輪廓較為清晰。

圖12 分區(qū)式生成方法所生成的船型樣本的側(cè)視圖Fig.12 Samples generated by GAN with separative method

4.3 兩種方法的三維曲面樣本質(zhì)量對比

將兩種方法生成的二維數(shù)組導(dǎo)出后，本文對無量綱化數(shù)據(jù)進(jìn)行了放大、曲面光順與降噪處理后，船型數(shù)據(jù)三維可視化曲面如圖13～14所示。一體式方法所生成的船體曲面總體上具有較好的曲面質(zhì)量，如圖13 所示（左舷為原始生成數(shù)據(jù)，右舷為降噪和光順后數(shù)據(jù)），但仍存在肉眼可見的曲面凹凸（如圖艉部）。同時(shí)，艏部水線以下雖具有生成球艏特征的趨勢，但不夠明顯和完整，反而破壞了曲面質(zhì)量。

圖13 一體式生成方法所生成的船體曲面（曲面降噪和畸變修復(fù)后）Fig.13 Surface generated by GAN with AIO method（smoothened and faired）

對于分區(qū)式方法生成的船體曲面，各區(qū)域內(nèi)部具有較好的曲面光順度，特別是經(jīng)過降噪處理后，各區(qū)域曲面質(zhì)量有所提升，如圖14 所示。但由于在生成過程中，各生成器與判別器的訓(xùn)練是相互獨(dú)立的，并沒有考慮到生成曲面區(qū)域之間的銜接問題，所以各區(qū)域的邊緣處具有肉眼可見的明顯曲面畸變（3、6、7區(qū)域）。

圖14 分區(qū)式生成方法所生成的船體曲面（曲面降噪和畸變修復(fù)后）Fig.14 Surface generated by GAN with separative method(smoothened and faired)

5 結(jié) 論

本文旨在探索采用計(jì)算機(jī)視覺技術(shù)建立船體曲面特征的認(rèn)知和生成機(jī)制的可行性，嘗試構(gòu)建基于卷積神經(jīng)網(wǎng)絡(luò)的船體曲面特征的認(rèn)知機(jī)制，以及基于生成式對抗網(wǎng)絡(luò)的船體曲面特征的生成機(jī)制。研究得到了如下結(jié)論：

（1）通過卷積神經(jīng)網(wǎng)絡(luò)模型對不同分割方案下的船體曲面區(qū)域特征識(shí)別精度研究，初步證明了計(jì)算機(jī)視覺方法能夠分辨不同船體曲面的區(qū)域特征，證明了基于卷積神經(jīng)網(wǎng)絡(luò)模型建立船體曲面特征認(rèn)知機(jī)制的可行性；

（2）采用一體式方法（AIO）的生成式對抗網(wǎng)絡(luò)模型，能夠生成具有較好曲面全局完整性的船型樣本，但其訓(xùn)練成本較高、損失函數(shù)收斂不穩(wěn)定，容易出現(xiàn)模式崩潰現(xiàn)象，且其在個(gè)別區(qū)域內(nèi)仍難以避免凹凸，降低了生成樣本的實(shí)用性；

（3）采用分區(qū)式方法（SPM）的生成式對抗網(wǎng)絡(luò)模型，訓(xùn)練成本低、損失函數(shù)相對較為穩(wěn)定，模式崩潰現(xiàn)象出現(xiàn)較少，能夠快速生成較為理想的區(qū)域曲面，但由于各生成器間沒有全局約束，導(dǎo)致所生成的曲面區(qū)域之間無法光順銜接，區(qū)域連接處具有較為明顯的曲面畸變，導(dǎo)致生成船型不具備曲面有義性。

綜上，基于計(jì)算機(jī)視覺技術(shù)建立船體曲面特征認(rèn)知與生成機(jī)制具有一定的可行性，其中，基于卷積神經(jīng)網(wǎng)絡(luò)模型的特征認(rèn)知機(jī)制能夠準(zhǔn)確地分辨不同的曲面區(qū)域（2×4分割方案下的測試集識(shí)別精度達(dá)到98.17%）。但目前的研究表明，本文所采用的一體式和分區(qū)式生成方法均具有各自的局限性，難以獨(dú)立滿足實(shí)際工程應(yīng)用對生成曲面的多樣性和有義性的要求。在后續(xù)研究中，將在基于計(jì)算機(jī)視覺技術(shù)的船體曲面生成機(jī)制方面，特別在兩種生成方法的融合與改進(jìn)方面開展進(jìn)一步的探索和研究。