水路航运是人类综合交通运输网必不可少的组成部分,随着船舶使用量的不断增加,船舶超载工作等违法行为发生频率也越来越高,带来了巨大的安全隐患。因此,对船舶进行超吃水判别,并对超载船舶的身份进行准确识别具有重要的研究价值。基于深度学习的车牌识别技术目前已取得了许多重要进展,然而由于船舶铭牌并没有统一的字体与安装位置要求,相关技术在水路航运领域的应用仍然很缺乏。本文对基于深度学习的船舶超吃水判别和船牌识别系统进行了一定的研究,主要的工作总结如下:本文首先搭建基于YOLO v3的目标检测算法网络,通过识别图像上是否存在船舶载重线标识的方式来对船舶的超吃水状态做出判别。同时提出超载船舶再识别算法,计算图像上船舶侧板超出水面的像素高度实现再次判别,提高了超吃水状态判别的精度。之后,提出了基于YOLO v3算法的简易目标跟踪方式,实现了对判定为超载的船舶在视频监控上的实时跟踪。为了对超载船舶进行告警与纠正,需要对船舶身份进行识别,包括船牌的定位提取、倾斜矫正、字符分割与识别。本文提出了基于YOLO v3算法的铭牌定位提取方式,并将船体图像按宽度大小三等分再输入网络进行检测,有效解决了船牌在图像上占比较小的问题。针对提取船牌存在字符倾斜的问题,对字符进行了水平方向上的倾斜矫正。通过阴影分割算法分割下船牌上的单个字符,并训练YOLO v3网络模型对字符进行识别。最后,建立船名有限中文库按照关键词检索的方式对漏识别、误识别的船名进行匹配更正,最终达到了较高的识别准确率。实验结果表明,设计优化的船舶超吃水判别系统在测试集上达到了 91.525%的多类别平均精度,船牌识别系统的正确率达到了 91.37%,且检测速度达到了每秒33次,满足了系统的准确性与实时性需求。本文相关的研究与技术实现,已经在苏州鹤溪大桥航段的海事监控系统中得到了具体应用,实现了良好的检测功能。