Автоматическое распознавание значений глубины на лоцманских картах с использованием методов глубокого обучения

Введение. Рассматривается проблема автоматического распознавания текста на изображениях, в частности задача извлечения информации о глубинах с лоцманских карт. Актуальность данной задачи обусловлена необходимостью автоматизации обработки больших объемов картографических данных для построения карты глубин, пригодной для математического моделирования гидродинамических и гидробиологических процессов. Целью работы является разработка программного средства (ПС) LocMap, предназначенного для автоматического обнаружения и распознавания значений глубин, представленных в виде чисел на изображениях лоцманских карт. Материалы и методы. В работе использованы методы глубокого обучения, а именно сверточные нейронные сети ResNet для извлечения признаков, алгоритм дифференцируемой бинаризации DB для обнаружения текста и архитектура Scene Text Recognition with a Single Visual Model (SVTR) для распознавания текста.

Результаты исследования. Разработанное ПС позволяет загружать изображения лоцманских карт, выполнять предобработку, обнаруживать и распознавать значения глубин, выделять их на изображении и сохранять результаты в текстовый файл. Результаты тестирования показали, что разработанная система обеспечивает высокую точность распознавания значений глубин на лоцманских картах.

Обсуждение и заключение. Полученные результаты демонстрируют практическую значимость разработанного решения для автоматизации обработки лоцманских карт.

1. Лященко Т.В., Чистяков А.Е., Никитина А.В. Моделирование процесса распространения загрязнения водной экосистемы фосфатами. Computational Mathematics and Information Technologies. 2023;6(4):47–53. https://doi.org/10.23947/2587-8999-2023-7-4-47-53

2. Белова Ю.В., Филина А.А., Чистяков А.Е. Прогнозирование динамики летних видов фитопланктона на основе методов усвоения спутниковых данных. Computational Mathematics and Information Technologies. 2024;8(4):27–34. https://doi.org/10.23947/2587-8999-2024-8-4-27-34

3. Belova Yu.V., Razveeva I.F., Rakhimbaeva E.O. Development of an Algorithm for Semantic Segmentation of Earth Remote Sensing Data to Determine Phytoplankton Populations. Advanced Engineering Research (Rostov-on-Don). 2024;24(3):283–292. https://doi.org/10.23947/2687-1653-2024-24-3-283-292

4. Cubuk E. D., Zoph B., Mané D., Vasudevan V. and Le Q. V., Autoaugment: Learning augmentation strategies from data[C]. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Long Beach, CA, USA, 2019. P. 113–123. https://doi.org/10.1109/CVPR.2019.00020

5. Minghui Liao, Zhaoyi Wan, Cong Yao, Chen Kai, Xiang Bai. Real-Time Scene Text Detection with Differentiable Binarization. In: Proceedings of the AAAI Conference on Artificial Intelligence. 2020;34(07):11474–11481. https://doi.org/10.1609/aaai.v34i07.6812

6. Sheeba M.C., Christopher Ch. S. Adaptive deep residual network for image denoising across multiple noise levels in medical, nature, and satellite images. Ain Shams Engineering Journal. 2025;16(1):103188. https://doi.org/10.1016/j.asej.2024.103188

7. Bradley D., Roth G. Adaptive thresholding using the integral image. Journal of graphics tools. 2007;12(2):13–21. https://doi.org/10.1080/2151237X.2007.10129236

8. Tensmeyer C., Martinez T. Document image binarization with fully convolutional neural networks. In: 14th IAPR International Conference on Document Analysis and Recognition (ICDAR). 2017;1:99–104. https://doi.org/10.1109/ICDAR.2017.25

9. Minghui Liao, Baoguang Shi, Xiang Bai, Xinggang Wang, Wenyu Liu. Textboxes: A fast text detector with a single deep neural network. In: Proceedings of the AAAI Conference on Artificial Intelligence. 2017;31(1). https://doi.org/10.1609/aaai.v31i1.11196

10. Yongkun Du, Zhineng Chen, Caiyan Jia, et al. SVTR: Scene Text Recognition with a Single Visual Model. International Joint Conference on Artificial Intelligence (2022). https://doi.org/10.48550/arXiv.2205.00159

11. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun. Deep Residual Learning for Image Recognition. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778. https://doi.org/10.1109/CVPR.2016.90

12. Paschalis Tsirtsakis, Georgios Zacharis, George S. Maraslidis, George F. Fragulis. Deep learning for object recognition: A comprehensive review of models and algorithms. International Journal of Cognitive Computing in Engineering. 2025;6:298–312. https://doi.org/10.1016/j.ijcce.2025.01.004

13. Miao Tian, Kai Ma, Zhihao Liu, Qinjun Qiu, Yongjian Tan, Zhong Xie. Recognition of geological legends on a geological profile via an improved deep learning method with augmented data using transfer learning strategies. Ore Geology Reviews. 2023;153:105270. https://doi.org/10.1016/j.oregeorev.2022.105270

14. Sukhinov A.I., Belova Y.V., Filina A.A. Parallel implementation of substance transport problems for restoration the salinity field based on schemes of high order of accuracy. CEUR Workshop Proceedings (2019), 2500.

15. Nikitina A., Belova Y., Atayan A. Mathematical modeling of the distribution of nutrients and the dynamics of phytoplankton populations in the Azov Sea, taking into account the influence of salinity and temperature. AIP Conference Proceedings. 2019; 2188(1): 050027. https://doi.org/10.1063/1.5138454