在港口散货交易中,船舶吃水线是直接计重交易的凭证,吃水线读取精确与否,直接关系到交易公平性。目前港口船舶吃水线检测主要依靠人工目视检测,这样的方法由于人为因素影响,容易引起纠纷;同时人工测量速度慢,且在浪大的时候没法工作。所以怎样最大降低人为以及环境因素干扰和快速的检测水尺线,一直是港口部门急需解决两个难题。本文设计了一套船舶水尺视频采集装置,分析了不同阶段所采用的采集方案的优缺点,并详细介绍了最终采用的履带磁吸附爬壁机器人方案。针对现有传统机器视觉船舶吃水线检测算法存在的缺点,本文根据实际应用中出现的问题,提出分割和边缘检测相结合的方式去除满载线的干扰,采用边缘链融合算法Msedge有效去除了其他干扰线,使得水线检测更加容易。传统的机器视觉算法都是人工设计的特征,单一的算法无法对所有复杂多变的环境准确的处理。本文首次提出通过深度学习算法来解决船舶吃水线检测问题,借鉴先进的实时深度学习目标检测网络,提出一种叫Fine-Mobilenet的语义分割网络结构,使得系统的检测精度和鲁棒性都有了极大的提升。本文根据要解决的问题特点,分析对比了不同数据集标注方案,设计了一套高效的图像标注工具。本实验在秦皇岛港口采集了不同船只在不同环境下的共30个视频,每个视频根据情况标注200张到500张图像,共标注了1万张训练集,最终的测试精确度达到了98%。通过在秦皇岛港进行实地测试,验证了系统的合理性以及检测结果的准确性。