CN107230390A - 一种船舶安全监管方法及装置 - Google Patents
一种船舶安全监管方法及装置 Download PDFInfo
- Publication number
- CN107230390A CN107230390A CN201710494444.9A CN201710494444A CN107230390A CN 107230390 A CN107230390 A CN 107230390A CN 201710494444 A CN201710494444 A CN 201710494444A CN 107230390 A CN107230390 A CN 107230390A
- Authority
- CN
- China
- Prior art keywords
- ship
- target
- safety
- alarm prompt
- name
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Ocean & Marine Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种船舶安全监管方法,包括:将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;当目标船舶通过视频监控范围内时,获取目标船舶的目标图像信息,并将目标图像信息输入至神经网络模型以得到目标船舶名称;在数据库中判断目标船舶是否需要告警提示;如果需要告警,则输出告警提示信息。由此可见,本方法无需借助AIS就可以实现对船舶的自动识别,在识别之后利用数据库中的告警信息确定目标船舶是否需要告警提示,从而实现海事船舶安全监管的智能化,大大提高监管效率和服务能力。并且,能够实现较长距离的图像信息采集,应用范围较广。此外,本发明还提供一种船舶安全监管装置,效果如上。
Description
技术领域
本发明涉及神经网络技术领域,特别是涉及一种船舶安全监管方法及装置。
背景技术
随着国家简政放权政策推进,对海事监管与服务提出了更高的要求,海事部门在船舶安全监管方面也在不断改进思路,从被动管理向主动管理转变,这就要求船舶安全监管手段要更全面、更智能、更快捷。AIS是船舶自动识别系统(Automatic IdentificationSystem)的简称,由岸基(基站)设施和船载设备共同组成,是一种集网络技术、现代通讯技术、计算机技术、电子信息显示技术为一体的数字助航系统和设备。
目前海事部门对辖区的国内船舶安全监管手段主要是通过AIS、视频监控(个别地方辅助采用雷达技术)同时配合现场巡逻等,由于存在船舶主动关闭AIS躲避监管等行为,而且目前针对国内船舶的视频监控还无法做到自动识别船名,这样就需要耗费大量人力,通过人眼识别视频监控中的船舶,同时结合AIS来判断过往船舶的信息以及是否存在违规行为。
为克服上述缺点,目前已经有基于RFID技术来实现对船舶安全监管,但是国内现在安装RFID的船舶还很少,而且也存在标准化的问题,同时RFID的感知距离有限,安装成本较高。
由此可见,如何实现海事船舶安全监管的智能化,大大提高监管效率和服务能力是本领域技术人员亟待解决地问题。
发明内容
本发明的目的是提供一种船舶安全监管方法及装置,用于实现海事船舶安全监管的智能化,大大提高监管效率和服务能力。
为解决上述技术问题,本发明提供一种船舶安全监管方法,包括:
将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;
当目标船舶通过视频监控范围内时,获取所述目标船舶的目标图像信息,并将所述目标图像信息输入至所述神经网络模型以得到目标船舶名称;
在数据库中判断所述目标船舶是否需要告警提示;
如果需要告警,则输出告警提示信息。
优选地,在得到所述目标船舶名称之后还包括:
判断所述目标船舶名称是否与船舶自动识别系统AIS中的船舶匹配;
如果匹配成功,则进入所述在数据库中判断所述目标船舶是否需要告警提示的步骤;
如果匹配不成功,则进入所述输出告警提示信息的步骤。
优选地,如果匹配成功,则所述在数据库中判断所述目标船舶是否需要告警提示具体包括:
依据所述目标船舶名称查找到与所述目标船舶名称对应的目标船舶标志;
根据所述目标船舶标志判断所述数据库中的船舶黑名单中是否包含所述目标船舶,如果是,则进入所述输出告警提示信息的步骤;
如果否,则根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶载有危险货物,如果是,则进入所述输出告警提示信息的步骤;
如果否,则根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶超载,如果是,则进入所述输出告警提示信息的步骤。
优选地,所述历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
优选地,还包括:
接收新的训练样本,并利用新的训练样本校正所述神经网络模型。
为解决上述技术问题,本发明还提供一种船舶安全监管装置,包括:
创建模块,用于将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;
获取模块,用于当目标船舶通过视频监控范围内时,获取所述目标船舶的目标图像信息,并将所述目标图像信息输入至所述神经网络模型以得到目标船舶名称;
第一判断模块,用于在数据库中判断所述目标船舶是否需要告警提示,如果需要告警,则触发输出模块;
所述输出模块,用于输出告警提示信息。
优选地,还包括:
第二判断模块,用于判断所述目标船舶名称是否与船舶自动识别系统AIS中的船舶匹配,如果匹配成功,则触发所述第一判断模块,如果匹配不成功,则触发所述输出模块。
优选地,所述第一判断模块具体包括:
查找单元,用于依据所述目标船舶名称查找到与所述目标船舶名称对应的目标船舶标志;
第一判断单元,用于根据所述目标船舶标志判断所述数据库中的船舶黑名单中是否包含所述目标船舶,如果是,则触发所述输出模块,否则触发第二判断单元;
所述第二判断单元,用于根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶载有危险货物,如果是,则触发所述输出模块,否则触发第二判断单元;
第三判断单元,用于根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶超载,如果是,则触发所述输出模块。
优选地,所述历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
优选地,还包括:
校正模块,用于接收新的训练样本,并利用所述新的训练样本校正所述神经网络模型。
本发明所提供的船舶安全监管方法,包括:将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;当目标船舶通过视频监控范围内时,获取目标船舶的目标图像信息,并将目标图像信息输入至神经网络模型以得到目标船舶名称;在数据库中判断目标船舶是否需要告警提示;如果需要告警,则输出告警提示信息。由此可见,本方法无需借助AIS就可以实现对船舶的自动识别,在识别之后利用数据库中的告警信息确定目标船舶是否需要告警提示,从而实现海事船舶安全监管的智能化,大大提高监管效率和服务能力。并且,该方法能够实现较长距离的图像信息采集,应用范围较广。此外,本发明还提供一种船舶安全监管装置,效果如上。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种船舶安全监管方法的流程图;
图2为本发明实施例提供的另一种船舶安全监管方法的流程图;
图3为本发明实施例提供的一种船舶安全监管装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种船舶安全监管方法及装置。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种船舶安全监管方法的流程图。如图1所示,该方法包括:
S10:将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型。
由于近几年人工智能技术得到快速发展,例如神经网络出现了很多新的模型。本发明就是利用神经网络模型实现对船舶的识别。另外,卷积神经网络在图像识别方面优势明显,因此,本实施例中的神经网络可以为卷积神经网络。
在现有的海事船舶登记和船舶检验系统中存在大量的国内船舶照片,因此,作为优选地实施方式,历史图像信息可以从海事船舶登记系统和船舶检验系统中获取。历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
需要说明的是,训练样本足够多,才能保证神经网络的识别准确性,并且训练时间越长,训练次数越多,则准确性更高。由于在现有技术中,构建神经网络模型已经非常成熟,因此,本实施例中不再展开构建的具体过程。
S11:当目标船舶通过视频监控范围内时,获取目标船舶的目标图像信息,并将目标图像信息输入至神经网络模型以得到目标船舶名称。
当目标船舶通过视频监控范围内时,通过视频采集装置就可以得到目标船舶的当前图像信息,例如包括正横、正艉、侧艏等,输入到预先建立好的神经网络模型中进行自动识别,从而获得目标船舶对应的目标船舶名称。由此可见,即使船舶关闭了AIS,也可以通过神经网络模型现对船舶的自动识别。
S12:在数据库中判断目标船舶是否需要告警提示,如果需要告警,则进入S13。
S13:输出告警提示信息。
数据库中包含有多种船舶的相关信息,当然这里的相关信息主要是指船舶是否存在危险因素,例如是否在通缉的黑名单中,或者是否超载等。因此,将目标船舶名称在数据库中搜索,以查看目标船舶是否需要告警提示,如果需要则,输出告警提示信息。工作人员在接收到告警提示信息时,就可以通过人工查看的方式进一步确定目标船舶是否存在相关的问题。
本实施例提供的船舶安全监管方法,包括:将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;当目标船舶通过视频监控范围内时,获取目标船舶的目标图像信息,并将目标图像信息输入至神经网络模型以得到目标船舶名称;在数据库中判断目标船舶是否需要告警提示;如果需要告警,则输出告警提示信息。由此可见,本方法无需借助AIS就可以实现对船舶的自动识别,在识别之后利用数据库中的告警信息确定目标船舶是否需要告警提示,从而实现海事船舶安全监管的智能化,大大提高监管效率和服务能力。并且,该方法能够实现较长距离的图像信息采集,应用范围较广。
图2为本发明实施例提供的另一种船舶安全监管方法的流程图。在上述实施例的基础上,在得到目标船舶名称之后还包括:
S20:判断目标船舶名称是否与船舶自动识别系统AIS中的船舶匹配,如果匹配成功,则进入S12,否则进入S13。
由于AIS的信息相对于神经网络模型的自动识别会更加准确,因此,本实施例在得到目标船舶名称后与AIS进行匹配,如果匹配成功,则说明自动识别的结果是准确地,可以直接到数据库中进一步判断是否需要告警,如果匹配不成功,则有可能是该船舶关闭AIS或者神经网络模型识别的结果不够可靠,因此,需要告警提示。
作为优选地实施方式,匹配成功的基础上,S12具体包括:
S120:依据目标船舶名称查找到与目标船舶名称对应的目标船舶标志;
S121:根据目标船舶标志判断数据库中的船舶黑名单中是否包含目标船舶,如果是,则进入S13;如果否,则进入S122。
S122:根据目标船舶标志判断数据库中是否登记目标船舶载有危险货物,如果是,则进入S13;如果否,则进入S123。
S123:根据目标船舶标志判断数据库中是否登记目标船舶超载,如果是,则进入S13。
可以理解的是,在具体实施中,步骤S120-S123的顺序可以灵活改变,并不代表只有这一种判断的顺序。图2只是一种具体的应用场景。另外,除了黑名单、载有危险获取以及超载三种告警情况外,还可以包含其它告警情况,本发明不再赘述。
在上述实施例的基础上,还包括:
接收新的训练样本,并利用新的训练样本校正神经网络模型。
在模型的使用过程中,会有产生新的历史图像信息,即产生新的训练样本,需要不断利用新的训练样本校正神经网络模型,使得神经网络模型的识别结果更为准确。
上文中对于船舶安全监管方法对应的实施例进行了详细的描述,本发明还提供一种船舶安全监管装置。由于方法部分的实施例与装置部分的实施例相互对应,因此装置部分的实施例请参见装置部分的实施例的描述,这里暂不赘述。
图3为本发明实施例提供的一种船舶安全监管装置的结构图。如图3所示,该装置包括:
创建模块10,用于将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;
获取模块11,用于当目标船舶通过视频监控范围内时,获取目标船舶的目标图像信息,并将目标图像信息输入至神经网络模型以得到目标船舶名称;
第一判断模块12,用于在数据库中判断目标船舶是否需要告警提示,如果需要告警,则触发输出模块;
输出模块13,用于输出告警提示信息。
作为优选地实施方式,还包括:
第二判断模块,用于判断目标船舶名称是否与船舶自动识别装置AIS中的船舶匹配,如果匹配成功,则触发第一判断模块,如果匹配不成功,则触发输出模块。
作为优选地实施方式,第一判断模块12具体包括:
查找单元,用于依据目标船舶名称查找到与目标船舶名称对应的目标船舶标志;
第一判断单元,用于根据目标船舶标志判断数据库中的船舶黑名单中是否包含目标船舶,如果是,则触发输出模块13,否则触发第二判断单元;
第二判断单元,用于根据目标船舶标志判断数据库中是否登记目标船舶载有危险货物,如果是,则触发输出模块13,否则触发第二判断单元;
第三判断单元,用于根据目标船舶标志判断数据库中是否登记目标船舶超载,如果是,则触发输出模块13。
作为优选地实施方式,历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
作为优选地实施方式,还包括:
校正模块,用于接收新的训练样本,并利用新的训练样本校正神经网络模型。
本实施例提供的船舶安全监管装置,无需借助AIS就可以实现对船舶的自动识别,在识别之后利用数据库中的告警信息确定目标船舶是否需要告警提示,从而实现海事船舶安全监管的智能化,大大提高监管效率和服务能力。并且,该方法能够实现较长距离的图像信息采集,应用范围较广。
以上对本发明所提供的船舶安全监管方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的系统相对应,所以描述的比较简单,相关之处参见系统部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、系统、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、系统、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、系统、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种船舶安全监管方法,其特征在于,包括:
将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;
当目标船舶通过视频监控范围内时,获取所述目标船舶的目标图像信息,并将所述目标图像信息输入至所述神经网络模型以得到目标船舶名称;
在数据库中判断所述目标船舶是否需要告警提示;
如果需要告警,则输出告警提示信息。
2.根据权利要求1所述的船舶安全监管方法,其特征在于,在得到所述目标船舶名称之后还包括:
判断所述目标船舶名称是否与船舶自动识别系统AIS中的船舶匹配;
如果匹配成功,则进入所述在数据库中判断所述目标船舶是否需要告警提示的步骤;
如果匹配不成功,则进入所述输出告警提示信息的步骤。
3.根据权利要求2所述的船舶安全监管方法,其特征在于,如果匹配成功,则所述在数据库中判断所述目标船舶是否需要告警提示具体包括:
依据所述目标船舶名称查找到与所述目标船舶名称对应的目标船舶标志;
根据所述目标船舶标志判断所述数据库中的船舶黑名单中是否包含所述目标船舶,如果是,则进入所述输出告警提示信息的步骤;
如果否,则根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶载有危险货物,如果是,则进入所述输出告警提示信息的步骤;
如果否,则根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶超载,如果是,则进入所述输出告警提示信息的步骤。
4.根据权利要求1所述的船舶安全监管方法,其特征在于,所述历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
5.根据权利要求1-4任意一项所述的船舶安全监管方法,其特征在于,还包括:
接收新的训练样本,并利用新的训练样本校正所述神经网络模型。
6.一种船舶安全监管装置,其特征在于,包括:
创建模块,用于将各船舶的历史图像信息作为神经网络的训练样本,并建立用于识别船舶名称的神经网络模型;
获取模块,用于当目标船舶通过视频监控范围内时,获取所述目标船舶的目标图像信息,并将所述目标图像信息输入至所述神经网络模型以得到目标船舶名称;
第一判断模块,用于在数据库中判断所述目标船舶是否需要告警提示,如果需要告警,则触发输出模块;
所述输出模块,用于输出告警提示信息。
7.根据权利要求6所述的船舶安全监管装置,其特征在于,还包括:
第二判断模块,用于判断所述目标船舶名称是否与船舶自动识别系统AIS中的船舶匹配,如果匹配成功,则触发所述第一判断模块,如果匹配不成功,则触发所述输出模块。
8.根据权利要求7所述的船舶安全监管装置,其特征在于,所述第一判断模块具体包括:
查找单元,用于依据所述目标船舶名称查找到与所述目标船舶名称对应的目标船舶标志;
第一判断单元,用于根据所述目标船舶标志判断所述数据库中的船舶黑名单中是否包含所述目标船舶,如果是,则触发所述输出模块,否则触发第二判断单元;
所述第二判断单元,用于根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶载有危险货物,如果是,则触发所述输出模块,否则触发第二判断单元;
第三判断单元,用于根据所述目标船舶标志判断所述数据库中是否登记所述目标船舶超载,如果是,则触发所述输出模块。
9.根据权利要求6所述的船舶安全监管装置,其特征在于,所述历史图像信息具体包括船舶的正横、船舶的正艉和船舶的侧艏。
10.根据权利要求6-9任意一项所述的船舶安全监管装置,其特征在于,还包括:
校正模块,用于接收新的训练样本,并利用所述新的训练样本校正所述神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710494444.9A CN107230390A (zh) | 2017-06-26 | 2017-06-26 | 一种船舶安全监管方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710494444.9A CN107230390A (zh) | 2017-06-26 | 2017-06-26 | 一种船舶安全监管方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107230390A true CN107230390A (zh) | 2017-10-03 |
Family
ID=59935481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710494444.9A Pending CN107230390A (zh) | 2017-06-26 | 2017-06-26 | 一种船舶安全监管方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107230390A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886051A (zh) * | 2017-10-19 | 2018-04-06 | 中国电子科技集团公司第二十八研究所 | 基于图像的船舶身份识别方法 |
CN111582182A (zh) * | 2020-05-11 | 2020-08-25 | 广州创亿源智能科技有限公司 | 船舶名称识别方法、系统、计算机设备及存储介质 |
CN111935446A (zh) * | 2020-07-01 | 2020-11-13 | 广州雄驰数字技术有限公司 | 基于区块链的船舶监测方法、装置、监测系统和设备 |
CN111985363A (zh) * | 2020-08-06 | 2020-11-24 | 武汉理工大学 | 一种基于深度学习框架的船舶名称识别系统及方法 |
CN111985362A (zh) * | 2020-08-06 | 2020-11-24 | 武汉理工大学 | 一种基于深度学习框架的船舶名称检测系统及方法 |
CN113077658A (zh) * | 2021-04-06 | 2021-07-06 | 广州海事科技有限公司 | 流域管理方法、系统、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101323355A (zh) * | 2008-07-24 | 2008-12-17 | 北京中星微电子有限公司 | 船舶超载检测系统及方法 |
CN103034870A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于特征的船舶快速识别方法 |
CN103246971A (zh) * | 2013-05-15 | 2013-08-14 | 威海胶东国际集装箱海运有限公司 | 海运物流监控系统及方法 |
CN103971543A (zh) * | 2014-05-26 | 2014-08-06 | 浙江省嘉兴市港航管理局 | 一种融合多种数据源的船舶自动识别监控方法及监管系统 |
CN104361481A (zh) * | 2014-12-08 | 2015-02-18 | 山东中创软件工程股份有限公司 | 船舶进出辖区的自动识别方法及系统 |
CN205142399U (zh) * | 2015-07-28 | 2016-04-06 | 杭州振讯科技有限公司 | 船名自动核查抓拍系统 |
CN105868804A (zh) * | 2016-03-29 | 2016-08-17 | 杭州成安物联科技有限公司 | 一种渔船进出港及在港定位监管系统和其管理方法 |
-
2017
- 2017-06-26 CN CN201710494444.9A patent/CN107230390A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101323355A (zh) * | 2008-07-24 | 2008-12-17 | 北京中星微电子有限公司 | 船舶超载检测系统及方法 |
CN103034870A (zh) * | 2012-12-14 | 2013-04-10 | 南京思创信息技术有限公司 | 基于特征的船舶快速识别方法 |
CN103246971A (zh) * | 2013-05-15 | 2013-08-14 | 威海胶东国际集装箱海运有限公司 | 海运物流监控系统及方法 |
CN103971543A (zh) * | 2014-05-26 | 2014-08-06 | 浙江省嘉兴市港航管理局 | 一种融合多种数据源的船舶自动识别监控方法及监管系统 |
CN104361481A (zh) * | 2014-12-08 | 2015-02-18 | 山东中创软件工程股份有限公司 | 船舶进出辖区的自动识别方法及系统 |
CN205142399U (zh) * | 2015-07-28 | 2016-04-06 | 杭州振讯科技有限公司 | 船名自动核查抓拍系统 |
CN105868804A (zh) * | 2016-03-29 | 2016-08-17 | 杭州成安物联科技有限公司 | 一种渔船进出港及在港定位监管系统和其管理方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886051A (zh) * | 2017-10-19 | 2018-04-06 | 中国电子科技集团公司第二十八研究所 | 基于图像的船舶身份识别方法 |
CN111582182A (zh) * | 2020-05-11 | 2020-08-25 | 广州创亿源智能科技有限公司 | 船舶名称识别方法、系统、计算机设备及存储介质 |
CN111582182B (zh) * | 2020-05-11 | 2023-08-11 | 广东创亿源智能科技有限公司 | 船舶名称识别方法、系统、计算机设备及存储介质 |
CN111935446A (zh) * | 2020-07-01 | 2020-11-13 | 广州雄驰数字技术有限公司 | 基于区块链的船舶监测方法、装置、监测系统和设备 |
CN111935446B (zh) * | 2020-07-01 | 2021-07-09 | 广州雄驰数字技术有限公司 | 基于区块链的船舶监测方法、装置、监测系统和设备 |
CN111985363A (zh) * | 2020-08-06 | 2020-11-24 | 武汉理工大学 | 一种基于深度学习框架的船舶名称识别系统及方法 |
CN111985362A (zh) * | 2020-08-06 | 2020-11-24 | 武汉理工大学 | 一种基于深度学习框架的船舶名称检测系统及方法 |
CN111985363B (zh) * | 2020-08-06 | 2022-05-06 | 武汉理工大学 | 一种基于深度学习框架的船舶名称识别系统及方法 |
CN113077658A (zh) * | 2021-04-06 | 2021-07-06 | 广州海事科技有限公司 | 流域管理方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107230390A (zh) | 一种船舶安全监管方法及装置 | |
CN105376255B (zh) | 一种基于K-means聚类的Android平台入侵检测方法 | |
CN103106766B (zh) | 林火识别方法与系统 | |
CN109302380A (zh) | 一种安全防护设备联动防御策略智能决策方法及系统 | |
CN210691345U (zh) | 一种基于深度学习的云智能安检辅助系统 | |
CN108600275B (zh) | 基于人工智能的威胁情景感知信息安全主动防御系统 | |
CN102546638A (zh) | 一种基于场景的混合入侵检测方法及系统 | |
CN106991072A (zh) | 在线自学习事件检测模型更新方法及装置 | |
CN105357482B (zh) | 一种视频监控系统、前端设备和安全准入设备 | |
CN110348472B (zh) | 数据检测规则生成方法、装置、计算机设备及存储介质 | |
CN115410224A (zh) | 基于图像数据的电力作业现场违章辨识系统及方法 | |
CN109544996A (zh) | 一种无人机管控方法、装置、系统及可读存储介质 | |
CN107609449A (zh) | 识别码的校验方法、系统和共享自行车 | |
CN109345787A (zh) | 一种基于智能图像识别技术的输电线路防外损监控报警系统 | |
CN112052878A (zh) | 一种雷达的遮挡识别的方法、装置及存储介质 | |
CN106533770A (zh) | 一种n‑x检修模式下的风险评估方法及装置 | |
CN116778673A (zh) | 水域安全监控方法、系统、终端及存储介质 | |
CN106254818A (zh) | 区域的监控方法 | |
US20220245243A1 (en) | Securing machine learning models against adversarial samples through model poisoning | |
EP4377823A1 (en) | Technique for detecting cyber attacks on radars | |
CN103942979A (zh) | 探测目标的预警方法及装置 | |
CN114338088A (zh) | 变电站电力监控系统网络安全等级的评估算法及评估系统 | |
CN110245568B (zh) | 一种基于人脸识别的区域安防方法和系统 | |
CN109688159B (zh) | 网络隔离违规识别方法、服务器及计算机可读存储介质 | |
CN106254004A (zh) | 频谱感知中一种多节点协作干扰及安全频谱感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171003 |