CN111222526A - 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 - Google Patents
一种渔船实时捕捞行为识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111222526A CN111222526A CN201811426682.7A CN201811426682A CN111222526A CN 111222526 A CN111222526 A CN 111222526A CN 201811426682 A CN201811426682 A CN 201811426682A CN 111222526 A CN111222526 A CN 111222526A
- Authority
- CN
- China
- Prior art keywords
- fishing
- real
- time
- fishing boat
- dynamic data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 11
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请公开了一种渔船实时捕捞行为识别方法及装置。所述方法包括：获取渔船出海的实时动态数据；对所述实时动态数据进行清洗；根据所述清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；若是，则根据所述清洗后的实时动态数据计算航速的区间占比数；将根据所述航速区间占比数，确定捕捞类型；根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。利用多种数据源识别渔船作业方式和作业状态，量化分析各类渔船捕捞活动，制定科学有效的渔业相关政策提供技术支撑。
Description
技术领域
本发明一般涉及渔船船位数据应用领域，具体涉及一种渔船实时捕捞行为识别方法、装置、设备及存储介质。
背景技术
国内外学者基于提高渔业捕捞效率、规范渔业活动管理等目的，已经展开对捕鱼行为的特征进行研究。目前对此研究主要为某种捕捞类型的经纬度、航速、航向等特征进行阈值设定，或者基于统计学习方法，对已知捕捞类型的船只的历史轨迹进行捕捞行为的识别，但是存在数据样本少、规则制定不灵活、捕捞状态识别只针对个别类型的船只，过多依赖人工登记的捕捞类型信息的情况。
除此之外，也有学者基于支持向量机等方法，通过处理历史轨迹构建捕捞类型分类模型，以满足研究非法捕捞活动的规则的需要，但是并不适合于基于实时轨迹数据的渔船出海之后的作业类型的识别。
因此，如何实现对渔船活动进行实时监测，分析各类渔船捕捞活动是亟待解决的问题。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供实时的、运算需求量少、计算效率高、可对全球各渔船当前捕捞行为进行识别的方法。
第一方面，本发明实施例提供了一种渔船实时捕捞行为识别方法，该方法包括：
获取渔船出海的实时动态数据；
对所述实时动态数据进行清洗；
根据所述清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；
若是，则根据所述清洗后的实时动态数据计算航速的区间占比数；
根据所述航速区间占比数，确定捕捞类型；
根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。
可选的，所述获取渔船出海的实时动态数据，具体包括：
实时接收并解析多类型终端采集的渔船动态数据，其中多类型终端包括渔船监控系统、船舶自动识别系统、北斗数据、雷达数据、船只档案。
可选的，所述对所述实时动态数据进行清洗包括：
将所述渔船动态数据进行修正并按照合理性进行筛选；
将筛选后的所述渔船动态数据中的轨迹数据进行关联和融合处理；
根据所述关联和融合后的轨迹数据计算渔船在各轨迹点的航速和航向。
可选的，所述根据所述清洗后的实时动态数据计算捕捞类型判定所需要的航速的区间占比数之前，包括：
检验所述清洗后的实时动态数据是否满足预设的渔船捕捞类型识别启动条件；
若满足，则开始计算捕捞类型判定所需要的航速的区间占比数；
若不满足，则继续接收所述渔船的实时动态数据。
第二方面，本发明实施例还提供了一种渔船实时捕捞行为识别装置，包括：
获取单元，用于获取渔船出海的实时动态数据；
处理单元，用于对所述实时动态数据进行清洗；
判断单元，用于根据所述渔船清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；
计算单元，用于若是，则根据所述清洗后的实时动态数据计算航速的区间占比数；
类型判别单元，用于根据所述航速区间占比数，确定捕捞类型；
行为判别单元，用于根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。
第三方面，本申请实施例还提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述程序时实现本申请实施例描述的渔船实时捕捞行为识别方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现所述的方法。
与现有技术相比，本申请技术方案旨在解决利用多种数据源识别渔船作业方式和作业状态，量化分析各类渔船捕捞活动，制定科学有效的渔业相关政策提供技术支撑。
进一步的，采用信息融合技术，提高了渔船轨迹数据与捕捞类型数据的全面性、连续性、实时性。
进一步的，采用机器学习技术，实现对不同捕鱼行为进行识别，将对作业类型的识别结果在线更新到捕捞类型库。
进一步的，采用行为识别技术，基于轨迹数据，识别以上各类渔船的捕捞作业状态并形成事件，持续感知船只最近的捕捞状态。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本发明的实施例的渔船实时捕捞行为识别方法的方法流程示意图；
图2为本发明的实施例的实时动态数据进行清洗的方法流程示意图；
图3为本发明的实施例的渔船实时捕捞行为识别装置的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如背景技术中所提到的，现有的算法中多单独使用VMS、AIS，北斗数据中的一种进行分析。但是VMS数据报文间隔时间长，在这之间渔船的航行作业状态可能会发生较大变化，AIS数据更新频率较快，数据点较密，但是缺少渔船的作业类型信息。其次，现有的技术多只识别特征类型的渔船的捕捞行为，无法同时识别多种类型的捕捞行为。除此之外，对于不按照注册类型标注或捕捞类型记录错误，作业方式的变更，假冒另外一种捕捞类型等情况缺少应对的措施。
鉴于上述缺陷，本发明实施例提供了一种捕鱼行为识别方法，与现有技术相比，本发明通过数据预处理、时空配准、航迹关联、融合处理、采样率变换等方法，使各数据源之间存在相互补充，提升轨迹数据的质量与连续性；对出海之后的渔船航行特征进行实时统计并执行捕捞类型识别，基于海量数据训练机器学习模型，准确率达到85％以上。除此之外，本发明对运算需求量小，计算效率高，实时性好，可对全球各渔船当前捕捞行为进行实时分析。
下面将参考附图并结合实施例来详细说明本申请。
请参考图1，图1示出了本申请实施例提供的渔船实时捕捞行为识别方法的方法流程示意图。
如图1所示，该方法包括以下步骤:
步骤S110：获取渔船出海的实时动态数据.
具体的，实时接收并解析多类型终端采集的渔船动态数据，其中多类型终端包括渔船监控系统(Vessel Monitoring System，VMS)、船舶自动识别系统(AutomaticIdentification System，AIS)、北斗数据、雷达数据、船只档案。
渔网监控系统(vessel monitoring system VMS)的目的主要有两个，第一个目的监控渔船的位置；第二个目的为提高捕捞记录精度和时空分辨率，减少手工录入对于数据在时空上的影响。现有的算法多单独使用VMS，AIS，北斗数据中的一种进行分析。其中VMS数据报文间隔时间较长，在这之间渔船的航行作业状态可能会发生较大变化；AIS数据更新频率较快，数据点较密，但缺少渔船的作业类型信息；北斗数据虽然稳定程度和精确程度较高，但渔船轨迹发送的时间间隔不均匀，也会因为终端受信号干扰或断电等原因导致数据丢失；雷达是一种主动采集目标船只位置数据的方式，采样频率高，但是噪声较大，受到探测范围的限制。本申请实施例采取通过数据预处理、时空配准、航迹关联、融合处理、采样率变换等方法，使各数据源之间存在相互补充，提升轨迹数据的质量与连续性。
步骤S120：对实时动态数据进行清洗。
具体的，对采集的渔船动态数据进行清洗的方法很多，例如“数据融合”、“数据修正”、“数据过滤”、“异常处理”、“数据排序”、“重新采样”等多种数据清洗的方法，按照不同的方式处理结果不同。S110中得到的渔船数据转换成统一的数据格式并进行合理性判断。主要包括时间重复、相邻一分钟内多次报告同一位置以及AIS数据中存在同一MMSI重复使用等情况，合理性判断指的是是否存在时间重复等现象，如果有这些现象，就进行处理。轨迹数据关联。基于统计数学的修正的近邻域航迹关联算法(MK-NN)对各个数据源经过处理之后的轨迹数据进行关联处理，将同一目标的不同来源的轨迹数据放在同一分组。
然后，将同一目标的各来源数据按照时序形成渔船融合数据，为解决融合后数据报告时间间隔不均的问题，以一定时间间隔为目标值(典型值为每隔5分钟，实际从2分钟到10分钟变化)，基于融合数据进行实时插值与拟合，形成时间间隔均匀，适合于后续算法处理的航迹。
步骤S130：根据清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内。
具体的，基于S120中经过插值和拟合后的航速，实时计算并更新渔船的航速与航向特征数据，判断渔船是否出海，若出海则继续收集动态数据，否则停止收集实时渔船数据，默认本次渔船出海为拖网类型作业。
步骤S140：若是，则根据所述清洗后的实时动态数据计算航速的区间占比数。
具体的，如果渔船当前未出海，则将之前所收集的动态数据中的构造的特征清除，等待下一次渔船出海时收集渔船的特征，因为如果渔船在离岸比较近的地方，算法认为渔船没有出海，这样进行渔船捕捞行为识别就失去了意义。当该渔船满足出海条件时，即本次出海出现在指定区域内，默认该条渔船已经出海。
计算该渔船的实时航速在已经划分好的航速分布区间内的数量，并计算出相应的占比，收集不用的占比数，并构造航速特征。
进一步的，计算渔船航速落在各个区间的个数与总的航速个数，其中区间是按照航速0-3m/s内以0.1m/s为区间单位进行划分，3-10m/s航速为一个区间，其中航速的上限值为10m/s，其中m代表米，s代表秒。
进一步的，计算的航速的区间占比数，包括以下任一项或任意两项或以上的组合:大于3m/s的航速个数占总点数的比、小于0.2m/s的航速个数占小于3m/s的航速个数的比、大于0.2m/s但不大于0.8m/s的航速个数占小于3m/s的航速个数的比、大于0.8m/s但不大于2.3m/s的航速个数占小于3m/s的航速个数的比、大于0.6m/s但不大于1.2m/s的航速个数占小于3m/s的航速个数的比、大于2.3m/s但不大于3m/s的航速个数占小于3m/s的航速个数的比。
步骤S150：根据所述航速区间占比数，确定捕捞类型；
具体的，S140中计算出来的航速区间占比数代表着不同的含义，其中大于3m/s的航速个数占总的航速个数的比含义为疑似出海及返回占比，小于0.2m/s的航速个数占小于3m/s的航速个数的比含义为可能作业占比，大于0.2m/s但不大于0.8m/s的航速个数占小于3m/s的航速个数的比含义为疑似漂流占比，大于0.8m/s但不大于2.3m/s的航速个数占小于3m/s的航速个数的比含义为疑似中速航行占比，大于0.6m/s但不大于1.2m/s的航速个数占小于3m/s的航速个数的比含义为疑似低速航行占比，大于2.3m/s但不大于3m/s的航速个数占小于3m/s的航速个数的比含义为疑似中高速航行占比。
拖网渔船作业特点是渔船航行速度较大，然后放慢船速释放网具，该过程渔船的速度变化幅度很大；刺网渔船快递航行到目标渔场，航速小于2km；流动张网渔船为快速到达目标渔场后，渔船随网具缓慢变化。因此可以从VMS数据中抽取航速和航向对捕捞类型进行识别。
进一步的，将上述航速的不同区间占比数，及构造的航速特征值输入到分类器中，其中所述分类器具有渔船捕捞类型识别能力。此类分类器可以具有多层网络感知器的人工神经网络模型(artificial neural networks,ANNs)，目前用于处理VMS数据，对于渔船作业状态以及渔船作业方式进行有效分类，利用航速和航向2个因子采用神经网络对不同的渔船捕捞类型进行识别。
步骤S160：根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。
具体的，国际上研究现有渔船监测位置分析渔船捕捞状态，其方法主要有三类：1.通过分析船速的变化判断捕捞状态；2.通过分析轨迹变化判断捕捞状态；3.通过分析航速、航向等特征数据组成向量判断捕捞状态。
本申请实施例分析航速和航向特征数据来判断捕捞类型，结合轨迹数据分析渔船每个航位点的捕捞行为。具体的，按照相应的捕捞类型启动相应的捕捞行为识别算法，结合渔船轨迹数据，输出渔船各轨迹点处的捕捞行为。
需要说明的是，请参考图2，图2示出了渔船实时动态数据清洗方法的方法流程示意图。
进一步的，该方法包括以下步骤:
步骤S1201:将渔船动态数据进行修正并按照合理性进行筛选。
步骤S1202:将筛选后的渔船动态数据中的轨迹数据进行关联和融合处理。
步骤S1203:根据关联和融合后的轨迹数据计算渔船在各轨迹点的航速和航向。
其中，步骤S1202中，融合是指根据最近一段时间(5-20min)内各个来源的轨迹序列，计算轨迹相似性，将相似性小于一定阈值(比如20m)的做归并处理。关联是指将不同来源的轨迹根据相似性分组，同一组内的轨迹代表同一目标的不同开源的轨迹集合。
进行数据清洗的原因是测试终端返回信息受人为因素和气象因素影响很大，所以很多渔船数据量过少，渔船在海上作业的过程中遇到海洋环境或者作业环境不稳定，减弱了航向变化来判别作业状态的准确性。
下面结合具体实施例对本发明作进一步说明，但本发明并不限于以下实施例。
在步骤S150中，根据各个航速区间内的融合后的轨迹点的数量构造如下特征，即航速的区间占比数输入分类器中，判断本次出海过程中的捕捞类型。
A.设N是所收集的总的航速个数；
B.航速大于3m/s的个数占总航速个数的比FH＝Nv＞3m/s/N；
C.航速小于0.2m/s的个数占小于3m/s的航速个数的比F0＝Nv＜0.2m/s/Nv＜3m/s；
D.航速大于0.2m/s但不大于0.8m/s的个数占小于3m/s的航速个数的比F1＝N0.2＜v≤0.8m/s/Nv＜3m/s；
E.航速大于0.8m/s但不大于2.3m/s的个数占小于3m/s的航速个数的比F2＝N0.8＜v≤2.3m/s/Nv＜3m/s；
F.航速大于0.6m/s但不大于1.2m/s的个数占小于3m/s的航速个数的比FS′＝N0.6＜v≤1.2m/s＜Nv＜3m/s；
G.航速大于2.3m/s但不大于3m/s的个数占小于3m/s的航速个数的比F3＝N2.3＜v≤3m/s＜Nv＜3m/s。
进一步的，根据清洗后的实时动态数据计算捕捞类型判定所需要的航速的区间占比数之前，包括：
检验清洗后的实时动态数据是否满足预设的渔船捕捞类型识别启动条件；
若满足，则开始计算捕捞类型判定所需要的航速的区间占比数；
若不满足，则继续接收渔船的实时动态数据。
进一步的，预设的捕捞类型识别的条件，包括：渔船的出海时间和轨迹点数大于预设阈值，其中出海时间的预设阈值为6小时，轨迹点数为20个。
进一步的，输出捕捞类型判断结果。包括：若未能判定出渔船的捕捞类型，则获取该渔船的历史捕捞类型信息中标注的捕捞类型作为输出判断结果；若未能判定出渔船的捕捞类型，也未获取到渔船的历史捕捞类型信息，则默认拖网作为输出判断结果；若分类器判定出渔船的捕捞类型，则获取该渔船历史作业信息和所述判断结果进行对比，输出判断结果。
进一步的，若出航的时间少于Tmin，则继续接收一下融合轨迹点；若出航时间大于Tmax，捕捞类型还没有被确定，则确定捕捞类型；若出航时间不少于Tmin并且小于Vwork的航速个数的数量大于Ntraj个，则构造的航速特征作为预先训练好的渔船分类器的输入对渔船类型进行识别；若出航时间不少于Tmin但小于Vwork的航速个数的数量不足Ntraj个，则继续接收下一融合轨迹点。
需要说明的是，Ntraj即收集到的有效特征点，阈值设定20个点，Tmin即出海时间标准，典型时间为6小时。
第二方面，如图2所示，本发明还提供一种渔船实时捕捞行为识别装置，包括以下模块：
获取单元210，用于获取渔船出海的实时动态数据；
处理单元220，用于对实时动态数据进行清洗；
判断单元230，用于根据渔船清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；
计算单元240，用于若是，则根据清洗后的实时动态数据计算航速的区间占比数；
类型判别单元250，用于将航速区间占比数输入分类器中，输出捕捞类型判别结果；
行为判别单元260，用于提取渔船的实时动态数据中的轨迹数据结合捕捞类型判别结果，确定渔船出海后的实时捕捞行为。
可选的，处理单元220包括：
将渔船动态数据进行修正并按照合理性进行筛选；
将筛选后的渔船动态数据中的轨迹数据进行关联和融合处理；
根据关联和融合后的轨迹数据计算渔船在各轨迹点的航速和航向。
第三方面，本申请实施例提供一种设备，包括：至少一种处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时上述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序指令，当所述计算机程序指令被处理器执行时实现上述的方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种渔船实时捕捞行为识别方法，其特征在于，所述方法包括：
获取渔船出海的实时动态数据；
对所述实时动态数据进行清洗；
根据所述清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；
若是，则根据所述清洗后的实时动态数据计算航速的区间占比数；
根据所述航速区间占比数，确定捕捞类型；
根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。
2.根据权利要求1所述的渔船实时捕捞行为识别方法，其特征在于，所述计算航速的区间占比数，包括：
计算渔船航速落在各个区间的个数与总的航速个数，其中所述区间是按照航速0-3m/s内以0.1m/s为区间单位进行划分，3-10m/s航速为一个区间，其中所述航速的上限值为10m/s，其中m代表米，s代表秒。
3.根据权利要求2所述的渔船实时捕捞行为识别方法，其特征在于，所述计算的航速的区间占比数，包括以下任一项或任意两项或以上的组合:
大于3m/s的航速个数占总的航速个数的比、小于0.2m/s的航速个数占小于3m/s的航速个数的比、大于0.2m/s但不大于0.8m/s的航速个数占小于3m/s的航速个数的比、大于0.8m/s但不大于2.3m/s的航速个数占小于3m/s的航速个数的比、大于0.6m/s但不大于1.2m/s的航速个数占小于3m/s的航速个数的比、大于2.3m/s但不大于3m/s的航速个数占小于3m/s的航速个数的比。
4.根据权利要求1所述的渔船实时捕捞行为识别方法，其特征在于，所述获取渔船出海的实时动态数据，包括：
实时接收并解析多类型终端采集的渔船动态数据，其中多类型终端包括渔船监控系统、船舶自动识别系统、北斗数据、雷达数据。
5.根据权利要求1所述的渔船实时捕捞行为识别方法，其特征在于，所述对所述实时动态数据进行清洗包括：
将所述渔船动态数据进行修正并按照合理性进行筛选；
将筛选后的所述渔船动态数据中的轨迹数据进行关联和融合处理；
根据所述关联和融合后的轨迹数据计算渔船在各轨迹点的航速和航向。
6.根据权利要求5所述的渔船实时捕捞行为识别方法，其特征在于，所述根据所述渔船清洗后的动态数据判定渔船是否出现在指定的海洋区域内，若否，则停止进行渔船动态数据收集。
7.根据权利要求1所述的渔船实时捕捞行为识别方法，其特征在于，所述根据所述清洗后的实时动态数据计算捕捞类型判定所需要的航速的区间占比数之前，包括：
检验所述清洗后的实时动态数据是否满足预设的渔船捕捞类型识别启动条件；
若满足，则开始计算捕捞类型判定所需要的航速的区间占比数；
若不满足，则继续接收所述渔船的实时动态数据。
8.根据权利要求7所述的渔船实时捕捞行为识别方法，其特征在于，所述的预设的捕捞类型识别的条件，包括：
所述渔船的出海时间和轨迹点数大于预设阈值，其中所述出海时间的预设阈值为6小时，轨迹点数的预设阈值为20个。
9.根据权利要求7所述的渔船实时捕捞行为识别方法，其特征在于，所述若不满足，则继续接收所述渔船的实时动态数据之后，包括：
若未能确定出所述渔船的捕捞类型，则获取该渔船的历史捕捞类型信息中标注的捕捞类型作为确定的捕捞类型；
若未能确定出所述渔船的捕捞类型，也未获取到渔船的历史捕捞类型信息，则确定捕捞类型为拖网。
10.根据权利要求1所述的渔船实时捕捞行为识别方法，其特征在于，提取所述渔船的实时动态数据中的轨迹数据结合所述捕捞类型判别结果，确定渔船出海后的实时捕捞行为，包括：
按照相应的捕捞类型启动相应的捕捞行为识别算法，结合渔船轨迹数据，输出渔船各轨迹点处的捕捞行为。
11.一种渔船实时捕捞行为识别装置，其特征在于，包括以下模块：
获取单元，用于获取渔船出海的实时动态数据；
处理单元，用于对所述实时动态数据进行清洗；
判断单元，用于根据所述渔船清洗后的实时动态数据判定渔船是否出现在指定的海洋区域内；
计算单元，用于若是，则根据所述清洗后的实时动态数据计算航速的区间占比数；
类型判别单元，用于根据所述航速区间占比数，确定捕捞类型；
行为判别单元，用于根据所述渔船的实时动态数据中的轨迹数据以及所述捕捞类型，确定渔船出海后的实时捕捞行为。
12.根据权利要求11所述的装置，其特征在于，所述处理单元，用于：
将所述渔船动态数据进行修正并按照合理性进行筛选；
将筛选后的所述渔船动态数据中的轨迹数据进行关联和融合处理；
根据所述关联和融合后的轨迹数据计算渔船在各轨迹点的航速和航向。
13.一种设备，其特征在于，包括：至少一种处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实时如权利要求1-10中任一项所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811426682.7A CN111222526B (zh) | 2018-11-27 | 2018-11-27 | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811426682.7A CN111222526B (zh) | 2018-11-27 | 2018-11-27 | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222526A true CN111222526A (zh) | 2020-06-02 |
| CN111222526B CN111222526B (zh) | 2024-01-26 |
Family
ID=70805638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811426682.7A Active CN111222526B (zh) | 2018-11-27 | 2018-11-27 | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222526B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112869A (zh) * | 2021-04-08 | 2021-07-13 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
| CN113518203A (zh) * | 2021-04-26 | 2021-10-19 | 广东海洋大学 | 一种近海海洋小型船舶非法捕捞识别方法 |
| CN113536948A (zh) * | 2021-06-22 | 2021-10-22 | 武汉理工大学 | 一种渔船捕捞行为识别方法及装置 |
| CN113887562A (zh) * | 2021-09-06 | 2022-01-04 | 江苏省海洋水产研究所 | 一种基于船位数据提取毛虾网船捕捞行为特征的方法 |
| CN116738324A (zh) * | 2023-08-11 | 2023-09-12 | 太极计算机股份有限公司 | 模型训练方法和渔船单拖作业行为的识别方法 |
| CN116758480A (zh) * | 2023-06-27 | 2023-09-15 | 重庆比特数图科技有限公司 | 基于多模型融合与多参数组合识别非法渔船捕捞的方法 |
| CN116776112A (zh) * | 2023-08-25 | 2023-09-19 | 太极计算机股份有限公司 | 渔船双拖行为的识别方法及其装置 |
| CN117592818A (zh) * | 2024-01-17 | 2024-02-23 | 武汉理工大学 | 一种非法捕捞事件的辅助决策方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003185746A (ja) * | 2001-12-21 | 2003-07-03 | Nichimo Co Ltd | トロール操業方法およびこれに用いる魚群動態監視装置 |
| CN103353756A (zh) * | 2013-05-27 | 2013-10-16 | 武汉理工大学 | 基于ais与vts信息融合的在航船舶实时监控方法 |
-
2018
- 2018-11-27 CN CN201811426682.7A patent/CN111222526B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003185746A (ja) * | 2001-12-21 | 2003-07-03 | Nichimo Co Ltd | トロール操業方法およびこれに用いる魚群動態監視装置 |
| CN103353756A (zh) * | 2013-05-27 | 2013-10-16 | 武汉理工大学 | 基于ais与vts信息融合的在航船舶实时监控方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张胜茂等, 北斗船位数据提取拖网捕捞努力量算法研究 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113112869B (zh) * | 2021-04-08 | 2022-09-02 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
| CN113112869A (zh) * | 2021-04-08 | 2021-07-13 | 南威软件股份有限公司 | 一种电子围栏的定制和数据处理方法、装置、设备和介质 |
| CN113518203A (zh) * | 2021-04-26 | 2021-10-19 | 广东海洋大学 | 一种近海海洋小型船舶非法捕捞识别方法 |
| CN113536948A (zh) * | 2021-06-22 | 2021-10-22 | 武汉理工大学 | 一种渔船捕捞行为识别方法及装置 |
| CN113887562A (zh) * | 2021-09-06 | 2022-01-04 | 江苏省海洋水产研究所 | 一种基于船位数据提取毛虾网船捕捞行为特征的方法 |
| CN113887562B (zh) * | 2021-09-06 | 2022-09-30 | 江苏省海洋水产研究所 | 一种基于船位数据提取毛虾网船捕捞行为特征的方法 |
| CN116758480B (zh) * | 2023-06-27 | 2024-04-19 | 重庆比特数图科技有限公司 | 基于多模型融合与多参数组合识别非法渔船捕捞的方法 |
| CN116758480A (zh) * | 2023-06-27 | 2023-09-15 | 重庆比特数图科技有限公司 | 基于多模型融合与多参数组合识别非法渔船捕捞的方法 |
| CN116738324A (zh) * | 2023-08-11 | 2023-09-12 | 太极计算机股份有限公司 | 模型训练方法和渔船单拖作业行为的识别方法 |
| CN116738324B (zh) * | 2023-08-11 | 2023-12-22 | 太极计算机股份有限公司 | 模型训练方法和渔船单拖作业行为的识别方法 |
| CN116776112B (zh) * | 2023-08-25 | 2024-02-13 | 太极计算机股份有限公司 | 渔船双拖行为的识别方法及其装置 |
| CN116776112A (zh) * | 2023-08-25 | 2023-09-19 | 太极计算机股份有限公司 | 渔船双拖行为的识别方法及其装置 |
| CN117592818A (zh) * | 2024-01-17 | 2024-02-23 | 武汉理工大学 | 一种非法捕捞事件的辅助决策方法及装置 |
| CN117592818B (zh) * | 2024-01-17 | 2024-04-09 | 武汉理工大学 | 一种非法捕捞事件的辅助决策方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222526B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222526A (zh) | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 | |
| Purser et al. | Use of machine-learning algorithms for the automated detection of cold-water coral habitats: a pilot study | |
| WO2022068417A1 (zh) | 一种基于ais数据的船舶徘徊检测方法 | |
| Zhao et al. | An adaptive method of damage detection for fishing nets based on image processing technology | |
| CN107944590B (zh) | 一种渔情分析预报的方法及设备 | |
| CN110084792B (zh) | 一种海上养殖网箱网衣的异常检测方法 | |
| CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、系统及存储介质 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| CN113065474A (zh) | 行为识别方法、装置及计算机设备 | |
| CN110633892A (zh) | 一种ais数据提取延绳钓捕捞状态的方法 | |
| CN112784180A (zh) | 一种金枪鱼围网渔船捕捞强度空间信息提取方法 | |
| CN117115637A (zh) | 一种基于大数据技术的水质监测预警方法及系统 | |
| CN112733935A (zh) | 一种基于Stacking算法的渔船捕捞方式预测方法 | |
| CN108593005A (zh) | 一种基于水下机器人的海洋环境监测系统 | |
| CN115237945A (zh) | 一种基于神经网络的渔船作业方式识别方法和系统 | |
| CN117608959A (zh) | 一种基于域对抗迁移网络的飞控系统状态监测方法 | |
| CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
| CN116562467A (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| CN116311096A (zh) | 基于YOLOv7-MO的毛虾捕捞目标识别与计数系统及其操作方法 | |
| CN115758153A (zh) | 一种目标对象航迹数据的处理方法、装置及设备 | |
| CN117077822A (zh) | 一种渔业资源预测方法 | |
| Marini et al. | Automatic fish counting from underwater video images: performance estimation and evaluation | |
| Fabijanić et al. | Biofouling estimation in mariculture | |
| CN117073565B (zh) | 一种桥梁变形监测系统及方法 | |
| CN117557789B (zh) | 一种海上目标的智能化检测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |