CN112906538A - 一种基于无人值守平台的舰船目标图像识别系统及方法 - Google Patents

一种基于无人值守平台的舰船目标图像识别系统及方法 Download PDF

Info

Publication number
CN112906538A
CN112906538A CN202110171222.XA CN202110171222A CN112906538A CN 112906538 A CN112906538 A CN 112906538A CN 202110171222 A CN202110171222 A CN 202110171222A CN 112906538 A CN112906538 A CN 112906538A
Authority
CN
China
Prior art keywords
module
information
platform
ship target
intelligent
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
Application number
CN202110171222.XA
Other languages
English (en)
Inventor
刘俊
邓超禹
田胜
谷雨
陈华杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110171222.XA priority Critical patent/CN112906538A/zh
Publication of CN112906538A publication Critical patent/CN112906538A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/71—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/75—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Library & Information Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于无人值守平台的舰船目标图像识别系统及方法，包括太阳能供电模块、视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块；太阳能供电模块，用于为整个识别系统提供电能；视频采集模块，用于采集监控海域的视频信息；智能识别模块，用于对采集的视频信息中的图像进行识别；情报生成模块，用于根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标；智能报警模块，用于当舰船目标为异常目标时发出报警并生成报警信息；数据传输模块，用于将生成的报警信息传输至远程终端。

Description

一种基于无人值守平台的舰船目标图像识别系统及方法
技术领域
本发明涉及海洋舰船智能监控技术领域，尤其涉及一种基于无人值守平台的舰船目标图像识别系统及方法。
背景技术
舰船目标作为海洋活动的主体，对舰船目标进行有效的监管是建设海洋信息系统的关键环节之一，是加快建设我国海洋强国的迫切需求。在民用领域，海上舰船目标智能化监管平台可以高效实现海上交通管制，海上遇险舰船搜救，海洋专属经济区保护，并对海洋牧场休渔期非法捕鱼、废弃物倾倒、走私偷渡等起到强有力的监管作用。在军事领域，海上舰船目标智能化监管平台可以对舰船目标精准识别，为军事侦察、军事情报收集提供强有力的支撑，同时也能准确的识别舰船目标意图，为指挥人员处置和决策提供支持。
海上舰船智能化监管平台可以对海上舰船目标准确识别，但由于海洋环境的特殊性，存在电力资源受限，通讯资源受限，计算资源受限，监管平台安装部署、施工困难等突出问题，导致海上舰船目标智能化监管平台发展进程缓慢。
面向国家加快建设海洋强国国家发展战略需求、面向海洋中舰船目标监管需求，结合海洋复杂环境中的电力资源受限、通信资源受限、计算资源受限等特点，需要设计一种海上无人值守平台。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种基于无人值守平台的舰船目标图像识别系统及方法。
为了实现以上目的，本发明采用以下技术方案：
一种基于无人值守平台的舰船目标图像识别系统，包括太阳能供电模块、视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块；所述太阳能供电模块分别与视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块连接；所述智能识别模块分别与视频采集模块、情报生成模块连接；所述智能报警模块分别与情报生成模块、数据传输模块连接；
太阳能供电模块，用于为整个识别系统提供电能；
视频采集模块，用于采集监控海域的视频信息；
智能识别模块，用于对采集的视频信息中的图像进行识别；
情报生成模块，用于根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标；
智能报警模块，用于当舰船目标为异常目标时发出报警并生成报警信息；
数据传输模块，用于将生成的报警信息传输至远程终端。
与现有技术相比，本发明具有以下有益效果：
1、识别准确率高，舰船目标图像识别无人值守平台对海上舰船目标实现高准确率，同时也对海上的舰船目标实现尽可能低的漏报。本发发明的舰船识别准确率高于87％，漏报率小于8％。
2、实时性好，舰船目标图像识别无人值守平台要对海上舰船目标进行实时监控，实现超低延时的效果。本发明的舰船识别到数据传输响应时间低于 2s。
3、可靠性高，舰船目标图像识别无人值守平台要能够长时间运行，尽可能减少出现故障的概率。本平台能够独立正常运行100小时以上不出现故障。
4、稳定性好，舰船目标图像识别无人值守平台要能够在环境恶劣的情况下稳定长时间运行。
附图说明
图1是实施例一提供的舰船目标图像识别无人值守平台的架构图；
图2是实施例一提供的舰船目标图像识别无人值守平台的方案图；
图3是实施例一提供的舰船目标图像识别无人值守平台的功能模块图；
图4是实施例一提供的舰船目标图像识别无人值守平台的太阳能发电示意图；
图5是实施例一提供的舰船目标图像识别无人值守平台的太阳能供电模块逻辑流程图；
图6是实施例一提供的舰船目标图像识别无人值守平台的视频采集逻辑流程图；
图7是实施例一提供的舰船目标图像识别无人值守平台的智能识别模块网络模型应用方案图；
图8是实施例一提供的舰船目标图像识别无人值守平台的智能识别模块网络模型选择结构图；
图9是实施例一提供的舰船目标图像识别无人值守平台的智能识别模块网络模型性能指标体系图；
图10是实施例一提供的舰船目标图像识别无人值守平台的智能识别模块方案设计图；
图11是实施例一提供的舰船目标图像识别无人值守平台的智能识别模块逻辑流程图；
图12是实施例一提供的舰船目标图像识别无人值守平台的情报生成模块流程图；
图13是实施例一提供的舰船目标图像识别无人值守平台的智能报警模块设计图；
图14是实施例一提供的舰船目标图像识别无人值守平台的智能报警模块逻辑流程图；
图15是实施例一提供的舰船目标图像识别无人值守平台的数据存储模块设计图；
图16是实施例一提供的舰船目标图像识别无人值守平台的数据传输的服务模型图；
图17是实施例一提供的舰船目标图像识别无人值守平台的数据传输模块设计图；
图18是实施例一提供的舰船目标图像识别无人值守平台的数据传输逻辑流程图；
图19是实施例一提供的舰船目标图像识别无人值守平台关键算法的金字塔池化模块详细结构图；
图20是实施例一提供的舰船目标图像识别无人值守平台关键算法的混合注意力机制的详细结构图；
图21是实施例一提供的舰船目标图像识别无人值守平台关键算法的原始通道网络与裁剪后通道网络图；
图22是实施例一提供的舰船目标图像识别无人值守平台关键算法的基于误差分布的网络通道裁算法图；
图23是实施例一提供的舰船目标图像识别无人值守平台关键算法的 YOLOV3通道裁剪流程图；
图24是实施例一提供的舰船目标图像识别无人值守平台的硬件集成图；
图25是实施例一提供的舰船目标图像识别无人值守平台的内部接口图；
图26是实施例一提供的舰船目标图像识别无人值守平台的主流程图；
图27是实施例二提供的舰船目标图像识别无人值守平台的浮台部署示意图；
图28是实施例二提供的舰船目标图像识别无人值守平台的登录界面图；
图29是实施例二提供的舰船目标图像识别无人值守平台的运行主界面图；
图30是实施例二提供的舰船目标图像识别无人值守平台的时序图；
图31是实施例二提供的舰船目标图像识别无人值守平台的运行界面图；
图32是实施例二提供的舰船目标图像识别无人值守平台的远程终端接收展示界面图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。
实施例一
本实施例提供的一种基于无人值守平台的舰船目标图像识别系统，其中舰船目标图像识别系统的平台架构分为表示层1、应用层2、数据采集与存储层 3、数据层4四个层次，如图1所示。
表现层1：该层主要负责舰船目标图像识别无人值守平台的人机交互操作和可视化界面的展示，主要包含使用者提供登录验证、与平台的交互操作界面以及信息结果的可视化展示界面。
应用层2：该层主要负责舰船目标图像识别无人值守平台具体的业务逻辑，主要包含舰船目标图像识别无人值守平台的太阳能供电模块21、视频采集模块22、智能识别模块23、情报生成模块24、智能报警模块25、数据传输模块 26，以及舰船目标图像识别无人值守平台对外提供模型文件、配置文件、数据文件等相关接口。
数据采集以及存储层3：该层主要负责舰船目标图像识别无人值守平台采集信息数据以及生成相关文件信息数据的存储，主要包含太阳能供电模块中环境数据采集和视频采集模块中图像数据采集进行存储，同时还包含平台生成的视频信息数据、识别结果信息数据、报警信息数据、情报信息数据以及外部传输的模型文件、配置文件、数据文件信息数据的存储。
数据层4：该层主要负责舰船目标图像识别无人值守平台的数据库数据读写的管理，舰船目标图像识别无人值守平台数据库采用MYSQL数据库。
舰船目标图像识别无人值守平台主要是针对海洋环境中无人值守的场合下不能全面对舰船目标进行实时监管等问题设计的一款舰船目标智能化监管平台，其中应用层中的太阳能供电模块21、视频采集模块22、智能识别模块 23、情报生成模块24、智能报警模块25、数据传输模块26如图2、3所示。
太阳能供电模块21，用于为整个识别系统提供电能.
太阳能供电模块主要由太阳能电池板、蓄电池组、太阳能控制器组成。其中，太阳能电池板主要是将光能转换为电能的设备；蓄电池组主要是储存生成电能，并能够向负载提供能源支持。太阳能控制器主要是控制蓄电池的充放电过程。因为平台的设备采用的都是直流电的供电方式，因此直接就可以利用蓄电池中的电能，无需经过转换，使得设备的供电方式更加简单，电源的质量更加稳定。其太阳能发电示意图如图4所示。太阳能供电模块逻辑流程图如图5 所示。
舰船目标图像识别无人值守平台太阳能供电模块采用的方案是太阳能电池板、太阳能控制器和蓄电池组组合的方式为本平台提供能源支持。其中太阳能电池板本选用40W/12V的单晶太阳能电池板，主要将太阳能转换为电能；太阳能控制器选用12V/10A太阳能专用控制器，主要是防止电池过充保护；蓄电池选用上海汤浅电子有限公司的PMB蓄电池，选取规格为12V/17A，主要是用于存储太阳能转换的电能。
视频采集模块22，用于采集监控海域的视频信息。
考虑到本平台主要用于海上无人值守区域的监控，由于海洋环境的特殊性，应满足以下指标：
(1)视频采集的区域范围要广阔，由于海洋区域的广阔性，故要求摄像头采集的区域要尽可能的广阔；
(2)视频采集图像质量要高，视频采集的图像经过关键帧处理后直接输入到智能识别模块进行识别，其质量的优劣直接影响整个平台识别准确性，故要求视频采集图像质量要尽可能高；
(3)视频采集的稳定性要好，由于海洋环境比较恶劣，并且摄像头视频采集是整个平台的唯一输入源，决定着整个平台稳定性的因素之一，故要求视频采集的稳定性要好；
(4)视频采集的实时性要高，摄像头视频采集图像的实时性是决定整个平台实时性的关键因素之一，故要求视频采集的实时性要高；
(5)摄像头视频采集的功耗要低，因为本产品主要应用在无人值守的海洋区域的监控场景下，这些场景大多都是电力资源受限，而功耗恰恰是决定平台能否长期运行的关键因素之一，故要求视频采集的功耗要尽可能低。
综合以上指标，为此本平台采取的是基于图像采集卡的视频采集方案，选取一套具有宽范围光学变焦的常规视角图像采集装置，此装置搭载一套高质量数字CCD相机，即可完成本平台实际应用场景下的视频采集的相关需求。视频采集逻辑流程图如图6所示。
舰船目标图像识别无人值守平台的视频采集模块采用的方案是摄像头、视频采集卡组合的方式为本平台提供数据源支持。其摄像头选取车载云台高清摄像头，该摄像头拥有高清镜头，其监控范围可达80米，360度可旋转，防水等级IP66，同时可以防雷击，更加适用本平台海上部署环境的要求；视频采集卡选取天创恒达公司的UB570高清视频采集卡，该采集卡是基于USB3.0 的采集卡，能够实时采集摄像头采集的图像，具有超低延时的特点，满足平台对采集视频的实时性要求。
智能识别模块23，用于对采集的视频信息中的图像进行识别。
具体的智能模块设计如下：
(1)一个深度网络模型装置
深度网络的性能指标优劣在一定程度取决于强大的数据支撑和深度网络结构的设计，需要依赖于强大的计算资源进行训练测试，然而本平台计算资源有限，因此，无法完成深度网络训练任务。为此本平台采取的策略是采用高性能的服务器进行模型的训练和测试，将训练好的深度网络模型导入到嵌入式资源上进行运行。智能识别模块网络模型应用方案图如图7所示。
(2)两个深度网络模型配置
智能识别模块设计采用默认配置和自定义配置。默认配置表示平台内部默认含有一套参数模型配置，当不进行任何配置选择时，平台会自动加载模型完成对舰船目标的识别。自定义配置表示需要自己导入满足平台要求的自定义配置、模型文件，当选择自定义配置后会优先加载自己的模型来完成对舰船目标的识别。智能识别模块网络模型选择结构图如图8所示。
(3)三个深度网络模型性能指标
本实施例主要从准确性，实时性和模型复杂度三个方面指标对深度网络模型进行评价。智能识别模块网络模型性能指标体系如图9所示。
基于以上的“一个深度网络模型装置、两个深度网络模型配置、三个深度网络模型性能指标”原则，智能识别模块主要采用深度学习目标算法为基础，构建舰船目标数据集作为网络训练样本，在高性能服务器上进行训练和测试，通过性能评价指标选取最优的深度网络模型，导入到嵌入式设备进行测试运行，完成对采集的舰船目标图像进行识别。智能识别模块方案设计如图10所示。智能识别模块逻辑流程图如图11所示。
舰船目标图像识别无人值守平台的智能识别模块采用的方案是将优化的算法在高性能服务器上进行训练，得到识别的模型，将识别的模型导入智能识别模块进行运行最终完成智能识别的效果。其智能识别的硬件设备选取英伟达发布的一款嵌入式人工智能超级计算器NVIDIA Jetson TX2，该设备体积小，并且配有NVIDIA PascalTMGPU图像处理显卡，为智能识别模块中优化的深度学习的目标识别算法提供了强大的硬件支撑，其内存高达8GB，最为重要的是该设备拥有极低的功耗，仅为7.5W，满足在能源受限的场景下使用的要求，该设备配备强大的
Figure RE-GDA0003023308190000071
-A57CPU和超大的带宽,能够实时处理输入的视频源，满足平台实时性的要求。
情报生成模块24，用于根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标。
选取利用技术方法中的图像识别侦察手段来设计情报的自动生成模块，利用平台的摄像机进行图像的采集，通过智能识别模块来对采集的图像进行筛选出有用的信息，从而完成情报的自动生成过程。
舰船目标图像识别无人值守平台生成的情报主要包含时间、经度、纬度、舰船类型、舰船数量、运动状态等信息，具体的情报字段信息如下表1所示。
情报字段 字段说明 该字段来源
时间(time) 采集的时间 摄像机采集时间
经度(longitude) 舰船所处的经度 平台所处位置
纬度(latitude) 舰船所处的纬度 平台所处位置
舰船类型(type) 某一时间段舰船的类型 智能识别模块输出
舰船数量(nums) 某一时间段舰船的数量 智能识别模块输出
运动状态(status) 某一时间段舰船的运动状态 智能识别模块输出
表1
其中，时间主要是通过摄像头采集图像时包含的时间信息；经纬度主要是利用平台部署的位置确定；舰船类型、舰船数量主要是通过智能识别模块进行输出，运动状态主要是通过比较前后两帧图像特征状态确定目标是运动和静止。情报生成模块流程图如图12所示。
智能报警模块25，用于当舰船目标为异常目标时发出报警并生成报警信息。
智能报警模块主要是借助于摄像头对监控区域进行探测，借助于智能识别模块来对异常的情况进行判断，如果识别出异常情况及时进行报警并将报警信息传递给监管人员进行处理。智能报警模块设计如图13所示。智能报警模块逻辑流程图如图14所示。
数据传输模块26，用于将生成的报警信息传输至远程终端指挥人员处处理。
选取机械硬盘作为本平台的存储设备，针对历史识别记录进行高效查询和存储资源受限的问题，设计了一种基于MySQL数据库表结构来对平台运行的数据进行持久化存储，主要是对平台识别的结果信息，报警信息，情报信息等信息进行持久化存储。其数据存储模块设计图如图15所示。
在数据库表的结构字段方面设计，考虑到平台的应用场景以及相关的需求分，目的是方便对识别结果和相关情报信息的检索，具体的表结构字段设计如下表2所示。
字段 字段含义 字段所属类型 字段所属属性
Id 编号 INT Primary Key，NOT NULL
Class 目标类别 VARchar(50) NOT NULL
ImageLoca 原始图像存储路径 VARchar(100) NOT NULL
IdentifyLoca 识别图像存储路径 VARchar(100) /
IntelligeLoca 情报文本的路径 VARchar(100) /
Longitude 目标所在位置经度 FLOAT /
Latitude 目标所在位置纬度 FLOAT /
Time 目标出现时间 DATETIME /
Calling 是否报警 INT NOT NULL
表2
舰船目标图像识别无人值守平台主要用于海上无人值守监控区域，针对海洋环境特殊性的问题，存在以下问题：(1)数据传输的带宽资源受限，海上通讯带宽资源受限，无法实时传输数据量大的视频流数据。(2)数据传输距离远，海洋由于其广阔性，故平台部署的位置与远程终端监控的位置距离很远。故针对数据传输距离远的问题，采用基于频带的无线传输的数据传输方式；针对数据传输带宽资源有限的问题，通过对数据传输的内容进行选取，主要传输平台识别舰船的图像信息和生成是情报文本信息进行传输，远远小于视频流的数据量，满足在带宽资源受限的场景下进行数据传输。其数据传输的服务模型如图 16所示。
本平台的数据传输模块采用的是基于频段无线传输的方式，为本平台提供通讯资源受限条件下数据实时传输。其数据传输模块选取基于2.4GHz的 NRF2401无线传输模块，该模块传输的速率高达2Mbps，满足本平台通讯资源受限下数据传输的速率要求，同时该设备功耗极低，成本也不高，满足平台的低功耗的要求。
本平台的数据传输模块的主要有两个作用，第一个就是在带宽资源受限的情况下将监测平台生成的情报信息，识别的舰船图像以及报警信息传输到远程终端，通知监管人员及时处理；第二个作用是远程终端可以向指定监测平台导入自定义的深度模型以及配置文件，达到升级监测平台网络，提高监测平台的识别准确率。其数据传输模块设计如图17所示。数据传输逻辑流程图如图18 所示。
在本实施例中，智能识别模块23具体包括：
第一优化模块，用于基于空间金字塔池化的策略对视频信息中图像的局部区域特征进行池化；
借鉴空间金字塔池化的思想(SPP block)，采用基于空间金字塔池化的策略对提取的局部区域特征进行池化，充分利用局部特征和全局特征来提高目标识别的准确率。金字塔池化模块详细结构图如图19所示，主要通过三个最大池化层组成，池化窗口的大小计算如下：
Figure RE-GDA0003023308190000101
其中：sizep表示池化窗口的大小，sizef表示输入特征图的大小，ni＝1,2,3 表示三个池化层。本实施例在YOLOV3特征提取网络最后一个卷积层后面，也就是检测的第三层加入金字塔池化模块。对于输入的图像分辨率为416×416，经过特征提取网络的五次下采样，输入到金字塔池化的大小为13×13×512，从池化窗口的大小计算公式可以计算池化窗口大小分别为5×5、7×7、13×13，池化窗口每次滑动间隔为1，特征填充为0，确保池化后输出的特征图纬度与输入特征图维度一致。
增强模块，用于基于混合注意力机制的增强特征表达对视频信息中的图像进行特征增强处理，得到最终的输出特征；
在深度网络的识别的过程中，提取的特征表达能力直接决定网络识别的准确性。然而，对于标准的卷积提取到的特征图质量方面没有良好的评估策略，导致在不同的卷积操作提取到的图像特征效果也不尽相同，如果针对不同特征图的重要性进行重新评估，使得质量较好的特征图能够最大程度发挥其效用，而不是淹没在效用较低的特征图中，将会对网络的检测精度提升有非常大的帮助。
基于此，为细化多尺度舰船检测网络的显著特征，提高网络的识别能力，本实施例借鉴注意力机制思想，引入基于混合注意力机制的增强特征表达策略，混合注意力机制主要由两个模块组成，通道注意力模块与空间注意力模块。混合注意力机制的详细结构如图20所示，将输入的特征与通道注意力模块和空间注意力模块的输出序列相乘，得到最终增强后的特征。其中，在通道注意力机制模块中，采用最大池化和平均池化的方式对输入特征F∈Rc×h×w进行特征映射并进行维度压缩，得到
Figure RE-GDA0003023308190000111
与
Figure RE-GDA0003023308190000112
两个特征图，将两个特征图经过共享网络(MLP)H(F)进行通道维数的相加，使用激活函数f(F)将输出的特征图进行归一化得到通道注意力模块输出的特征图Mc∈Rc×1×1。空间注意力模块与通道注意力模块一样，采取最大池化和平均池化的方式，但是空间注意力模块更加注重目标在图像中的位置信息，将输入的特征图经过最大池化和平均池化得到
Figure RE-GDA0003023308190000113
与
Figure RE-GDA0003023308190000114
两个特征图进行特征通道维度的拼接，通过二维卷积得到加权向量，经过激活函数g(F)得到输出空间注意力特征图Ms∈R1×H×W。将输入特征依次与通道注意力模块输出的特征、空间注意力模块的特征相乘，得到最终的输出特征O(F)。具体计算过程如公式以下三个公式所示。
Attc＝f(H(Maxpool(F))+H(Avgpool(F)))
Atts＝g(Conv2d(Maxpool(Attc·F)+Avgpool(Attc·F))
O(F)＝F·Attc·Atts
其中：f和g表示Sigmoid激活函数；H(F)表示共享网络MLP；Attc和Atts表示通道注意力和空间注意力输出的向量；O(F)表示最终的加权特征。
混合注意力机制主要是通过丰富特征提取的信息，提高特征的表达能力。而对于原始的YOLOV3网络在多尺度预测模块对每个分支特征提取的信息单一的问题，不能充分利用特征信息。为了增强特征表达，本实施例引入混合注意力模块，将混合注意力模块引入到三个预测分支，提高预测分支的特征表达能力，从而提高预测的准确率。
第二优化模块，用于基于先验知识的锚框优化对舰船进行优化处理。
在多尺度特征预测方面，YOLOV3借鉴了Faster R-CNN的锚框思想，在每个预测尺度的特征图上都会包含九个先验锚框。YOLOV3在每个特征尺度上提供的先验框尺寸都是基于公开数据集，面向自然界的通用物体设置的，而舰船的形状大多呈现细长的形状且不同的舰船目标之间的尺寸变化差异也很大，如果不加修改的直接用于舰船目标识别，那么可能会导致网络在训练时，参数频繁调整导致算法的效率会下降，同时也会降低目标识别算法的准确率。对此，本实施例采用基于先验知识的锚框优化，利用K-mean++聚类算法对标注的舰船目标样本尺寸进行聚类，产生不同数量的先验锚框数量，通过此方法得到的先验锚框与目标边界框更加匹配。
YOLOV3采用的是三个预测尺度，每个预测尺度含有九个先验锚框。在此，本实施例首先对自建舰船数据的标注，然后通过聚类的算法对已经标注好的舰船目标数据样本进行聚类，聚类的目标数量设置为9，得到9种尺寸。最后将聚类出的尺寸替换YOLOV3原始默认的尺寸，进行训练测试。YOLOV3 原始尺寸以及优化尺寸如下表3所示：
Figure RE-GDA0003023308190000121
表3
在本实施例中的智能识别模块中还包括面向舰船目标识别实时性优化设计，具体为：
网络的规模和目标的检测速度在一定程度上是相关联的。由于网络规模的扩大，使得整个网络的参数量也随之增加，进而导致网络在执行检测任务时，计算量也会在一定程度上随之增加，使得网络的目标检测速度随之下降。针对原始YOLOV3网络存在参数量大，实时性差的问题，结合舰船目标图像识别无人值守平台对目标识别算法实时性的要求，采用基于误差分布的网络通道裁剪策略，对设计的算法进行通道裁剪，去除一些网络中不重要的通道，减少模型参数量，提升模型的计算速度。
YOLOV3每个卷积层后面都会有一个批量归一化层(BN,Batch Normalization)来帮助网络尽快收敛，同时也会提升网络的泛化能力，批量归一化的过程计算公式如下面三个公式所示。可以看出，对于缩放因子γ的大小直接影响到输出的特征信息，γ越小就表示输出的特征信息越少，从而也可以反映该通道的重要程度，基于误差分布的通道裁剪策略就是依据γ误差的分布进行通道裁剪。
Figure RE-GDA0003023308190000131
Figure RE-GDA0003023308190000132
Figure RE-GDA0003023308190000133
其中：b表示网络训练的batch大小，xi表示第i个输入特征，γ表示网络训练的缩放因子，β表示网络训练偏差，ε表示防止分母为零的一个很小的数，γ和β通过网络可以自主学习。
基于误差分布的网络通道裁剪策略采用归一化BN层的γ组成误差分布，根据每个通道的γ与设定裁剪比例得出的裁剪阈值。结合裁剪阈值对这些不重要的通道进行裁剪，减少网络的参数。图21表示原始网络经过缩放因子自动将误差较小的缩放因子进行裁剪得到裁剪后的轻量级网络。
基于误差分布的网络通道裁剪需要人为去设定裁剪比例，算法会根据裁剪比例与γ误差分布进行网络模型的裁剪，那么必须要考虑裁剪后两个维度如何保持一致的问题。为此，对于YOLOV3模型，本实施例采取对于shotcut 直连的层不进行裁剪，那么就可以直接避免维度处理问题，同时对于模型也有较高的裁剪率。基于误差分布的网络通道裁剪算法如图22所示，首先需要对原始网络进行稀疏训练，稀疏训练的目的就是在网络训练的过程中鉴别通道的重要程度；其次对于稀疏训练的模型进行解析，统计排除与shotcut层直连的所有网络层数集合；然后利用基于误差分布的通道裁剪算法进行模型通道裁剪，得到裁剪后的模型；最后将裁剪后的模型继续训练进行微调，得到最终的模型。剪枝的流程如图23所示。
在本实施例中，舰船目标图像识别无人值守平台集成具体如下：
舰船目标图像识别无人值守平台硬件集成具体为：
硬件集成就是将各模块的硬件资源连接安装起来形成一个整体。首先将太阳能供电模块进行连接，通过太阳能电池板、太阳能控制器、蓄电池串联的方式组成太阳能供电模块。其次将视频采集模块进行连接，通过摄像头和视频采集卡串联的方式进行视频源的采集，保证平台的数据源输入。然后将智能识别模块进行连接，智能识别模块硬件设备就是嵌入式设备，输入接入视频采集模块，对输入的数据进行智能处理。数据传输模块主要是采用集成好的无线传输模块，输入只需接入到智能识别模块的USB接口，通过传输控制进行数据传输。最后就是可视化显示，连接到嵌入式设备进行可视化显示，其主要功能就是将智能识别的结果进行显示和进行相关的操作。舰船目标图像识别无人值守平台硬件集成如图24所示。
舰船目标图像识别无人值守平台软件集成具体为：
软件集成就是通过各个模块间的软件构件进行重新组合，满足平台的功能要求。平台的软件集成主要是通过各个模块间的接口来进行模块间的组合，从而达到实现平台功能的目的。软件集成主要分为舰船目标图像识别无人值守平台外部接口和舰船目标图像识别无人值守平台内部接口。舰船目标图像识别无人值守平台外部接口主要是通过该接口实现外部数据的传输，确保舰船目标图像识别无人值守平台能够对外界进行数据交互；舰船目标图像识别无人值守平台内部接口主要是各功能模块间的组合，确保各个功能的实现。
舰船目标图像识别无人值守平台外部接口主要有三种接口类型，主要分为模型文件接口、配置文件接口、数据文件接口。其中模型文件接口主要作用是可以通过该接口能够导入外部的模型文件，从而能够实现舰船目标图像识别无人值守平台自定义模型智能识别效果；配置文件接口主要作用是可以通过该接口能够导入运行模型所需的相关配置文件，达到模型能够稳定运行的目的；数据文件接口主要作用是导入模型运行所需数据文件以及平台生成的相关文件的向外拷贝，确保舰船目标图像识别无人值守平台能够与外界实现数据文件互通。具体的平台外部接口说明以及接口输入输出如下表4所示。
接口名称 接口类型 接口说明 接口输入/输出
模型文件接口 模型接口 通过该接口传输模型文件 高性能计算机/智能识别模块
配置文件接口 配置接口 通过该接口传输配置文件 高性能计算机/智能识别模块
数据文件接口 数据接口 通过该接口传输数据文件 高性能计算机/智能识别模块
表4
舰船目标图像识别无人值守平台内部接口主要是分为能源供应接口、视频采集接口、智能识别接口、情报生成接口、智能报警接口、数据存储接口、数据传输接口七种接口。其中能源供应接口主要是保障舰船目标图像识别无人值守平台的能源供应，视频采集接口主要是保障舰船目标图像识别无人值守平台的数据源，智能识别接口主要的对采集的图像进行智能化处理得到识别结果信息，情报生成接口主要的对智能识别模块的输出识别结果信息以及视频采集接口的信息进行综合处理得到情报信息，智能报警接口主要是对智能识别模块输出的识别结果信息为异常目标进行报警并且生成相关的报警信息，数据存储接口主要对平台各模块接口生成的信息数据进行持久化存储，数据传输接口主要的确保舰船目标图像识别无人值守平台产生的信息能够及时与外界进行传达。平台外部接口信息以及接口的输入输出如下表5所示。平台内部接口图如图 25所示。
Figure RE-GDA0003023308190000151
Figure RE-GDA0003023308190000161
表5
舰船目标图像识别无人值守平台主要是通过视频采集模块来对监控区域进行图像采集，利用关键帧算法剔除采集到的冗余图像，将采集到的关键帧图像输入到智能识别模块进行图像预处理，再利用优化的目标识别算法提取图像的特征，将这些特征进行分类得到最终图像识别的结果；同时还要对识别的结果进行判断，判断识别的目标是否为设定的异常目标；如果识别出为异常目标要进行报警显示，并且生成的报警信息进行持久化存储并且传输到远程终端进行展示；如果识别出正常目标，要对识别的目标种类、数量等信息进行收集，利用收集的信息进行情报写入完成情报生成，将生成的情报信息进行持久化存储，并通过传输装置将生成的情报信息传输到远程终端进行存储与展示。舰船目标图像识别无人值守平台主流程图如图26所示。
本实施例针对电力资源受限的问题，通过引入太阳能供电的方式解决了海上能源受限的问题。
本实施例针对计算资源受限的问题，通过引入人工智能深度学习目标识别算法并对深度学习网络进行准确率和实时性的优化解决了海上计算资源受限，智能化程度低的问题。
本实施例针对通讯资源受限的问题，通过传输舰船目标识别结果及其相应的关键帧图像等情报信息代替传输视频流的方式解决了海上通讯资源受限的问题。
与现有技术相比，本实施例具有以下有益效果：
1、识别准确率高，舰船目标图像识别无人值守平台对海上舰船目标实现高准确率，同时也对海上的舰船目标实现尽可能低的漏报。本发发明的舰船识别准确率高于87％，漏报率小于8％。
2、实时性好，舰船目标图像识别无人值守平台要对海上舰船目标进行实时监控，实现超低延时的效果。本发明的舰船识别到数据传输响应时间低于 2s。
3、可靠性高，舰船目标图像识别无人值守平台要能够长时间运行，尽可能减少出现故障的概率。本平台能够独立正常运行100小时以上不出现故障。
4、稳定性好，舰船目标图像识别无人值守平台要能够在环境恶劣的情况下稳定长时间运行。
实施例二
本实施例提供的一种基于无人值守平台的舰船目标图像识别方法，包括：
S1.视频采集模块采集监控海域的视频信息；
S2.智能识别模块对采集的视频信息中的图像进行识别；
S3.情报生成模块根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标；
S4.智能报警模块当舰船目标为异常目标时发出报警并生成报警信息；
S5.数据传输模块将生成的报警信息传输至远程终端。
太阳能供电模块、视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块与实施例一类似，在此不多做赘述。
在本实施例中，舰船目标图像识别无人值守平台主要通过部署在岸基、浮台、支杆等辅助工具来实现对海洋的监管。舰船目标图像识别无人值守平台浮台部署示意图如图27所示。
针对平台信息安全性问题，防止平台信息被非法人员盗取，本平台设置起始登陆界面，只有拥有账号和密码的监管人员才能查看和操作其平台内部界面信息。登陆界面示意图如图28所示。当操作人员输入正确的账号和密码时，平台会跳转到主界面进行交互，可对平台信息进行查看，并且对平台的功能进行操作。舰船目标图像识别无人值守平台主界面如图29所示。进入到主界面后，操作人员可以对其界面进行操作，具体操作如下：
(1)首先可以查看太阳能供电模块单元的工作状态，以及相关参数，判断太阳能供电模块是否正常，以及平台运行的时间，电池电量等，当获取到这些参数时，可以判定太阳能供电模块的工作状态，以及是否能够支撑整个平台的能源供应。
(2)其次操作视频采集模块，可以选择打开设备即可以开启摄像头，打开开始采集即加载视频采集驱动进行视频采集，其对应的原始视频展示区域就可以查看采集的图像。
(3)当开启了视频采集模块后，可以进行智能识模块的配置。如果使用默认的模型，那么直接点击开始检测就可以启动模型对输入的关键帧图像进行检测，其识别结果区域也会展示其识别的结果图像，识别信息展示区域也会对识别的信息进行实时展示。但如果要选择自己的模型时，要对模型的方法进行选择，同时对其模型进行选择，并且设置模型需要的参数，点击开始检测也会启动自己的模型进行检测。
(4)当设置完智能识别模块后，智能报警模块会对获取的智能识别信息结果进行判断。如果判定为异常情况，智能报警模块指示区域就会变成红色报警状态，并且报警信息展示区域也会展示生成的报警信息，并且自动调用传输模块进行数据的传输。
(5)情报生成模块在智能识别模块开始时就相应的对情报开始生成，当操作人员点击情报展示时，操作人员就可以查看生成的情报信息，主要包含情报图像信息和情报文本信息。
(6)数据存储模块存储了情报、识别、报警的信息，并且展示区域显示了其存储的路径，供相关操作人员查看。
(7)最后，数据传输模块可以传输报警信息和生成的情报信息，在界面上可以查看传输的状态，传输数据量的大小和传输过程的信息。如果传输连接断开，传输指示则会变成红色异常状态，传输过程信息也会对应显示传输失败。
舰船目标图像识别无人值守平台时序图如图30所示。交互界面是操作人员与平台进行交流的主要方式，操作人员可以在交互界面进行操作，同时也可以查看相关信息。操作人员在交互界面首先对视频采集模块进行控制，开启视频采集模块；其次，开始操作智能识别模块，对模型、配置文件进行选择，实现对输入的关键帧图像进行识别，并将识别的结果保存，同时也会请求情报生成模块，情报生成模块会根据识别结果以及摄像头采集图像的一些参数进行情报生成，生成的情报及时进行持久化存储与远距传输；然后，智能报警模块会依据识别的结果进行判定该目标是否为异常目标，如果为异常目标，则进行报警，同时生成异常目标的报警信息进行持久化存储和远距传输；最后操作人员在交互页面可以通过对各个模块的数据进行查看，通过对数据库发送请求，将查询的信息返回个交互界面进行展示。
舰船目标图像识别无人值守平台主要是将无人值守海上监控区域的舰船活动情况通过数据传输的方式将舰船活动信息传输到远程终端供指挥人员查看，以此来达到对海上无人值守区域舰船目标的实时监控。舰船目标图像识别无人值守平台主要包括太阳能供电功能模块、视频采集功能模块、智能识别功能模块、情报生成功能模块、智能报警功能模块、数据传输功能模块。在系统的运行界面如图31所示，从运行界面可以看出，舰船目标图像识别无人值守平台能够对监控区域实时采集图像并且能够准确的识别舰船的类型，生成的情报信息能够在规定的区域内展示，对于异常目标能够及时的报警，最终将生成的信息数据能够进行传输，各个功能模块均能正常的工作。
为了更加突出舰船目标图像识别无人值守平台的监管效果，本实施例设计出一款远程终端接收设备，该设备能够对舰船目标图像识别无人值守平台传输的数据进行接收并且通过可视化界面进行展示，其中主要包括对于无人值守海上区域出现的异常目标的报警提示信息、对于无人值守海上区域舰船的类型数量的识别结果图像、对于无人值守海上舰船目标时间、经纬度、舰船类型、舰船数量、舰船状态的情报文本信息。同时还对接收的数据进行数据记录、统计，对于报警信息的处理记录等。远程终端展示界面如图32所示。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种基于无人值守平台的舰船目标图像识别系统，其特征在于，包括太阳能供电模块、视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块；所述太阳能供电模块分别与视频采集模块、智能识别模块、情报生成模块、智能报警模块、数据传输模块连接；所述智能识别模块分别与视频采集模块、情报生成模块连接；所述智能报警模块分别与情报生成模块、数据传输模块连接；
太阳能供电模块，用于为整个识别系统提供电能；
视频采集模块，用于采集监控海域的视频信息；
智能识别模块，用于对采集的视频信息中的图像进行识别；
情报生成模块，用于根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标；
智能报警模块，用于当舰船目标为异常目标时发出报警并生成报警信息；
数据传输模块，用于将生成的报警信息传输至远程终端。
2.根据权利要求1所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述太阳能供电模块的组成包括太阳能电池板、蓄电池组、太阳能控制器；太阳能控制器分别与太阳能电池板、蓄电池组连接；
太阳能电池板，用于接收太阳的光能，并将光能转换为电能；
蓄电池组，用于储存电能，并为整个识别系统提供电能；
太阳能控制器，用于控制蓄电池组的充放电过程。
3.根据权利要1所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述智能识别模块中对采集的视频信息中的图像进行识别是通过深度网络模型进行识别。
4.根据权利要求1所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述情报生成模块中根据识别的结果生成情报数据是利用图像识别侦察手段来生成情报数据的。
5.根据权利要求4所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述情报数据包含时间、经度、纬度、舰船类型、舰船数量、运动状。
6.根据权利要求3所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述智能识别模块中通过深度网络模型进行识别具体包括：
第一优化模块，用于基于空间金字塔池化的策略对视频信息中图像的局部区域特征进行池化；
增强模块，用于基于混合注意力机制的增强特征表达对视频信息中的图像进行特征增强处理，得到最终的输出特征；
第二优化模块，用于基于先验知识的锚框优化对舰船进行优化处理。
7.根据权利要求6所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述第一优化模块中空间金字塔池化的池化窗口大小表示为：
Figure FDA0002938978710000021
其中，sizep表示池化窗口的大小；sizef表示输入特征图的大小；ni＝1,2,3表示三个池化层。
8.根据权利要求6所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述增强模块中得到最终的输出特征，表示为：
Attc＝f(H(Maxpool(F))+H(Avgpool(F)))
Atts＝g(Conv2d(Maxpool(Attc·F)+Avgpool(Attc·F))
O(F)＝F·Attc·Atts
其中，O(F)表示最终的输出特征；f和g表示Sigmoid激活函数；H(F)表示共享网络；Attc和Atts表示通道注意力模块和空间注意力模块输出的向量；F表示输入的特征。
9.根据权利要求6所述的一种基于无人值守平台的舰船目标图像识别系统，其特征在于，所述第二优化模块中对舰船进行优化处理具体为对舰船目标样本尺寸进行聚类，产生不同数量的先验锚框数量。
10.一种基于无人值守平台的舰船目标图像识别方法，其特征在于，包括：
S1.采集监控海域的视频信息；
S2.对采集的视频信息中的图像进行识别；
S3.根据识别的结果生成情报数据，并根据生成的情报数据判断舰船目标是否为异常目标；
S4.当舰船目标为异常目标时发出报警并生成报警信息；
S5.将生成的报警信息传输至远程终端。
CN202110171222.XA 2021-02-08 2021-02-08 一种基于无人值守平台的舰船目标图像识别系统及方法 Pending CN112906538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110171222.XA CN112906538A (zh) 2021-02-08 2021-02-08 一种基于无人值守平台的舰船目标图像识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110171222.XA CN112906538A (zh) 2021-02-08 2021-02-08 一种基于无人值守平台的舰船目标图像识别系统及方法

Publications (1)

Publication Number Publication Date
CN112906538A true CN112906538A (zh) 2021-06-04

Family

ID=76123953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110171222.XA Pending CN112906538A (zh) 2021-02-08 2021-02-08 一种基于无人值守平台的舰船目标图像识别系统及方法

Country Status (1)

Country Link
CN (1) CN112906538A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113923400A (zh) * 2021-07-16 2022-01-11 上海拓釜船务有限公司 一种舰船智慧值更岗亭系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106816038A (zh) * 2017-03-17 2017-06-09 武汉理工大学 一种内河水域异常行为船舶自动识别系统及方法
CN107729807A (zh) * 2017-09-05 2018-02-23 南京理工大学 一体化防外破目标识别与智能预警系统
CN107729799A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统
CN108122246A (zh) * 2017-12-07 2018-06-05 中国石油大学(华东) 视频监控智能识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106816038A (zh) * 2017-03-17 2017-06-09 武汉理工大学 一种内河水域异常行为船舶自动识别系统及方法
CN107729799A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统
CN107729807A (zh) * 2017-09-05 2018-02-23 南京理工大学 一体化防外破目标识别与智能预警系统
CN108122246A (zh) * 2017-12-07 2018-06-05 中国石油大学(华东) 视频监控智能识别系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113923400A (zh) * 2021-07-16 2022-01-11 上海拓釜船务有限公司 一种舰船智慧值更岗亭系统

Similar Documents

Publication Publication Date Title
Lu et al. CONet: A cognitive ocean network
CN109597342B (zh) 一种动态组网智能辨识的采砂船监测装置及方法
CN110348304A (zh) 一种可搭载于无人机的海事遇险人员搜索系统以及目标识别方法
CN107819676B (zh) 基于加权矩阵模型的智能路由装置及方法
CN108061572B (zh) 一种海洋核动力平台综合态势显控系统及方法
CN112508301B (zh) 电动车辆的充电负荷预测方法、装置及存储介质
EP3796203A1 (en) Submarine cable route planning tool
CN116187398B (zh) 一种无人机海洋图像检测用轻量神经网络搭建方法及设备
CN113780127A (zh) 一种船舶定位与监控系统及方法
JP2024061732A (ja) 通信端末、プログラム及び方法
Li et al. Cognitive ocean of things: a comprehensive review and future trends
CN112906538A (zh) 一种基于无人值守平台的舰船目标图像识别系统及方法
CN212674143U (zh) 河流湖泊的水体环境识别系统
CN116310689B (zh) 一种无人智能多模态信息融合与目标感知系统及作业方法
CN116226435B (zh) 基于跨模态检索的遥感图像与ais信息的关联匹配方法
CN114898594B (zh) 一种可搭载无人机的通感算控一体化智能灯船控制系统
CN116597693A (zh) 一种内河航运监控系统及方法
CN115457411B (zh) 航油管线无人化巡视方法、装置和航油安全运维系统
CN113542697B (zh) 基于深度学习的采砂船自适应监控系统的自适应监控方法
Betti et al. Real-time target detection in maritime scenarios based on YOLOv3 model
CN115107931A (zh) 海上浮标系统
Ding et al. A novel deep learning framework for detecting seafarer’s unsafe behavior
CN111382773A (zh) 一种用于管道内部监测基于九宫原理的图像匹配方法
Power et al. GPS Alignment from Multiple Sources to Extract Aircraft Bearing in Aerial Surveys
CN118155454A (zh) 基于多源数据融合的升船机船厢内船舶动态监测系统及方法

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