CN113936156A - 针对水面船舶捕鱼行为的检测识别分类方法及系统 - Google Patents
针对水面船舶捕鱼行为的检测识别分类方法及系统 Download PDFInfo
- Publication number
- CN113936156A CN113936156A CN202111405438.4A CN202111405438A CN113936156A CN 113936156 A CN113936156 A CN 113936156A CN 202111405438 A CN202111405438 A CN 202111405438A CN 113936156 A CN113936156 A CN 113936156A
- Authority
- CN
- China
- Prior art keywords
- ship
- fishing
- behavior
- information
- ships
- 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
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
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)
- Image Analysis (AREA)
Abstract
本发明提供一种针对水面船舶捕鱼行为的检测识别分类方法及系统,涉及海事检测技术领域,包括:步骤S1:判断水面船舶是否具备进行捕鱼作业条件;步骤S2:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配;步骤S3:记录并保存水面各船舶的特征参数,将正常船舶特征作纳入正常船舶行为特征库,将判定为捕鱼行为船舶的特征信息纳入捕鱼行为特征库,实时对渔业资源保护区内的船舶进行状态监控、捕鱼行为检测及特征信息分类记录。本发明能够及时发现偷捕行为、及时制止偷捕行为提供解决方案,可为渔业资源保护部门提供极大便利,保障我国水域范围内的生物多样性。
Description
技术领域
本发明涉及海事检测技术领域,具体地,涉及一种针对水面船舶捕鱼行为的检测识别分类方法及系统。
背景技术
由于水面环境复杂、水面船舶也是鱼龙混杂,中国实施长江“十年禁捕”政策后,长江流域生态资源得到有效休养生息,渔业资源逐渐丰富后有不少船舶铤而走险选择进行违法捕捞作业无法进行有效监管。
目前,针对水面船舶捕鱼行为的检测识别,准确率较低,容易出现误判现象,且不能为及时发现偷捕行为、及时制止偷捕行为提供解决方案。
公开号为CN111160255A的发明专利,公开了一种基于三维卷积网络的捕鱼行为识别方法及系统,包括步骤采集视频数据,基于视频数据得到所需图像序列;将图像序列中连续的多张图像一并输入三维卷积网络,提取输入数据的多维度特征向量;利用输入图像序列的图像宽和高两个维度的信息生成参考锚框;利用所得多维度特征向量与参考锚框,解码出目标所在位置,并分类目标行为,得到捕鱼行为目标。
发明内容
针对现有技术中的缺陷,本发明提供一种针对水面船舶捕鱼行为的检测识别分类方法及系统。
根据本发明提供的一种针对水面船舶捕鱼行为的检测识别分类方法及系统,所述方案如下:
第一方面,提供了一种针对水面船舶捕鱼行为的检测识别分类方法,所述方法包括:
步骤S1:判断水面船舶是否具备进行捕鱼作业条件;
步骤S2:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配;
步骤S3:记录并保存水面各船舶的特征参数,将正常船舶特征作纳入正常船舶行为特征库,将判定为捕鱼行为船舶的特征信息纳入捕鱼行为特征库,实时对渔业资源保护区内的船舶进行状态监控、捕鱼行为检测及特征信息分类记录。
优选的,所述步骤S1中,水面船舶是否具备进行捕鱼作业条件的判断标准包括:
a.根据航迹信息判断水面船舶航行位置位于规定航道内,不在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;
c.水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
优选的,所述航迹信息包括水面船舶的连续航迹点位置以及水面船舶到达连续航迹点位置时的时间、航速和航向;
船舶身份识别信息包括船舶大小、吃水、船舶外型、船舶类型、船名以及AIS信息;
水文信息包含船舶所处位置水深、是否位于航道内,该区域是否标记为渔业资源保护区。
优选的,所述航迹信息通过探测雷达、船舶自动识别系统或北斗接收机获取。
优选的,所述船舶身份识别方式为:利用雷达测量船舶大小,利用视频图像识别船舶外型、吃水以及利用船舶自动识别系统识别船舶船名和船舶类型。
优选的,所述步骤S2具体包括:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配,匹配过程包含利用正常船舶行为特征库进行反向验证以及利用捕鱼行为特征库进行正向匹配;
对两者交叉验证结果进行综合判定得到船舶是否处于捕鱼作业状态以及捕鱼行为分类信息,其中,具体捕鱼行为包括:海上快艇捕鱼、海上单拖捕鱼、海上双拖捕鱼、海上围网捕鱼、海上刺网捕鱼及湖上围网捕鱼。
优选的,所述步骤S2中舶特征匹配包括:计算正样本匹配率αpositive以及负样本匹配率αnegative;若:
αpositive>检测概率阈值;
其中,检测概率阈值threshold∈[0,1],并且,
αnegative<(1检测概率阈值);
时才判定为捕鱼行为检测识别成功,否则认为不成功。
第二方面,提供了一种针对水面船舶捕鱼行为的检测识别分类系统,所述系统包括:
特征提取模块:提取船舶航迹信息、结合图像信息提取船舶身份识别信息以及提取水文信息;
特征匹配模块:分别按照正样本及负样本进行匹配,当两者结合得到的匹配率满足检测概率时认为船舶符合捕鱼行为特征;
行为分类模块:对符合捕鱼行为特征的船舶,根据匹配结果影响因子在不同预设行为下的投影大小,将该船舶行为归类到投影大小最大的一类行为上;
特征保存模块:记录并保存正常行为船舶以及识别为捕鱼行为船舶的特征信息矩阵,为建立正样本特征库以及负样本特征库提供数据支撑。
优选的,根据特征提取模块中提取的相关信息,判断水面船舶是否具备进行捕鱼作业条件,其判断标准包括:
a.根据航迹信息判断水面船舶航行位置位于规定航道内,不在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;
c.水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
优选的,当水面船舶具备捕鱼作业条件时,需要同时进行正样本及负样本进行匹配,当正向匹配率低于预设值或负向匹配率高于预设值时,均认为匹配失败,即船舶不处于任何捕鱼作业状态。
与现有技术相比,本发明具有如下的有益效果:
1、本发明在判断船舶是否具备捕鱼作业条件时,综合考虑了船舶本身特征(船舶类型、船舶外型、船舶大小等)、船舶轨迹特征(是否在航道内规律航行等)以及船舶所处位置的水文条件,做到多维度信息综合判断,减少误判率,提高准确率;
2、系统在进行捕鱼行为特征匹配时会进行双向交叉验证,当正向匹配率较低或负向匹配率较高时均认为匹配失败,以此进一步提高检测准确率;
3、系统采用特征向量投影方式对具体的捕鱼方式进行分类,准确识别船舶捕鱼作业方式;
4、本发明为渔业监管系统能够及时发现偷捕行为、及时制止偷捕行为提供解决方案,可为渔业资源保护部门提供极大便利,保障我国水域范围内的生物多样性。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明判断是否具备捕鱼作业条件示意图;
图2为本发明捕鱼检测识别算法过程及分类流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例提供了一种针对水面船舶捕鱼行为的检测识别分类方法,参照图1和图2所示,该方法具体步骤如下:
步骤S1:判断水面船舶是否具备进行捕鱼作业条件;若船舶航向速度变化在允许范围内,航行位置在航道内,航行方向与航道规定方向一致,船舶身份识别信息归为正常船舶而不是历史标记过的捕鱼船舶,则认为该船舶不具备捕鱼作业条件;若在渔业资源丰富的范围内不规则行驶或通过船舶身份识别出该船舶在历史记录中有过捕鱼作业记录则属于具备捕鱼条件船舶。
具体地,水面船舶是否具备进行捕鱼作业条件包括以下判断标准:
a.根据航迹信息判断水面船舶航行位置是否不在规定航道内,而是在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向是否非稳定,存在频繁改变航向大小或航速大小;
c.水面船舶身份识别信息在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
判断船舶具备捕鱼作业条件,必须满足标准a、d,在满足标准a、d的情况下,再满足b、c标准其中的任意一个标准即可认为船舶具备捕鱼作业条件。
针对标准d,在实际计算时很难提取出水文信息中的水深信息。针对该难题,本发明创造性地将海图数据中的水深信息与相同水深范围区域进行关联,通过计算出船舶位于哪个区域范围内从而得到船舶所处位置的水深信息,克服了该难题。
其中,航迹信息包括水面船舶的连续航迹点位置以及水面船舶到达连续航迹点位置时的时间、航速和航向,本实施例中航迹信息可以通过探测雷达、船舶自动识别系统或北斗接收机获取;船舶身份识别信息包括船舶大小、吃水、船舶外型、船舶类型、船名以及AIS信息,本实施例中船舶身份识别方式为:利用雷达测量船舶大小,利用视频图像识别船舶外型、吃水以及利用船舶自动识别系统识别船舶船名和船舶类型;水文信息包含船舶所处位置水深、是否位于航道内,该区域是否标记为渔业资源保护区。
步骤S2:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配;匹配过程包含利用正常船舶行为特征库进行反向验证以及利用捕鱼行为特征库进行正向匹配,对两者交叉验证结果进行综合判定得到船舶是否处于捕鱼作业状态以及捕鱼行为分类信息,其中具体捕鱼行为可细分为:海上快艇捕鱼、海上单拖捕鱼、海上双拖捕鱼、海上围网捕鱼、海上刺网捕鱼、湖上围网捕鱼。
具体地,该步骤中舶特征匹配包括:计算正样本(历史识别出的捕鱼作业船舶)匹配率αpositive以及负样本(历史识别出的正常作业船舶)匹配率αnegative;若αpositive>检测概率阈值threshold∈[0,1],并且αnegative<(1检测概率阈值)时才判定为捕鱼行为检测识别成功,否则认为不成功。
步骤S3:记录并保存水面各船舶的特征参数,将正常船舶特征作纳入正常船舶行为特征库,将判定为捕鱼行为船舶的特征信息纳入捕鱼行为特征库,实时对渔业资源保护区内的船舶进行状态监控、捕鱼行为检测及特征信息分类记录。
本发明还提供了一种针对水面船舶捕鱼行为的检测识别分类系统,该系统具体包括:
特征提取模块:提取船舶航迹信息,包含航迹平滑度、航向动态变化参数、航速动态变化参数;结合图像信息提取船舶身份识别信息,包含船舶大小、船舶吃水、船舶类型、船舶外型;以及提取水文信息,包含渔业保护区范围、水深情况;
特征匹配模块:分别按照正样本及负样本进行匹配,当两者结合得到的匹配率满足检测概率时认为船舶符合捕鱼行为特征;
行为分类模块:对符合捕鱼行为特征的船舶,进一步根据匹配结果影响因子在不同预设行为下的投影大小,将该船舶行为归类到投影大小最大的一类行为上;
特征保存模块:记录并保存正常行为船舶以及识别为捕鱼行为船舶的特征信息矩阵,为建立正样本特征库以及负样本特征库提供数据支撑。
根据特征提取模块中提取的相关信息,判断水面船舶是否具备进行捕鱼作业条件,其判断标准包括:
a.根据航迹信息判断水面船舶航行位置位于规定航道内,不在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;
c.水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
判断船舶具备捕鱼作业条件,必须满足标准a、d,在满足标准a、d的情况下,再满足b、c标准其中的任意一个标准即可认为船舶具备捕鱼作业条件。
当水面船舶具备捕鱼作业条件时,需要同时进行正样本及负样本进行匹配,当正向匹配率较低或负向匹配率较高时,均认为匹配失败,即船舶不处于任何捕鱼作业状态。
接下来,对本发明进行更为具体的说明。
一种针对水面船舶捕鱼行为的检测识别分类方法,参照图1和图2所示,该方法包括:
S1、以水面船舶的航迹信息、船舶身份识别信息以及水文信息为主要依据判断水面船舶是否具备进行捕鱼作业条件,若船舶航向速度变化在允许范围内,航行位置在航道内,航行方向与航道规定方向一致,船舶身份识别信息归为正常船舶而不是历史标记过的捕鱼船舶,则认为该船舶不具备捕鱼作业条件;若在渔业资源丰富的范围内不规则行驶或通过船舶身份识别出该船舶在历史记录中有过捕鱼作业记录则属于具备捕鱼条件船舶。
其中,判断水面船舶是否具备进行捕鱼作业条件的判断标准包括以下4项:(1)水面船舶航行位置位于规定航道内,不在渔业资源保护区内;(2)水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;(3)水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;(4)根据船舶大小以及所处位置水文情况判定该处不具备捕鱼条件。航迹信息包括水面船舶的连续航迹点位置以及水面船舶到达连续航迹点位置时的时间、航速、航向;其中,船舶身份识别信息包括船舶大小、吃水、船舶外型、船舶类型、船名以及AIS信息;其中,水文信息包含船舶所处位置水深、是否位于航道内,该区域是否标记为渔业资源保护区;航迹信息通过探测雷达、船舶自动识别系统(AIS)或北斗接收机获取;其中,船舶身份识别方式为:利用雷达测量船舶大小,利用视频图像识别船舶外型、吃水,以及利用船舶自动识别系统识别船舶船名、船舶类型。
S2、对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行特征匹配,匹配过程包含利用正常船舶行为特征库进行反向验证以及利用捕鱼行为特征库进行正向匹配,对两者交叉验证结果进行综合判定得到船舶是否处于捕鱼作业状态以及捕鱼行为分类信息。
其中,具体捕鱼行为可细分为:海上快艇捕鱼、海上单拖捕鱼、海上双拖捕鱼、海上围网捕鱼、海上刺网捕鱼及湖上围网捕鱼。
S3、记录并保存水面各船舶的特征参数,将正常船舶特征作纳入正常船舶行为特征库,将判定为捕鱼行为船舶的特征信息纳入捕鱼行为特征库,实时对渔业资源保护区内的船舶进行状态监控及捕鱼行为检测。
本发明实施例提供了一种针对水面船舶捕鱼行为的检测识别分类方法及系统,为渔业监管系统能够及时发现偷捕行为、及时制止偷捕行为提供解决方案,可为渔业资源保护部门提供极大便利,保障我国水域范围内的生物多样性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,包括:
步骤S1:判断水面船舶是否具备进行捕鱼作业条件;
步骤S2:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配;
步骤S3:记录并保存水面各船舶的特征参数,将正常船舶特征作纳入正常船舶行为特征库,将判定为捕鱼行为船舶的特征信息纳入捕鱼行为特征库,实时对渔业资源保护区内的船舶进行状态监控、捕鱼行为检测及特征信息分类记录。
2.根据权利要求1所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述步骤S1中,水面船舶是否具备进行捕鱼作业条件的判断标准包括:
a.根据航迹信息判断水面船舶航行位置位于规定航道内,不在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;
c.水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
3.根据权利要求2所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述航迹信息包括水面船舶的连续航迹点位置以及水面船舶到达连续航迹点位置时的时间、航速和航向;
船舶身份识别信息包括船舶大小、吃水、船舶外型、船舶类型、船名以及AIS信息;
水文信息包含船舶所处位置水深、是否位于航道内,该区域是否标记为渔业资源保护区。
4.根据权利要求2所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述航迹信息通过探测雷达、船舶自动识别系统或北斗接收机获取。
5.根据权利要求2所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述船舶身份识别方式为:利用雷达测量船舶大小,利用视频图像识别船舶外型、吃水以及利用船舶自动识别系统识别船舶船名和船舶类型。
6.根据权利要求1所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述步骤S2具体包括:对于具备捕鱼条件的船舶,实时更新计算船舶航行参数及运动趋势特征,通过预训练得到的捕鱼行为规律参数对其进行船舶特征匹配,匹配过程包含利用正常船舶行为特征库进行反向验证以及利用捕鱼行为特征库进行正向匹配;
对两者交叉验证结果进行综合判定得到船舶是否处于捕鱼作业状态以及捕鱼行为分类信息,其中,具体捕鱼行为包括:海上快艇捕鱼、海上单拖捕鱼、海上双拖捕鱼、海上围网捕鱼、海上刺网捕鱼及湖上围网捕鱼。
7.根据权利要求1所述的针对水面船舶捕鱼行为的检测识别分类方法,其特征在于,所述步骤S2中舶特征匹配包括:计算正样本匹配率αpositive以及负样本匹配率αnegative;若:
αpositive>检测概率阈值;
其中,检测概率阈值threshold∈[0,1],并且,
αnegative<(1-检测概率阈值);
时才判定为捕鱼行为检测识别成功,否则认为不成功。
8.一种针对水面船舶捕鱼行为的检测识别分类系统,其特征在于,包括:
特征提取模块:提取船舶航迹信息、结合图像信息提取船舶身份识别信息以及提取水文信息;
特征匹配模块:分别按照正样本及负样本进行匹配,当两者结合得到的匹配率满足检测概率时认为船舶符合捕鱼行为特征;
行为分类模块:对符合捕鱼行为特征的船舶,根据匹配结果影响因子在不同预设行为下的投影大小,将该船舶行为归类到投影大小最大的一类行为上;
特征保存模块:记录并保存正常行为船舶以及识别为捕鱼行为船舶的特征信息矩阵,为建立正样本特征库以及负样本特征库提供数据支撑。
9.根据权利要求8所述的针对水面船舶捕鱼行为的检测识别分类系统,其特征在于,根据特征提取模块中提取的相关信息,判断水面船舶是否具备进行捕鱼作业条件,其判断标准包括:
a.根据航迹信息判断水面船舶航行位置位于规定航道内,不在渔业资源保护区内;
b.根据航迹信息判断水面船舶航速航向稳定,没有频繁改变航向大小或航速大小;
c.水面船舶身份识别信息不在历史捕鱼行为船舶身份信息库中;
d.根据船舶大小以及所处位置水文信息判定该处是否具备捕鱼条件。
10.根据权利要求9所述的针对水面船舶捕鱼行为的检测识别分类系统,其特征在于,当水面船舶具备捕鱼作业条件时,需要同时进行正样本及负样本进行匹配,当正向匹配率低于预设值或负向匹配率高于预设值时,均认为匹配失败,即船舶不处于任何捕鱼作业状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405438.4A CN113936156A (zh) | 2021-11-24 | 2021-11-24 | 针对水面船舶捕鱼行为的检测识别分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405438.4A CN113936156A (zh) | 2021-11-24 | 2021-11-24 | 针对水面船舶捕鱼行为的检测识别分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113936156A true CN113936156A (zh) | 2022-01-14 |
Family
ID=79288357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405438.4A Pending CN113936156A (zh) | 2021-11-24 | 2021-11-24 | 针对水面船舶捕鱼行为的检测识别分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936156A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475387A (zh) * | 2023-12-04 | 2024-01-30 | 北京国遥新天地信息技术股份有限公司 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
-
2021
- 2021-11-24 CN CN202111405438.4A patent/CN113936156A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475387A (zh) * | 2023-12-04 | 2024-01-30 | 北京国遥新天地信息技术股份有限公司 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
CN117475387B (zh) * | 2023-12-04 | 2024-04-30 | 北京国遥新天地信息技术股份有限公司 | 一种利用Hive离线分析技术及伴随思想进行渔船双拖分析的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3620979B1 (en) | Learning method, learning device for detecting object using edge image and testing method, testing device using the same | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN110414414A (zh) | 基于多层级特征深度融合的sar图像舰船目标鉴别方法 | |
CN109784278B (zh) | 基于深度学习的海上弱小运动船舶实时检测方法 | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN111507371A (zh) | 方法和装置 | |
Qiao et al. | Marine vessel re-identification: A large-scale dataset and global-and-local fusion-based discriminative feature learning | |
Sun et al. | Adaptive saliency biased loss for object detection in aerial images | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
Martinson et al. | Training rare object detection in satellite imagery with synthetic GAN images | |
CN113936156A (zh) | 针对水面船舶捕鱼行为的检测识别分类方法及系统 | |
Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
Marques et al. | Size-invariant detection of marine vessels from visual time series | |
CN113436125B (zh) | 基于风格迁移的侧扫声呐仿真图像生成方法、装置及设备 | |
CN111368599A (zh) | 遥感图像海面舰船检测方法、装置、可读存储介质及设备 | |
Feng et al. | Rapid ship detection method on movable platform based on discriminative multi-size gradient features and multi-branch support vector machine | |
Gorpincenko et al. | Improving automated sonar video analysis to notify about jellyfish blooms | |
Zhang et al. | A Ship Detection Model Based on YOLOX with Lightweight Adaptive Channel Feature Fusion and Sparse Data Augmentation | |
CN113095325B (zh) | 一种船舶识别方法、装置及计算机可读存储介质 | |
CN116206195A (zh) | 近海养殖物目标检测方法、系统、存储介质及计算机设备 | |
CN113850166A (zh) | 一种基于卷积神经网络的船舶图像识别方法及系统 | |
Ge et al. | Real-time object detection algorithm for Underwater Robots | |
Tun et al. | Maritime port intelligence using AIS data | |
Pu et al. | Comparison and Simulation of Deep Learning Detection Algorithms for Floating Objects on the Water Surface | |
Cai et al. | Obstacle Detection of Unmanned Surface Vessel based on Faster RCNN |
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 |