CN114462529A - 一种渔船双拖作业方式识别方法及装置 - Google Patents
一种渔船双拖作业方式识别方法及装置 Download PDFInfo
- Publication number
- CN114462529A CN114462529A CN202210111060.5A CN202210111060A CN114462529A CN 114462529 A CN114462529 A CN 114462529A CN 202210111060 A CN202210111060 A CN 202210111060A CN 114462529 A CN114462529 A CN 114462529A
- Authority
- CN
- China
- Prior art keywords
- fishing boat
- double
- towing operation
- towing
- fishing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000007619 statistical method Methods 0.000 claims abstract description 15
- 238000004804 winding Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 31
- 238000010801 machine learning Methods 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000238366 Cephalopoda Species 0.000 description 1
- 241001149724 Cololabis adocetus Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Mechanical Means For Catching Fish (AREA)
Abstract
本发明公开了一种渔船双拖作业方式识别方法及装置，获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。本发明方案分析双拖作业类型作业的历史轨迹数据信息，通过获取船舶历史轨迹，基于速度与时间的交叉特征统计分析，设计算法特征模型，进行机器学习模型推演。针对离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角等数值，综合分析船舶轨迹及作业特征，判定疑似的渔船双拖作业。
Description
技术领域
本发明涉及渔船监控技术领域，特别涉及一种渔船双拖作业方式识别方法及装置。
背景技术
近年来，随着水产品需求量的迅猛增加，捕捞渔船数量与功率均突破控制指标，加剧了海洋经济鱼类资源的压力，导致了部分鱼类资源的衰退。目前捕捞渔船需提前申请捕捞许可证并登记作业类型，但仍存在已登记渔船不遵守规则乱用网具和未登记渔船违法捕捞的问题。双拖作业渔船因其航行范围广、速度快，捕捞对象均是价值较高的经济鱼类，双船协作生产效率较高，且生产水域一般不受区域限制，是自从有渔业历史以来被渔民广泛采用的一种作业方式，因此存在非双拖作业渔船违规进行双拖作业方式的情况。
双拖作业渔船因作业功率高、捕捞废弃物多、渔业资源损害严重等对海洋生物资源会造成较大影响，因此对已知作业类型和未知作业类型的渔船进行双拖作业方式识别对渔业管理具有重要的意义。
国内外对于渔船作业方式的识别，已经发展了三种成熟的技术方向，分别为传统现场监测识别、基于卫星遥感技术的渔船作业监测识别和基于船位监控系统(Vesselmonitoring system,VMS)的渔船作业监测识别。
传统的海上巡逻和登临检查准确度高，但监控难度大、成本高、风险高、检查范围有限，在管理上存在局限性。基于卫星遥感技术的渔船监测更多是对灯光作业区域(灯光围网、秋刀鱼舷提网、鱿鱼钓和灯光罩网)渔船的监测，不能满足全水域的监测需求，并且遥感影像易受天气、云层等的干扰。以往利用VMS对渔船作业的监测识别多集中于对已登记作业类型渔船作业特征的识别，如作业状态、航次提取和网次提取等，识别算法多集中于设置航速或航向阈值、统计推断、机器学习方法等。该识别方法并未对已知登记作业类型渔船违规变换作业方式进行识别，更不涉及对未登记渔船作业特征的识别。
发明内容
本发明提供一种渔船双拖作业方式识别方法及装置，能够更为精准快速的识别渔船双拖作业行为，解决渔船违规捕捞及违规使用网具作业的问题。
根据本发明的一个方面，提供了一种渔船双拖作业方式识别方法，包括以下步骤：
获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；
根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
所述基于渔船的速度与时间的交叉特征统计分析，包括：
根据所述双拖作业渔船历史轨迹数据，统计双拖作业渔船的离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角数值，综合逻辑分析船舶轨迹及作业特征。
所述船舶轨迹及作业特征，包括：
双拖作业渔船的航向变化之和、转弯次数、航速及航向变化大于180度和小于180度的双拖作业渔船分别与航速做组合的组合特征、拖网作业渔船周边设定范围内作业渔船数量、根据拖网作业渔船轨迹定位时间预测疑似双拖作业渔船同时间点的作业轨迹、疑似渔船作业轨迹时间及作业路径；所述航速包括：最大值、最小值、平均值、中位数、去重统计值、标准差，分位数。
所述方法还包括：
采用随机森林模型，通过交叉验证和网格搜索得到最佳参数，将所述交叉特征的每个类别的准确率Precision和召回率Recall求平均，计算平均值f1值，利用历史数据对统计模型进行训练，获取渔船双拖作业行为特征。
所述方法还包括：
增加双拖作业渔船历史轨迹数据的时间段长度以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据的活动范围统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船绕圈率统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船航向变化统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船直行时间统计以增加渔船双拖作业行为特征的准确性。
所述方法还包括：
增加双拖作业渔船历史轨迹数据中渔船活动范围的过滤；优选的，只分析距离海岸4～20海里范围内的双拖作业渔船作业数据。
所述方法还包括：
增加双拖作业渔船历史轨迹数据中的反例样本以增加渔船双拖作业行为特征的准确性；所述反例样本包括：双拖作业渔船轨迹中的锯齿状活动或小范围活动轨迹的样本数据。
所述方法还包括：
删除双拖作业渔船历史轨迹数据中的经纬度特征数据以增加渔船双拖作业行为特征的通用性。
根据本发明的另一个方面，提供了一种渔船双拖作业方式识别装置，包括：
历史轨迹获取单元，用于获取双拖作业渔船历史轨迹数据；
模型训练单元，用于基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；
双拖作业行为识别单元，用于根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
所述模型训练单元，还用于提高所述模型的准确性，具体包括：
增加双拖作业渔船历史轨迹数据的时间段长度；或
增加双拖作业渔船历史轨迹数据的活动范围统计；或
增加双拖作业渔船历史轨迹数据中渔船绕圈率统计；或
增加双拖作业渔船历史轨迹数据中渔船航向变化统计；或
增加双拖作业渔船历史轨迹数据中渔船直行时间统计；或
增加双拖作业渔船历史轨迹数据中渔船活动范围的过滤；优选的，只分析距离海岸4～20海里范围内的双拖作业渔船作业数据；或
增加双拖作业渔船历史轨迹数据中的反例样本；所述反例样本包括：双拖作业渔船轨迹中的锯齿状活动或小范围活动轨迹的样本数据；或
删除双拖作业渔船历史轨迹数据中的经纬度特征数据。
采用本发明的技术方案，提出了一种渔船双拖作业方式识别方案，获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。本发明方案分析双拖作业类型作业的历史轨迹数据信息，通过获取船舶历史轨迹，基于速度与时间的交叉特征统计分析，设计算法特征模型，进行机器学习模型推演。针对离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角等数值，综合分析船舶轨迹及作业特征，判定疑似的双拖作业渔船。
本发明实施例区别于现有的VMS分析系统，着重于通过轨迹数据分析渔船的作业类型。渔船作业行为的特征分析可以及时的查出渔船违规捕捞的行为，有助于提高海洋资源的监管工作。能够利用基于机器学习技术，深入分析不同作业类型渔船的作业特征。
本发明方案有助于解决渔船违规捕捞及违规使用网具作业的问题。违规作业会对渔业资源和海洋生态环境产生不利影响，因此准确的渔船作业识别可为渔船的有效管理带来帮助，也可以为渔业执法部门的工作提供帮助。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的渔船双拖作业方式识别原理流程图；
图2为本发明实施例提供的渔船双拖作业方式识别方案总体框图；
图3为本发明实施例提供的渔船双拖作业行为的识别效果图。
图4为本发明实施例提供的渔船双拖作业方式识别装置结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
由于现有基于VMS系统的渔船作业监测识别多集中于对已登记作业类型渔船作业特征的识别，如作业状态、航次提取和网次提取等，难以对已知登记作业类型渔船违规变换作业方式进行识别，更不涉及对未登记渔船作业特征的识别。本发明各个实施例中，利用VMS中船舶的航迹数据，根据不同渔船作业类型的历史轨迹特征及作业基础特征，设置特征阈值，并通过机器学习的方法不断优化识别效率及准确率，解决海上双拖作业渔船捕捞作业的识别问题。本识别方法主要针对的是双拖作业渔船的作业方式识别。
图1为本发明实施例中渔船双拖作业方式识别流程图。如图1所示，该渔船双拖作业方式识别流程包括以下步骤：
步骤101、获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征。
本发明实施例中，首先分析双拖作业类型作业的历史轨迹数据信息，通过获取船舶历史轨迹，基于速度与时间的交叉特征统计分析，设计算法特征模型，进行机器学习模型推演。针对离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角等数值，综合逻辑分析船舶轨迹及作业特征，判定疑似的双拖作业渔船作业。
双拖作业机器学习模型特征抽取如下：
统计航向变化之和：由于目标来回绕圈，所以前后时刻航向变化很大。
统计转弯次数：如果航向差大于180度，认为该船转弯；统计绕圈率，用总行驶时间除以转弯次数。
航速：统计最大值、最小值、平均值、中位数、去重统计值、标准差、分位数。
组合特征：航向变化大于180和小于180的分两组，和航速做组合。
统计拖网作业渔船周边一定范围内作业渔船数量，搜索相似轨迹疑似双拖作业渔船。
根据拖网作业渔船轨迹定位时间，预测疑似双拖作业渔船同时间点的作业轨迹。
计算每个定位时间两个轨迹坐标之间的夹角，超出标准作业范围将被标记。
计算疑似渔船作业轨迹时间及作业路径，计算相似程度。
采用随机森林模型，通过交叉验证和网络搜索得到最佳参数，将每个类别的Precision和Recall求平均，然后计算f1值，利用历史数据对模型进行训练，提高模型的准确性。
步骤102、根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
本发明实施例中，通过下述手段提升模型的准确性：
增加历史轨迹筛选时间段，轨迹越长，包含的信息越多越有利于识别。
增加活动范围过滤，只分析4～20海里范围数据。根据经验，一般拖网渔船离岸，直线行驶到4～20海里范围内才开始拖网作业(一个区域内来回活动)，作业完成之后，再直线返回。此处根据活动范围过滤，可以去掉离岸和作业结束返回部分直线行驶的轨迹，只保留双拖作业的轨迹。
去掉经纬度特征，如果保留经纬度特征，一个省份训练的模型无法应用于另一个省，且跟经纬度相关的特征重要性都偏低。
增加航向变化统计，双拖作业的一个重要特征就是绕圈，那么航向变化值就会非常大，这个特征用于排除直行轨迹。
增加活动范围统计，根据经验得知，双拖作业共同作业20分钟活动范围会大于900米，这个特征用于排除活动范围比一般双拖作业还小的轨迹。
增加反例样本，锯齿状活动、有小范围活动(小于900米)的作为反例。
增加绕圈率统计，绕圈率是双拖作业非常重要的特征，用总路程除以位移得到，这个特征用于排除一直直线行驶的轨迹。
增加直行时间统计，双拖作业虽然会有转弯，但是转弯之后朝同一个方向活动时间较长，这个特征用于排除频繁转弯锯齿状活动的轨迹。
本实施例基于VMS数据，根据不同渔船作业类型的历史轨迹特征及基础特征，设置特征阈值，并通过机器学习的方法不断优化识别效率及准确率，解决海上渔船捕捞作业的识别问题。
如图2所示，为本发明实施例提供的渔船双拖作业方式识别方案总体框图，其中，包括了离线部分、数据存储、离线实时公共部分和实时部分。
离线部分主要用于创建双拖作业预警条件，及离线任务启动，根据选择的开始结束时间等条件从Hive中获取一段时间轨迹数据，然后对轨迹数据进行标准化处理。
数据存储为各种类型的数据库，根据需要选择，可以包括Reddis、Mysql、Hive、HDFS等多种类型的数据存储结构。
离线实时公共部分首先对离线数据和实时数据进行过滤，过滤信息包括数据类型、船长、区域等，以5分钟为一个窗口，计算船舶活动范围，随后进行判断。
判断5分钟活动范围是否大于等于500，否则结束判断，是则根据alarmid、areaid等继续判断；
判断不同目标一段时间内轨迹是否相交，否则结束判断，是则继续进行判断；
判断两船距离是否在[30,50]之间，目标连线与轨迹线夹角是否垂直，否则结束判断，是则继续进行判断；
判断满足上述条件的点数是否占总点数的70％，否则结束判断，是则继续进行判断；
判断持续预警是否超过20分钟，否则结束判断，是则进行双拖作业预警，并将预警结果推送到kafka和ES，实现前端对双拖作业预警结果的展示。
实时部分主要是创建双拖作业预警模板、创建双拖作业预警的区域，并从Redis中读取双拖作业预警条件，从kafka中读取实时数据，并进行标准化处理。
如图3所示，为双拖作业行为的识别效果图。
为了实现上述流程，本发明技术方案还提供渔船双拖作业方式识别装置，如图4所示，该渔船双拖作业方式识别装置包括：
历史轨迹获取单元21，用于获取双拖作业渔船历史轨迹数据；
模型训练单元22，用于基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；
双拖作业行为识别单元23，用于根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
所述模型训练单元22，还用于提高所述模型的准确性，具体包括：
增加双拖作业渔船历史轨迹数据的时间段长度；或
增加双拖作业渔船历史轨迹数据的活动范围统计；或
增加双拖作业渔船历史轨迹数据中渔船绕圈率统计；或
增加双拖作业渔船历史轨迹数据中渔船航向变化统计；或
增加双拖作业渔船历史轨迹数据中渔船直行时间统计；或
增加双拖作业渔船历史轨迹数据中渔船活动范围的过滤；优选的，只分析距离海岸4～20海里范围内的双拖作业渔船作业数据；或
增加双拖作业渔船历史轨迹数据中的反例样本；所述反例样本包括：双拖作业渔船轨迹中的锯齿状活动或小范围活动轨迹的样本数据；或
删除双拖作业渔船历史轨迹数据中的经纬度特征数据。
综上所述，本发明的技术方案，提出了一种渔船双拖作业方式识别方案，获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。本发明方案分析双拖作业类型作业的历史轨迹数据信息，通过获取船舶历史轨迹，基于速度与时间的交叉特征统计分析，设计算法特征模型，进行机器学习模型推演。针对离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角等数值，综合逻辑分析船舶轨迹及作业特征，判定疑似的双拖作业渔船。
本发明实施例区别于现有的VMS分析系统，着重于通过轨迹数据分析渔船的作业类型。渔船作业行为的特征分析可以及时的查出渔船违规捕捞的行为，有助于提高海洋资源的监管工作。能够利用基于机器学习技术，深入分析不同作业类型渔船的作业特征。
本发明方案有助于解决渔船违规捕捞及违规使用网具作业的问题。违规作业会对渔业资源和海洋生态环境产生不利影响，因此准确的渔船作业识别可为渔船的有效管理带来帮助，也可以为渔业执法部门的工作提供帮助。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种渔船双拖作业方式识别方法，其特征在于，包括以下步骤：
获取双拖作业渔船历史轨迹数据，基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；
根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
2.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述基于渔船的速度与时间的交叉特征统计分析，包括：
根据所述双拖作业渔船历史轨迹数据，统计双拖作业渔船的离港距离、渔船间距、速度、绕圈率、作业时间、转弯次数、渔船轨迹间夹角数值，综合逻辑分析船舶轨迹及作业特征。
3.根据权利要求2所述的一种渔船双拖作业方式识别方法，其特征在于，所述船舶轨迹及作业特征，包括：
双拖作业渔船的航向变化之和、转弯次数、航速及航向变化大于180度和小于180度的双拖作业渔船分别与航速做组合的组合特征、拖网作业渔船周边设定范围内作业渔船数量、根据拖网作业渔船轨迹定位时间预测疑似双拖作业渔船同时间点的作业轨迹、疑似渔船作业轨迹时间及作业路径；所述航速包括：最大值、最小值、平均值、中位数、去重统计值、标准差，分位数。
4.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述方法还包括：
采用随机森林模型，通过交叉验证和网格搜索得到最佳参数，将所述交叉特征的每个类别的准确率Precision和召回率Recall求平均，计算平均值f1值，利用历史数据对统计模型进行训练，获取渔船双拖作业行为特征。
5.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述方法还包括：
增加双拖作业渔船历史轨迹数据的时间段长度以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据的活动范围统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船绕圈率统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船航向变化统计以增加渔船双拖作业行为特征的准确性；或
增加双拖作业渔船历史轨迹数据中渔船直行时间统计以增加渔船双拖作业行为特征的准确性。
6.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述方法还包括：
增加双拖作业渔船历史轨迹数据中渔船活动范围的过滤；优选的，只分析距离海岸4～20海里范围内的双拖作业渔船作业数据。
7.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述方法还包括：
增加双拖作业渔船历史轨迹数据中的反例样本以增加渔船双拖作业行为特征的准确性；所述反例样本包括：双拖作业渔船轨迹中的锯齿状活动或小范围活动轨迹的样本数据。
8.根据权利要求1所述的一种渔船双拖作业方式识别方法，其特征在于，所述方法还包括：
删除双拖作业渔船历史轨迹数据中的经纬度特征数据以增加渔船双拖作业行为特征的通用性。
9.一种渔船双拖作业方式识别装置，其特征在于，包括：
历史轨迹获取单元，用于获取双拖作业渔船历史轨迹数据；
模型训练单元，用于基于渔船的速度与时间的交叉特征统计分析，获取渔船双拖作业行为特征；
双拖作业行为识别单元，用于根据所述渔船双拖作业行为特征对渔船的双拖作业方式进行识别。
10.根据权利要求9所述的一种渔船双拖作业方式识别装置，其特征在于，所述模型训练单元，还用于提高所述模型的准确性，具体包括：
增加双拖作业渔船历史轨迹数据的时间段长度；或
增加双拖作业渔船历史轨迹数据的活动范围统计；或
增加双拖作业渔船历史轨迹数据中渔船绕圈率统计；或
增加双拖作业渔船历史轨迹数据中渔船航向变化统计；或
增加双拖作业渔船历史轨迹数据中渔船直行时间统计；或
增加双拖作业渔船历史轨迹数据中渔船活动范围的过滤；优选的，只分析距离海岸4～20海里范围内的双拖作业渔船作业数据；或
增加双拖作业渔船历史轨迹数据中的反例样本；所述反例样本包括：双拖作业渔船轨迹中的锯齿状活动或小范围活动轨迹的样本数据；或
删除双拖作业渔船历史轨迹数据中的经纬度特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210111060.5A CN114462529A (zh) | 2022-01-24 | 2022-01-24 | 一种渔船双拖作业方式识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210111060.5A CN114462529A (zh) | 2022-01-24 | 2022-01-24 | 一种渔船双拖作业方式识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114462529A true CN114462529A (zh) | 2022-05-10 |
Family
ID=81411062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210111060.5A Pending CN114462529A (zh) | 2022-01-24 | 2022-01-24 | 一种渔船双拖作业方式识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462529A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
| 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 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160089694A (ko) * | 2015-01-20 | 2016-07-28 | 재단법인 중소조선연구원 | 어선 안전 조업 관리 시스템 및 그 방법 |
| WO2020161843A1 (ja) * | 2019-02-06 | 2020-08-13 | 日本電気株式会社 | 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体 |
| CN112907632A (zh) * | 2021-03-11 | 2021-06-04 | 三亚海兰寰宇海洋信息科技有限公司 | 一种单拖船只目标的识别方法及装置 |
| CN113902979A (zh) * | 2021-09-29 | 2022-01-07 | 北京中交通信科技有限公司 | 一种渔船单拖作业方式识别方法及装置 |
-
2022
- 2022-01-24 CN CN202210111060.5A patent/CN114462529A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160089694A (ko) * | 2015-01-20 | 2016-07-28 | 재단법인 중소조선연구원 | 어선 안전 조업 관리 시스템 및 그 방법 |
| WO2020161843A1 (ja) * | 2019-02-06 | 2020-08-13 | 日本電気株式会社 | 船舶行動解析装置、船舶行動解析方法及び非一時的なコンピュータ可読媒体 |
| CN112907632A (zh) * | 2021-03-11 | 2021-06-04 | 三亚海兰寰宇海洋信息科技有限公司 | 一种单拖船只目标的识别方法及装置 |
| CN113902979A (zh) * | 2021-09-29 | 2022-01-07 | 北京中交通信科技有限公司 | 一种渔船单拖作业方式识别方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580313A (zh) * | 2023-03-31 | 2023-08-11 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
| CN116580313B (zh) * | 2023-03-31 | 2023-11-14 | 数字太空(北京)科技股份公司 | 一种基于数字孪生和遥感的异常船只识别方法及装置 |
| 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114462529A (zh) | 一种渔船双拖作业方式识别方法及装置 | |
| Zhang et al. | An interpretable knowledge-based decision support method for ship collision avoidance using AIS data | |
| CN113341407B (zh) | 一种基于雷达探测的渔业捕捞追踪系统及方法 | |
| KR102401337B1 (ko) | 항적 데이타를 이용한 어선 조업 판별 방법 | |
| CN113902979A (zh) | 一种渔船单拖作业方式识别方法及装置 | |
| 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 | |
| CN110135559A (zh) | 一种基于船位数据获取张网网位和捕捞努力量的方法 | |
| CN110610165A (zh) | 一种基于yolo模型的船舶行为分析方法 | |
| CN115294804B (zh) | 一种基于船舶状态监测的海缆安全预警方法及系统 | |
| CN110633892A (zh) | 一种ais数据提取延绳钓捕捞状态的方法 | |
| CN115169527A (zh) | 基于ais数据的船舶异常状态检测方法 | |
| Feng et al. | The study of identification of fishing vessel behavior based on VMS data | |
| CN116562467B (zh) | 一种海洋鱼类目标种类识别及分布预测方法及系统 | |
| Patro et al. | Fish detection in underwater environments using deep learning | |
| CN115237945A (zh) | 一种基于神经网络的渔船作业方式识别方法和系统 | |
| CN117312846A (zh) | 一种基于卷积神经网络的船舶异常告警与预警方法 | |
| Chen et al. | Catch weight prediction for multi-species fishing using artificial neural networks | |
| CN115376023A (zh) | 基于形变卷积网络的养殖区域检测方法、无人机、介质 | |
| Fang et al. | Evaluation Model of Ship Berthing Behavior Based on AIS Data | |
| Grande et al. | From fishermen to scientific tools: Progress on the recovery and standardized processing of echosounder buoys data | |
| CN111239050A (zh) | 一种基于物联网的河湖水生态环境监控方法 | |
| CN116776112B (zh) | 渔船双拖行为的识别方法及其装置 | |
| Intyanto et al. | Detection of Indonesian Fishing Vessels on Unmanned Aerial Vehicle Images using YOLOv5s | |
| CN117475387B (zh) | 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 | |
| Shin et al. | Prediction of longline fishing activity from V-Pass data using Hidden Markov model |
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 |