CN116776112A - 渔船双拖行为的识别方法及其装置 - Google Patents
渔船双拖行为的识别方法及其装置 Download PDFInfo
- Publication number
- CN116776112A CN116776112A CN202311076477.3A CN202311076477A CN116776112A CN 116776112 A CN116776112 A CN 116776112A CN 202311076477 A CN202311076477 A CN 202311076477A CN 116776112 A CN116776112 A CN 116776112A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- track
- fishing boat
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000006399 behavior Effects 0.000 title claims abstract description 42
- 101100057959 Mus musculus Atxn1l gene Proteins 0.000 claims abstract description 111
- 238000010586 diagram Methods 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000001364 causal effect Effects 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000036962 time dependent Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 2
- 238000003475 lamination Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 4
- 238000010219 correlation analysis Methods 0.000 description 28
- 239000011159 matrix material Substances 0.000 description 16
- 238000012546 transfer Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- 101100021570 Caenorhabditis elegans lon-3 gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出了一种渔船双拖行为的识别方法及其装置，涉及渔船监控技术领域，通过接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据；根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据；对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集；将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。本申请可以及时监测到双拖作业渔船的数量和活动范围，采取相应的管理措施，以保护海洋生物资源的可持续发展。
Description
技术领域
本申请涉及渔船监控技术领域，尤其涉及一种渔船双拖行为的识别方法及其装置。
背景技术
随着水产品需求量的迅猛增加，捕捞渔船数量与功率的突破控制指标加剧了海洋经济中鱼类资源的压力，导致部分鱼类资源衰退的问题。目前仍存在已登记渔船不遵守规则乱用网具和未登记渔船进行违法捕捞的情况。
双拖作业渔船是一种常见的捕捞方式，其航行范围广、速度快，主要针对经济价值较高的鱼类资源。双船协作的生产效率较高，并且可以在较大的水域范围内进行作业，这使得它成为渔民们广泛采用的方法之一，然而，也存在非双拖作业渔船违规进行双拖作业方式的情况。
双拖作业渔船由于其高功率、产生大量捕捞废弃物以及对渔业资源造成严重损害等因素，对海洋生物资源会产生较大的影响。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的识别对于渔业管理具有重要意义。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
本申请第一方面实施例提出了一种渔船双拖行为的识别方法，包括：接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据；根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据；对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集；将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。
根据本申请的一个实施例，数据处理后生成的数据集中，包括渔船的渔船间距、航速差、轨迹时间差、航向差、轨迹曲线间距、轨迹曲线平行状态、同一时刻下的两个渔船的前后间距、满足预设条件的航向差占比、满足预设条件的航速差占比、满足预设条件的线段距离占比以及单个渔船的自交数据。
根据本申请的一个实施例，目标时空图卷积网络模型的训练方法，包括：收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据；对历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集；将样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连。
根据本申请的一个实施例，每层时空层由一个图卷积层和一个门控时间卷积层构成，其中：门控时间卷积层由两个并行的时间卷积层组成，两个并行的时间卷积层一个采用tanh激活函数，另一个采用sigmoid激活函数。
根据本申请的一个实施例，方法，还包括：门控时间卷积层采用空洞因果卷积的方法提取样本数据集的时间依赖特征；图卷积层采用扩散卷积方法提取样本数据集的空间依赖特征；输出层用于输出渔船双拖行为识别结果。
根据本申请的一个实施例，终端设备包括渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个。
本申请第二方面实施例提出了渔船双拖行为的识别装置，包括：接收模块，用于接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据；过滤模块，用于根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据；处理模块，用于对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集；识别模块，用于将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。
根据本申请的一个实施例，处理模块中，数据处理后生成的数据集中，包括渔船的渔船间距、航速差、轨迹时间差、航向差、轨迹曲线间距、轨迹曲线平行状态、同一时刻下的两个渔船的前后间距、满足预设条件的航向差占比、满足预设条件的航速差占比、满足预设条件的线段距离占比以及单个渔船的自交数据。
根据本申请的一个实施例，渔船双拖行为的识别装置还包括：训练模块，用于收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据；对历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集；将样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连。
根据本申请的一个实施例，训练模块中，每层时空层由一个图卷积层和一个门控时间卷积层构成，其中：门控时间卷积层由两个并行的时间卷积层组成，两个并行的时间卷积层一个采用tanh激活函数，另一个采用sigmoid激活函数。
根据本申请的一个实施例，训练模块中，门控时间卷积层采用空洞因果卷积的方法提取样本数据集的时间依赖特征；图卷积层采用扩散卷积方法提取样本数据集的空间依赖特征；输出层用于输出渔船双拖行为识别结果。
根据本申请的一个实施例，终端设备包括渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个。
本申请第三方面实施例提出了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现如本申请第一方面实施例所述的渔船双拖行为的识别方法。
本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于实现如本申请第一方面实施例所述的渔船双拖行为的识别方法。
本申请第五方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如本申请第一方面实施例所述的渔船双拖行为的识别方法。
本申请至少实现以下有益效果：本申请通过目标时空图卷积网络模型识别渔船的作业方式，可以及时监测到双拖作业渔船的数量和活动范围，采取相应的管理措施，以保护海洋生物资源的可持续发展，以减少非法双拖作业对海洋生态环境的破坏，并确保渔业资源的合理利用。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1是本申请示出的一种渔船双拖行为的识别方法的示例性实施方式的示意图。
图2是本申请示出的一种获取同一时刻下的两个渔船的前后间距的示意图。
图3是本申请示出的一种两个渔船的航行轨迹示意图。
图4是本申请示出的一种目标时空图卷积网络模型的训练方法的示意图。
图5是本申请示出的一种初始时空图卷积网络模型的结构图。
图6是本申请示出的一种空洞因果卷积运算通过以一定步长跳过值而在输入上滑动的示意图。
图7是本申请示出的一种渔船双拖行为的识别方法的整体框架图。
图8是本申请一个实施例示出的一种渔船双拖行为的识别装置的示意图。
图9是本申请一个实施例示出的一种电子设备的示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
图1是本申请示出的一种渔船双拖行为的识别方法的示例性实施方式的示意图，如图1所示，该渔船双拖行为的识别方法，包括以下步骤：
S101，接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据。
本申请中，为了实现对渔船双拖行为的识别，需要接收终端设备（比如说渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个）采集到的渔船的实时轨迹流数据。其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据。
轨迹采集时刻：记录轨迹数据的时间戳，以便确定渔船的位置和行动。
经纬度数据：提供渔船所处位置的经度和纬度坐标，用于精确定位和跟踪渔船的运动轨迹。
航速数据：表示渔船在特定时刻的航速，用于衡量渔船的速度和移动趋势。
航向数据：指示渔船当前的航向或航向变化，用于了解渔船的导航方向。
S102，根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据。
首先对实时轨迹流数据活动区域和白名单相关性分析以实现数据过滤，具体的：
1、白名单区域过滤：根据预先设置的白名单区域，将位于该区域内的渔船轨迹数据过滤。
2、渔船活动半径过滤：针对不同的场景，根据预先设置的每个场景下的渔船活动半径，筛选出距离预设中心点或区域边界一定范围内的渔船轨迹数据。这些预设半径可以根据具体需求来设定，例如在不同季节或不同渔业管理要求下可能有所变化。比如说，可以只保留距离海岸、港口13海里范围内的渔船的实时轨迹流数据。
通过这两个过滤步骤，可以获得符合白名单区域要求并且在各个场景下符合预设活动半径的待分析轨迹流数据。这样处理可以更好地适应特定的分析任务，减少了无关数据的干扰，并提供了更准确的渔船轨迹分析基础。
S103，对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集。
数据处理后生成的数据集中，包括渔船的渔船间距、航速差、轨迹时间差、航向差、轨迹曲线间距、轨迹曲线平行状态、同一时刻下的两个渔船的前后间距、满足预设条件的航向差占比、满足预设条件的航速差占比、满足预设条件的线段距离占比以及单个渔船的自交数据。
接下来对数据集中的每个数据的获取方法进行详细介绍：
1、活动半径范围内相关性分析。
活动半径范围内相关性分析是在空间维度上描述轨迹点间的空间距离的差异程度，假设轨迹点和/>的经纬度分别为</>,/>>,</>,/>>,1≤i≤N，1≤j≤N，i≠j；采用两轨迹点欧氏距离衡量空间距离，即两轨迹点的渔船间距计算式为：
S(i，j) =
其中lon表示经度，lat表示纬度。
2、航速差相关性分析。
航速差相关性分析是在航速维度上描述轨迹点间的航速距离的差异程度， 假设轨迹点和/>的航速分别为/>,/>,1≤i≤N，1≤j≤N，i≠j；采用速度差值的绝对值来衡量航速距离，即两轨迹点的航速差计算式为：
V(i，j)=|-/>|
3、轨迹时间误差范围内相关性分析。
轨迹时间误差范围相关性分析是在时间维度上描述轨迹点间的时间距离的差异程度，假设轨迹点和/>的时间分别为/>,/>,1≤i≤N，1≤j≤N，i≠j；采用绝对值来衡量时间距离，即两轨迹点的轨迹时间差计算式为：
T(i，j)=|-/>|
4、航向差相关性分析。
航向差相关性分析是在航向维度上描述轨迹点间的航向距离的差异程度，假设轨迹点和/>的航向分别为/>,/>,1≤i≤N，1≤j≤N，i≠j；因航向0°与360°为同一方向，采用航向夹角衡量航向距离，即轨迹点间航向差D(i，j)为：
5、 曲线平行和间距相关性分析。
曲线平行和间距相关性分析是在时间、经纬度维度上描述双拖船相邻轨迹点所构成的曲线是否平行和曲线的间距差异程度。假设双拖船A的轨迹点与/>和和双拖船B的轨迹点/>与/>在时间/>,/>，/>的经纬度分别为</>,/>>，<,/>>,</>,/>>,</>,/>>,1≤i≤N，1≤j≤N，i≠j；通过计算几何判断轨迹点/>与/>所构成的曲线A和轨迹点/>与/>所构成的曲线B是否平行和处于平行的状态以确定轨迹曲线平行状态，并计算曲线A和曲线B之间的轨迹曲线间距。
6、双拖轨迹点一前一后的情况相关性分析。
双拖轨迹点一前一后的情况相关性分析是在时间、经纬度维度上描述通过计算几何的夹角、斜边长、正弦公式来计算轨迹所形成三角形的对边长的差异程度。图2是本申请示出的一种获取同一时刻下的两个渔船的前后间距的示意图，如图2所示，渔船A在时间i的轨迹点集合为{A1，A2，...Ai}，渔船B在时间i的轨迹点集合为{B1，B2，...，Bi}。由于渔船轨迹数据采集时间不一致，轨迹点会存在一定时间范围的误差，所以以最新的轨迹点来比较。比如渔船A在A2的时刻的轨迹点为A2，渔船A上一个轨迹点为A1，渔船B在B2的时刻的轨迹点为B2，渔船B上一个轨迹点为B1，通过计算线段A2A1和线段A2B1的夹角为Q1，由于线段A2A1和虚线A2Ba的夹角是90度，所以Q2=90-Q1，通过A2的经纬度和B1的经纬度计算A2B1线段的距离，由于线段B1ba和虚线A2Ba的夹角是90度，由于Q2、A2B1线段的距离已经计算出来，通过直三角形的正弦函数计算线段B1Ba的距离。通过B2的经纬度和B1的经纬度计算B2B1线段的距离，那么同一时刻下的两个渔船的前后间距的计算公式为：BaB2=B2B1-B1Ba。
7、自相交相关性分析。
本申请中，针对单个渔船的自相交相关性分析，是在时间、经纬度维度上描述双拖船在某时间段的轨迹点所构成曲线自相交的差异程度。假设L=1≤i≤N，是轨迹点/>在时间为/>的经纬度集合，通过self-intersection算法判断双拖船在某时间段的轨迹点是否自相交，获取单个渔船的自交数据。
8、双拖关系相关性分析。
图3 是本申请示出的一种两个渔船的航行轨迹示意图，如图3所示，渔船A在时间i的轨迹点集合为{A1，A2，...Ai},渔船B在时间i的轨迹点集合为{B1，B2，...，Bi}。由于渔船轨迹数据采集时间不一致，轨迹点会存在一定时间范围的误差。所以以最新的轨迹点来比较。
航向差占比：比如渔船A在A2的时刻的轨迹点的航向为a度，渔船B在渔船A在A2的对应的时刻的最新轨迹点为B3的航向为b度，通过比较|a-b|的绝对值是否小于所设定的航向差参数的值，小于所设定的航向差参数的值就是航向差计数courseNUm就累加1，经过最小持续时长，获取courseNUm除以最小持续时长的轨迹点总数的比例值作为航向差占比。
航速差占比：比如渔船A在A2的时刻的轨迹点的航速为a节，渔船B在渔船A在A2的对应的时刻的最新轨迹点为B3的航速为b节，通过比较|a-b|的绝对值是否小于所设定的航速差参数的值，小于所设定的航速差参数的值就是航速差计数speedNUm就累加1，经过最小持续时长，获取speedNUm除以最小持续时长的轨迹点总数的比例值作为航速差占比。
线段距离占比：比如渔船A在A2的时刻的轨迹点的经纬度为A2(lat2，lon2)，上一时刻的轨迹点的经纬度为A1(lat1，lon1)，渔船B在渔船A在A2的对应的时刻的最新轨迹点为B3的经纬度为B3(lat3，lon3)，渔船B在上一时刻的轨迹点的经纬度为B2(lat2,lon2)，通过计算渔船A在A2、A1经纬度点构成的线段A21和渔船B在B3、B2经纬度点构成的线段B32，计算线段A21和线段B32不相交的间距，判断间距是否小于所设定的平行间距参数的值，小于所设定的平行间距参数的值就是线段距离计数lineNum就累加1，经过最小持续时长，获取lineNum除以最小持续时长的轨迹点总数的比例值作为线段距离占比。
S104，将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。
将上述获得的数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。渔船双拖行为识别结果可以是分类标签（如双拖或非双拖）或概率分布。
本申请通过目标时空图卷积网络模型识别渔船的作业方式，可以及时监测到双拖作业渔船的数量和活动范围，采取相应的管理措施，以保护海洋生物资源的可持续发展，以减少非法双拖作业对海洋生态环境的破坏，并确保渔业资源的合理利用。
图4是本申请示出的一种目标时空图卷积网络模型的训练方法的示意图，如图4所示，该目标时空图卷积网络模型的训练方法，包括以下步骤：
S401，收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据。
其中，采集的历史轨迹流数据为确定具有双拖行为的渔船对应的历史轨迹流数据。终端设备包括渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个。
S402，对历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集。
其中，这里对历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集的具体实现方法，与上述S102和S103的步骤相同，也即，分别对历史轨迹流数据进行白名单区域过滤、渔船活动半径过滤、活动半径范围内相关性分析以获取渔船间距样本、航速差相关性分析以获取航速差样本、轨迹时间误差范围内相关性分析以获取轨迹时间差样本、航向差相关性分析以获取航向差样本、曲线平行和间距相关性分析以获取轨迹曲线平行状态与轨迹曲线间距样本、双拖轨迹点一前一后的情况相关性分析以获取同一时刻下的两个渔船的前后间距样本、自相交相关性分析以获取单个渔船的自交样本数据、双拖关系相关性分析以获取航向差占比样本、航速差占比样本和线段距离占比样本。
S403，将样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连。
本申请中，图5是本申请示出的一种初始时空图卷积网络模型的结构图，如图5所示，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连，通过堆叠多个时空层，初始时空图卷积网络模型能够处理不同时间级别的空间依存关系，以提取时空依赖特征。
具体的，每层时空层由一个图卷积层（Graph Convolutional Layer，简称GCN）和一个门控时间卷积层（Gated Temporal Convolutional Network，简称Gated TCN）构成。
关于时间依赖特征提取，需要同时考虑到短期内相邻时间数据的影响，也要考虑到长期的时间周期性影响。所以本模型采用了一种特殊的TCN模块，TCN组件采用了门控机制，也即门控时间卷积层。其中，门控时间卷积层由两个并行的时间卷积层（TCN-a和TCN-b）组成。门控时间卷积层采用空洞因果卷积的方法提取样本数据集的时间依赖特征。这两个TCN使用了不同的激活函数，TCN-a使用tanh激活函数，TCN-b使用sigmoid激活函数，然后将二者的值按元素进行乘积。
其中，空洞因果卷积网络能够以非递归的方式正确处理长距离序列，这有助于并行计算并缓解了梯度爆炸问题。作为标准一维卷积的一种特殊情况，图6是本申请示出的一种空洞因果卷积运算通过以一定步长跳过值而在输入上滑动的示意图。空洞因果卷积将所有的输入数据以时间维度为轴看作一维向量，对所有的输入向量进行1D卷积操作。可以看作多层1D卷积层的叠加，而每层各自有个参数d，表示每d个点取一次，取出的点再视新的序列作卷积。对于每一层的一维卷积公式如下所示：
上式中，X为输入一维向量数据，s表示卷积所在的层数，d指的是空洞因子，决定了空洞的大小，K是时空层总数、t代表时间值。
门控结构，用于控制时间卷积网络的信息流，每次卷积后只保留部分有效信息，本模型中提出了以下门控时间卷积层公式如下所示：
其中，、/>、b、c分别是模型可学习参数，/>表示卷积，X为输入一维向量数据，为/>激活函数、/>为sigmoid激活函数。
门控时间卷积层提取到时间依赖特征之后，传到GCN层，GCN采用扩散卷积方法提取样本数据集的空间依赖特征。这种卷积方式将图信号的扩散过程表示为有限的K步转移矩阵,由于渔船轨迹流数据是一个有方向的数据，而在有向图场景中则前向转移矩阵的公式如下所示：
上式中，A表示邻接矩阵。
后向转移矩阵的公式如下所示：
上式中，表示邻接矩阵A的转置矩阵。
在这样的场景下，扩散卷积的公式如下所示：
上式中，表示前向转移矩阵的k次方，/>表示后向转移矩阵的k次方，X为输入一维向量数据，/>、/>表示权重矩阵，k表示转移步数。
由于海洋世界的复杂性和不确定性，通过北斗、雷达等数据采集设备采集渔船轨迹数据存在偏差性，数据的不完整性，这些都会导致预定义的图结构不一定能反映真实世界中所有的关系。所以本模型中引入了自适应性图结构的概念，自适应图建模公式如下所示：
，E1,E2 ∈/>
上式中，表示归一化的拉普拉斯矩阵，E1&E2表示N个节点的c维特征，E1表示原节点嵌入，E2表示目标节点嵌入。
其中，E1和E2是随机初始化的两个节点的embedding。通过将E1和E2相乘，得出源节点和目标节点之间的空间依赖权重。再使用ReLU激活功能消除弱连接。应用SoftMax函数来归一化自适应邻接矩阵。因此，可以将归一化的自适应邻接矩阵视为隐藏扩散过程的转换矩阵。
通过结合预定义的空间依赖关系和自学习的隐藏图依赖关系，本模型中提出了以下图卷积层公式如下所示：
上式中，表示前向转移矩阵的k次方，/>表示后向转移矩阵的k次方，X为输入一维向量数据，/>、/>、/>表示权重矩阵，k表示转移步数，/>表示归一化的拉普拉斯矩阵。
最后，输出层，相当于一个MLP(多层感知器)，将K个时空层的结果进行连接，然后通过两个线性层得到输出的渔船双拖行为识别结果。
本申请中，将样本数据集输入初始时空图卷积网络模型中进行迭代训练，可以通过优化算法（如随机梯度下降）来调整模型的权重和参数，使模型能够更好地拟合训练数据，并逐步提高模型的性能。
本申请实施例中，通过迭代训练和适应真实样本数据集，目标时空图卷积网络模型将具备一定的泛化能力，可以较好地处理新的、未见过的渔船轨迹数据，并准确地对双拖行为进行分类识别，这将有助于监测和分析渔船行为，以支持渔业资源管理和保护。
图7是本申请示出的一种渔船双拖行为的识别方法的整体框架图，如图7所示，首先收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据。分别对历史轨迹流数据进行白名单区域过滤、渔船活动半径过滤、活动半径范围内相关性分析以获取渔船间距样本、航速差相关性分析以获取航速差样本、轨迹时间误差范围内相关性分析以获取轨迹时间差样本、航向差相关性分析以获取航向差样本、曲线平行和间距相关性分析以获取轨迹曲线平行状态与轨迹曲线间距样本、双拖轨迹点一前一后的情况相关性分析以获取同一时刻下的两个渔船的前后间距样本、自相交相关性分析以获取单个渔船的自交样本数据、双拖关系相关性分析以获取航向差占比样本、航速差占比样本和线段距离占比样本，从而获得样本数据集。将样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连。
在目标时空图卷积网络模型的实际运用过程中，首先，接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据。根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据。对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集。将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。
图8是本申请示出的一种渔船双拖行为的识别装置的示意图，如图8所示，该渔船双拖行为的识别装置800，包括接收模块801、过滤模块802、处理模块803和识别模块804，其中：
接收模块801，用于接收终端设备采集的渔船的实时轨迹流数据，其中，实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据。
过滤模块802，用于根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据。
处理模块803，用于对待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集。
识别模块804，用于将数据集输入训练好的目标时空图卷积网络模型中，获取目标时空图卷积网络模型输出的渔船双拖行为识别结果。
本装置通过目标时空图卷积网络模型识别渔船的作业方式，可以及时监测到双拖作业渔船的数量和活动范围，采取相应的管理措施，以保护海洋生物资源的可持续发展，以减少非法双拖作业对海洋生态环境的破坏，并确保渔业资源的合理利用。
进一步的，处理模块803中，数据处理后生成的数据集中，包括渔船的渔船间距、航速差、轨迹时间差、航向差、轨迹曲线间距、轨迹曲线平行状态、同一时刻下的两个渔船的前后间距、满足预设条件的航向差占比、满足预设条件的航速差占比、满足预设条件的线段距离占比以及单个渔船的自交数据。
进一步的，渔船双拖行为的识别装置800还包括：训练模块805，用于收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据；对历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集；将样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，K个时空层以残差结构相连。
进一步的，训练模块805中，每层时空层由一个图卷积层和一个门控时间卷积层构成，其中：门控时间卷积层由两个并行的时间卷积层组成，两个并行的时间卷积层一个采用tanh激活函数，另一个采用sigmoid激活函数。
进一步的，训练模块805中，门控时间卷积层采用空洞因果卷积的方法提取样本数据集的时间依赖特征；图卷积层采用扩散卷积方法提取样本数据集的空间依赖特征；输出层用于输出渔船双拖行为识别结果。
进一步的，终端设备包括渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个。
为了实现上述实施例，本申请实施例还提出一种电子设备900，如图9所示，该电子设备900包括：处理器901和处理器通信连接的存储器902，存储器902存储有可被至少一个处理器执行的指令，指令被至少一个处理器901执行，以实现如上述实施例所示的渔船双拖行为的识别方法。
为了实现上述实施例，本申请实施例还提出一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机实现如上述实施例所示的渔船双拖行为的识别方法。
为了实现上述实施例，本申请实施例还提出一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上述实施例所示的渔船双拖行为的识别方法。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种渔船双拖行为的识别方法，其特征在于，包括：
接收终端设备采集的渔船的实时轨迹流数据，其中，所述实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据；
根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对所述实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据；
对所述待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集；
将所述数据集输入训练好的目标时空图卷积网络模型中，获取所述目标时空图卷积网络模型输出的渔船双拖行为识别结果。
2.根据权利要求1所述的方法，其特征在于，所述数据处理后生成的数据集中，包括渔船的渔船间距、航速差、轨迹时间差、航向差、轨迹曲线间距、轨迹曲线平行状态、同一时刻下的两个渔船的前后间距、满足预设条件的航向差占比、满足预设条件的航速差占比、满足预设条件的线段距离占比以及单个渔船的自交数据。
3.根据权利要求1或2所述的方法，其特征在于，所述目标时空图卷积网络模型的训练方法，包括：
收集终端设备采集的在历史时间段上渔船进行双拖行为时产生的历史轨迹流数据；
对所述历史轨迹流数据进行过滤和数据处理，获取生成的样本数据集；
将所述样本数据集输入初始时空图卷积网络模型中进行迭代训练，获取训练完成后生成的目标时空图卷积网络模型，其中，所述初始时空图卷积网络模型由输入层、K个时空层、激活层、线性层和输出层组成，所述K个时空层以残差结构相连。
4.根据权利要求3所述的方法，其特征在于，每层所述时空层由一个图卷积层和一个门控时间卷积层构成，其中：
所述门控时间卷积层由两个并行的时间卷积层组成，所述两个并行的时间卷积层一个采用tanh激活函数，另一个采用sigmoid激活函数。
5.根据权利要求4所述的方法，其特征在于，所述方法，还包括：
所述门控时间卷积层采用空洞因果卷积的方法提取样本数据集的时间依赖特征；
所述图卷积层采用扩散卷积方法提取样本数据集的空间依赖特征；
所述输出层用于输出渔船双拖行为识别结果。
6.根据权利要求1所述的方法，其特征在于，所述终端设备包括渔船监控系统、船舶自动识别系统、北斗数据采集设备和雷达数据采集设备中的至少一个。
7.一种渔船双拖行为的识别装置，其特征在于，包括：
接收模块，用于接收终端设备采集的渔船的实时轨迹流数据，其中，所述实时轨迹流数据包括渔船的轨迹采集时刻、经纬度数据、航速数据和航向数据；
过滤模块，用于根据预先设置的白名单区域和预先设置的在各个场景下的渔船活动半径，对所述实时轨迹流数据进行过滤，获取过滤之后获得的待分析轨迹流数据；
处理模块，用于对所述待分析轨迹流数据进行数据处理，获取数据处理后生成的数据集；
识别模块，用于将所述数据集输入训练好的目标时空图卷积网络模型中，获取所述目标时空图卷积网络模型输出的渔船双拖行为识别结果。
8.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076477.3A CN116776112B (zh) | 2023-08-25 | 2023-08-25 | 渔船双拖行为的识别方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311076477.3A CN116776112B (zh) | 2023-08-25 | 2023-08-25 | 渔船双拖行为的识别方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116776112A true CN116776112A (zh) | 2023-09-19 |
| CN116776112B CN116776112B (zh) | 2024-02-13 |
Family
ID=87993526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311076477.3A Active CN116776112B (zh) | 2023-08-25 | 2023-08-25 | 渔船双拖行为的识别方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116776112B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222526A (zh) * | 2018-11-27 | 2020-06-02 | 中电科海洋信息技术研究院有限公司 | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 |
| CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
| KR20220025537A (ko) * | 2020-08-24 | 2022-03-03 | 제주대학교 산학협력단 | 항적 데이타를 이용한 어선 조업 판별 방법 |
| CN114462529A (zh) * | 2022-01-24 | 2022-05-10 | 北京中交通信科技有限公司 | 一种渔船双拖作业方式识别方法及装置 |
| CN115237945A (zh) * | 2021-04-23 | 2022-10-25 | 中国电子科技集团公司第三十六研究所 | 一种基于神经网络的渔船作业方式识别方法和系统 |
| CN116150618A (zh) * | 2023-02-02 | 2023-05-23 | 中国水产科学研究院东海水产研究所 | 一种基于深度学习神经网络的渔船作业类型识别方法 |
-
2023
- 2023-08-25 CN CN202311076477.3A patent/CN116776112B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111222526A (zh) * | 2018-11-27 | 2020-06-02 | 中电科海洋信息技术研究院有限公司 | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 |
| KR20220025537A (ko) * | 2020-08-24 | 2022-03-03 | 제주대학교 산학협력단 | 항적 데이타를 이용한 어선 조업 판별 방법 |
| CN115237945A (zh) * | 2021-04-23 | 2022-10-25 | 中国电子科技集团公司第三十六研究所 | 一种基于神经网络的渔船作业方式识别方法和系统 |
| CN113569921A (zh) * | 2021-07-07 | 2021-10-29 | 中国人民解放军海军航空大学岸防兵学院 | 一种基于gnn的船舶分类识别方法及装置 |
| CN114462529A (zh) * | 2022-01-24 | 2022-05-10 | 北京中交通信科技有限公司 | 一种渔船双拖作业方式识别方法及装置 |
| CN116150618A (zh) * | 2023-02-02 | 2023-05-23 | 中国水产科学研究院东海水产研究所 | 一种基于深度学习神经网络的渔船作业类型识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| HAIGUANG HUANG等: "FVID: Fishing Vessel Type Identification Based on VMS Trajectories", JOURNAL OF OCEAN UNIVERSITY OF CHINA, 7 May 2019 (2019-05-07) * |
| 汤先峰;张胜茂;樊伟;裴凯洋;: "基于深度学习的刺网与拖网作业类型识别研究", 海洋渔业, no. 02 * |
| 郑巧玲;樊伟;张胜茂;张衡;王晓旋;郭刚刚;: "基于神经网络和VMS的渔船捕捞类型辨别", 南方水产科学, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116776112B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Marine organism detection and classification from underwater vision based on the deep CNN method | |
| Lopez‐Marcano et al. | Automatic detection of fish and tracking of movement for ecology | |
| Liang et al. | A real-time detection framework for on-tree mango based on SSD network | |
| Kim et al. | Structural recurrent neural network for traffic speed prediction | |
| Li et al. | Ship trajectory prediction based on machine learning and deep learning: A systematic review and methods analysis | |
| US20220130109A1 (en) | Centralized tracking system with distributed fixed sensors | |
| Kim et al. | Scalable learning with a structural recurrent neural network for short-term traffic prediction | |
| Lu et al. | Shape-based vessel trajectory similarity computing and clustering: A brief review | |
| CN116776112B (zh) | 渔船双拖行为的识别方法及其装置 | |
| CN114462529A (zh) | 一种渔船双拖作业方式识别方法及装置 | |
| CN111783726A (zh) | 基于人工智能和bim的放牧牲畜离群视频采集方法 | |
| CN116664545A (zh) | 一种基于深度学习的近海底栖生物定量检测方法及系统 | |
| CN115019185B (zh) | 类脑连续学习协同围捕方法、系统及介质 | |
| WO2023049387A1 (en) | System and method for reducing surveillance detection errors | |
| CN104318072A (zh) | 基于qkf-mmf的多传感器量化融合方法 | |
| Zhang et al. | Machine Learning‐Based Multitarget Tracking of Motion in Sports Video | |
| CN114037737A (zh) | 一种基于神经网络的近岸海底鱼类检测及跟踪统计方法 | |
| Chen et al. | Catch weight prediction for multi-species fishing using artificial neural networks | |
| Kono et al. | Convergence estimation utilizing fractal dimensional analysis for reinforcement learning | |
| Kucner et al. | Tell me about dynamics!: Mapping velocity fields from sparse samples with semi-wrapped gaussian mixture models | |
| Salima et al. | HA-UVC: Hybrid approach for unmanned vehicles cooperation | |
| Yu et al. | UWSNS-based distributed trespasser tracking system for a fish farn | |
| Pezzementi et al. | Perception robustness testing at different levels of generality. | |
| WO2023065494A1 (zh) | 一种意图驱动的强化学习路径规划方法 | |
| WO2022126523A1 (zh) | 物体检测方法、设备、可移动平台及计算机可读存储介质 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Li Baodong Inventor after: Liu Shaohui Inventor after: Li Wenhuan Inventor after: Mao Wei Inventor after: Hu Jie Inventor before: Li Baodong |