CN117475382A - 一种基于卷积神经网络的海上生产智能防控方法 - Google Patents
一种基于卷积神经网络的海上生产智能防控方法 Download PDFInfo
- Publication number
- CN117475382A CN117475382A CN202210844999.2A CN202210844999A CN117475382A CN 117475382 A CN117475382 A CN 117475382A CN 202210844999 A CN202210844999 A CN 202210844999A CN 117475382 A CN117475382 A CN 117475382A
- Authority
- CN
- China
- Prior art keywords
- ship
- pipeline
- operation area
- dimensional array
- algorithm
- 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 26
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 230000002265 prevention Effects 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 14
- 238000009417 prefabrication Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 101100221616 Halobacterium salinarum (strain ATCC 29341 / DSM 671 / R1) cosB gene Proteins 0.000 claims 1
- 238000011176 pooling Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及海上生产智能防控技术领域,特别涉及一种基于卷积神经网络的海上生产智能防控方法。包括:S1,将作业区与管线进行网格划分,建立作业区与管线二维数组,构建作业区与管线瓦片预制算法;S2,建立船舶经停管线判断算法,将船舶的大地坐标通过高斯投影转换为平面坐标,通过S1的预制二维数组判断船舶是否经停管线;S3,构建基于SiameseFC的船舶跟踪算法,对经停管线的船舶进行跟踪定位;S4,将定位到的船舶视频信息传回web系统,同时将告警信息推送至就进平台、船舶相关人员,进行加强观察或靠近驱逐。与web系统结合,将船舶告警信息展示在web系统并及时推送到附近工作人员,引起工作人员的警惕,更有效地对海上安全问题进行防控。
Description
技术领域
本发明涉及海上生产智能防控技术领域,特别涉及一种基于卷积神经网络的海上生产智能防控方法。
背景技术
海上生产智能防控主要是针对船舶经过管线、进出作业区、非法停靠等问题进行总体防控和监管。随着油田生产任务的增加,海上作业平台和海底管线数量不断增加,海上船舶来往频繁。由于船舶吃水深度不定,若船舶靠近管线时没有准确判断并及时发出预警,极易发生船舶破坏管线的事故,使海上作业区存在极大的安全隐患。其次,船舶进入作业区后不规范的运行轨迹等行为也会给正常的生产作业造成影响。为保证作业区安全以及船舶预警联动的及时性,船舶在停靠管线或进入作业区10分钟内需要及时报警。
近年来,政府海事部门多次对油田服务船舶进行集中检查,推动了油田船舶及海上作业区的管理。利用雷达、AIS、振动光缆报警、声音驱离系统、喷淋驱逐系统等多种技术手段实现平台安全监控,组建了海上生产平台安全系统。该方法依赖于大量的硬件设施,适用场景有限。
现有的海上生产防控技术多是依赖于人工水上巡航、人工查看摄像头,由于海域宽阔、摄像头数量众多且人工监管力度有限,此方式无法对海上安全生产提供坚实的保障。
发明内容
本发明的目的是解决海上作业平台船舶经停管线的安全隐患问题,对进入作业平台的船舶进行跟踪与监控,及时将告警信息传至web系统,提高海上作业平台的监管效率。
为了达到上述目的,本发明提供了一种基于卷积神经网络的海上生产智能防控方法,该方法的主要步骤为:
S1,将作业区与管线进行网格划分,建立作业区与管线二维数组,构建作业区与管线瓦片预制算法;
S2,建立船舶经停管线判断算法,将船舶的大地坐标通过高斯投影转换为平面坐标,通过S1的预制二维数组判断船舶是否经停管线;
S3,构建基于SiameseFC的船舶跟踪算法,对经停管线的船舶进行跟踪定位;
S4,将定位到的船舶视频信息传回web系统,同时将告警信息推送至就进平台、船舶相关人员,进行加强观察或靠近驱逐。
进一步的,所述步骤S1具体包括:首先将安全作业区与管线进行网格划分,将网格数据按照瓦片预制算法进行预制,得到作业区每个网格与管线的关系,建立预制二维数组ARRY0,将有管线的网格对应下标元素记为1,反之记为0;建立管线二维数组ARRY1记录当前网格中的管线名称拼接字符串。
进一步的,所述步骤S2具体包括:取船舶AIS定位数据,将定位数据(B,L)通过高斯投影变换得到平面坐标系(x,y),计算过程如下:
其中,π=3.14159265,η=e′cos B,e′为椭圆的第二偏心率,L0为中央子午线经度,ρ”=206264.80625,X为自赤道量起的子午线弧长,/>M为子午圈曲率半径,N为卯酉圈曲率半径,B、L为大地纬度和大地经度。
进一步的,所述步骤S2还包括:将定位数据转换为平面坐标后,计算平面坐标与预制二维数组的关系,判断船舶是否进入作业区;若已进入作业区,得到二维数组的下标,通过下标找到预制二维数组ARRY0对应值,若值为1,则表示船舶经停管线,在管线二维数组ARRY1 中查找经停管线的名称;若值为0,则表示不会经过管线。
进一步的,所述步骤S3中基于SiameseFC的船舶跟踪算法包括:经过步骤S1及步骤S2,确定进入作业区的船舶,通过监控视频采集此船舶的图像,该图像作为预采集图像i,将摄像头中视频称为搜索视频v,将预采集图像i及搜索视频v中的一帧作为输入,使用卷积嵌入函数φ对图像进行特征提取,输出特征图φ(i)和φ(v),对特征图φ(i)和φ(v)做卷积相关性运算*,得到得分图f(z,x),得分图反映φ(i)与φ(v)中每个对应部分的相似度关系,得分越高,相似度越大,则越有可能是同一物体:
f(i,v)=φ(i)*φ(v)+bΠ (3)
bΠ表示在每个位置取值为b∈{船}的标志。
进一步的,
所述基于SiameseFC的船舶跟踪算法进行模型训练时的损失函数如下所示:
l(g,s)=log(1+exp(-sg)) (4)
其中,s是预采集图像-搜索视频相关性的真实得分,g∈{-1,+1}是预采集图像的真实标签。
进一步的,
对于步骤S4,将定位到的船舶视频信息传回web系统,显示在安全预警联动界面中,同时将告警信息自动推送至就进平台、船舶相关人员,进行加强观察,靠近驱逐。
本发明的有益效果是:
(1)提出了作业区与管线瓦片预制算法,为船舶经停管线判断提供了坚实的基础。
(2)提出了船舶经停管线判断算法,通过瓦片预制算法及判断算法,可以高效及时地判断船舶的行驶路线是否会对管线存在安全隐患,有效防控海上作业平台的安全。
(3)提出了基于SiameseFC的船舶跟踪算法,该算法能够借助海上监控系统对船舶进行检测和跟踪,保证了检测的准确性和高效性,为海上安全防控提供有效的技术支持,节省人力且无需额外的硬件投入。
(4)与web系统结合,将船舶告警信息展示在web系统并及时推送到附近工作人员,引起工作人员的警惕,更有效地对海上安全问题进行防控。
附图说明
图1为瓦片预制算法搭建流程图。
图2为船舶经停管线判定算法结构图。
图3为基于SiameseFC的船舶跟踪算法网络结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
实施例一:
一种基于卷积神经网络的海上生产智能防控方法,该方法的主要步骤为:
S1,将作业区与管线进行网格划分,建立作业区与管线二维数组,构建作业区与管线瓦片预制算法;
S2,建立船舶经停管线判断算法,将船舶的大地坐标通过高斯投影转换为平面坐标,借助S1的预制二维数组判断船舶是否经停管线;
S3,构建基于SiameseFC的船舶跟踪算法;
S4,利用瓦片预制算法与基于SiameseFC船舶跟踪算法实现海上生产智能防控,将相关信息推送至web系统及附近防控工作人员。
实施例二:
本发明的技术方案特征和改进为:
对于步骤S1,本发明建立了瓦片预制算法。首先将安全作业区与管线进行网格划分,将网格数据按照瓦片预制算法进行预制,得到作业区每个1*1米方格与管线的关系,建立预制二维数组,将有管线的方格对应下标元素记为1,反之记为0,建立管线二维数组记录当前网格中的管线名称拼接字符串。
对于步骤S2,取船舶AIS定位数据,由于AIS采用WGS-84大地坐标系,所以需将定位数据(B,L)通过高斯投影变换得到平面坐标系(x,y),计算过程如下:
其中,π=3.14159265,η=e′cos B,e′为椭圆的第二偏心率,t=tan B,L0为中央子午线经度,ρ”=206264.80625,X为自赤道量起的子午线弧长,/>M为子午圈曲率半径,N为卯酉圈曲率半径。
将定位数据转换为平面坐标后,计算平面坐标与预制二维数组的关系,判断船舶是否进入作业区。若已进入作业区,得到二维数组的下标,通过下标找到预制二维数组ARRY0对应值,若值为1,则表示船舶经停管线,在管线二维数组ARRY1中查找经停管线的名称;若值为0,则表示不会经过管线。
对于步骤S3,本发明设计基于SiameseFC的船舶跟踪算法。本算法主要目的是通过摄像头对进入作业区的船舶进行实时跟踪。该算法兼顾了速度和精度,适合海上作业平台的场景要求。
经过步骤S1及步骤S2,我们已经确定船舶进入作业区,并通过监控视频采集此船舶的图像,我们称该图像为预采集图像i,并将摄像头中视频称为搜索视频v。本算法使用全卷积的孪生网络结构,可以处理任意尺寸大小的输入图像及视频,充分考虑了作业平台摄像头规格的多样性。
该算法将预采集图像及搜索视频中的一帧作为输入,使用卷积嵌入函数φ对图像进行特征提取,输出大小分别为6*6*128及22*22*128的φ(i)及φ(v),对两个输出以φ(v)为特征图,以φ(i)为卷积核特征做卷积相关性运算*,得到得分图f(z,x)。得分图反映了φ(i)与φ(v)中每个对应部分的相似度关系,得分越高,相似度越大,则越有可能是同一物体。
f(i,v)=φ(i)*φ(v)+bΠ (3)
bΠ表示在每个位置取值为b∈{船}的标志。
基于SiameseFC的船舶跟踪算法的训练方法如下:
在船舶跟踪算法的实现中,所有实验使用Python 3.6版本的PyTorch框架实现的,并在一台拥有Nvidia GTX 1080Ti GPU的计算机上进行的。
在进入网络之前,将所有预采集图像大小调整为127*127,并将搜索视频大小调整为 255*255,使用内嵌函数φ的体系结构进行卷积。整个特征提取网络分为三部分:第一部分由 11*11的卷积层和池化层组成;第二部分由5*5卷积层鞥及池化层组成;第三部分包含三个 3*3的卷积层。除了最后一层卷积,每个卷积层都遵循RelU非线性结构。
模型训练时的损失函数如下所示:
l(g,s)=log(1+exp(-sg)) (4)
其中,s是预采集图像-搜索视频相关性的真实得分,g∈{-1,+1}是预采集图像的真实标签。
对于步骤S4,将定位到的船舶视频信息传回web系统,显示在安全预警联动界面中,同时将告警信息自动推送至就进平台、船舶相关人员,进行加强观察,靠近驱逐。
实施例三:
如图1所示的瓦片预制算法搭建流程,瓦片预制算法处理了作业区瓦片与海底管线瓦片的关系。首先将管线及作业区分别划分为1*1的方格区域,并建立作业区瓦片二维数组ARRY0 及ARRY1。从作业区左上区域A(Xn,Ym)开始按照每个方格对照两个二维数组,判断该方格工作区内是否有管线存在。若存在,则另ARRY0[n,m]=1,ARRY1[n,m]=管线名称拼接串,反之,ARRY0[n,m]=0,依次计算直至将整个作业区计算完成。此过程形成了瓦片预制算法,将作业区与管线的关系保存至两个预制二维数组中,方便对船舶是否经停管线进行判断。
如图2所示的船舶经停管线判定算法,经过图1步骤,我们已经将管线与作业区关系保存至预制二维数组中,因此只需借助二维数组判断该船舶一米范围内是否有管线存在。由于船舶所搭载的AIS系统使用WGS-84大地坐标系,因此获取船舶定位数据后需要通过高斯投影将大地坐标系转换为平面坐标系,根据船舶的平面坐标即可得到数组下标(i.j),继而判断 ARRY[i,j]=1是否满足。若满足,则判定为船舶经过管线,并将船舶名称、管线名称、时间上传至web系统。若不满足,则该船舶不会经停管线。
如图3所示的基于SiameseFC的船舶跟踪算法网络结构图。该算法的输入为预采集图像 i及摄像头视频v,经过11*11的卷积层及3*3的池化层、5*5的卷积层及3*3的池化层后,经过三个3*3卷积层后得到尺寸分别为6*6*128及22*22*128的特征图,随后进行相关性运算*得到得分图,由此判断监控视频中是否含有该船舶并进行目标跟踪。若监控视频中含有该船舶,则将船舶名称、作业平台名称、时间及跟踪视频上传至web系统。
综上所述,本发明提出了一种基于卷积神经网络的海上生产智能防控方法,该方法结合了瓦片预制算法、船舶经停管线判定算法、基于SiameseFC的船舶跟踪算法,实现了对海上作业平台安全高效的监管。另外,本方法仅借助摄像头这一基础设施,不需要其他硬件设施,减少了成本投入,有助于方法的推广。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求限定。
Claims (7)
1.一种基于卷积神经网络的海上生产智能防控方法,其特征在于,包括如下步骤:
S1,将作业区与管线进行网格划分,建立作业区与管线二维数组,构建作业区与管线瓦片预制算法;
S2,建立船舶经停管线判断算法,将船舶的大地坐标通过高斯投影转换为平面坐标,通过S1的预制二维数组判断船舶是否经停管线;
S3,构建基于SiameseFC的船舶跟踪算法,对经停管线的船舶进行跟踪定位;
S4,将定位到的船舶视频信息传回web系统,同时将告警信息推送至就进平台、船舶相关人员,进行加强观察或靠近驱逐。
2.根据权利要求1所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,所述步骤S1具体包括:首先将安全作业区与管线进行网格划分,将网格数据按照瓦片预制算法进行预制,得到作业区每个网格与管线的关系,建立预制二维数组ARRY0,将有管线的网格对应下标元素记为1,反之记为0;建立管线二维数组ARRY1记录当前网格中的管线名称拼接字符串。
3.根据权利要求2所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,所述步骤S2具体包括:取船舶AIS定位数据,将定位数据(B,L)通过高斯投影变换得到平面坐标系(x,y),计算过程如下:
其中,π=3.14159265,η=e′cosB,e′为椭圆的第二偏心率,t=tanB,L0为中央子午线经度,ρ”=206264.80625,X为自赤道量起的子午线弧长,/>M为子午圈曲率半径,N为卯酉圈曲率半径,B、L为大地纬度和大地经度。
4.根据权利要求3所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,所述步骤S2还包括:将定位数据转换为平面坐标后,计算平面坐标与预制二维数组的关系,判断船舶是否进入作业区;若已进入作业区,得到二维数组的下标,通过下标找到预制二维数组ARRY0对应值,若值为1,则表示船舶经停管线,在管线二维数组ARRY1中查找经停管线的名称;若值为0,则表示不会经过管线。
5.根据权利要求4所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,所述步骤S3中基于SiameseFC的船舶跟踪算法包括:经过步骤S1及步骤S2,确定进入作业区的船舶,通过监控视频采集此船舶的图像,该图像作为预采集图像i,将摄像头中视频称为搜索视频v,将预采集图像i及搜索视频v中的一帧作为输入,使用卷积嵌入函数φ对图像进行特征提取,输出特征图φ(i)和φ(v),对特征图φ(i)和φ(v)做卷积相关性运算*,得到得分图f(z,x),得分图反映φ(i)与φ(v)中每个对应部分的相似度关系,得分越高,相似度越大,则越有可能是同一物体:
f(i,v)=φ(i)*φ(v)+bΠ (3)
bΠ表示在每个位置取值为b∈{船}的标志。
6.根据权利要求5所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,
所述基于SiameseFC的船舶跟踪算法进行模型训练时的损失函数如下所示:
l(g,s)=log(1+exp(-sg)) (4)
其中,s是预采集图像-搜索视频相关性的真实得分,g∈{-1,+1}是预采集图像的真实标签。
7.根据权利要求1所述的一种基于卷积神经网络的海上生产智能防控方法,其特征在于,
对于步骤S4,将定位到的船舶视频信息传回web系统,显示在安全预警联动界面中,同时将告警信息自动推送至就进平台、船舶相关人员,进行加强观察,靠近驱逐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844999.2A CN117475382A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卷积神经网络的海上生产智能防控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844999.2A CN117475382A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卷积神经网络的海上生产智能防控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475382A true CN117475382A (zh) | 2024-01-30 |
Family
ID=89629771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844999.2A Pending CN117475382A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卷积神经网络的海上生产智能防控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475382A (zh) |
-
2022
- 2022-07-19 CN CN202210844999.2A patent/CN117475382A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10818003B2 (en) | High-precision intelligent detection method for bridge diseases based on spatial position | |
CN106845875B (zh) | Lng船舶远程监督系统 | |
CN107132530A (zh) | 天/空/船艇/浮标/岛礁基海域多传感器一体监测系统 | |
CN112884760A (zh) | 近水桥梁多类型病害智能检测方法与无人船设备 | |
CN114782905B (zh) | 一种基于视频监控的船舶吃水深度检测方法 | |
CN115060264A (zh) | 一种基于ais数据的prm航线规划方法 | |
CN112669572A (zh) | 一种用于江河流域库岸智能巡查的无人船系统 | |
US10895802B1 (en) | Deep learning and intelligent sensing systems for port operations | |
CN112000069A (zh) | 外海沉管浮运安装集成测控系统及其测控方法 | |
CN110458089B (zh) | 一种基于高低轨光学卫星观测的海上目标关联系统及方法 | |
US20220214689A1 (en) | Autonomous Vessel and Infrastructure for Supporting an Autonomous Vessel on Inland Waterways | |
Mattioli et al. | Unlocking Resident Underwater Inspection drones or AUV for subsea autonomous inspection: value creation between technical requirements and technological development | |
Xiong et al. | An ensemble method for automatic real-time detection, evaluation and position of exposed subsea pipelines based on 3D real-time sonar system | |
Mcleod et al. | Autonomous inspection of subsea facilities-Gulf of Mexico trials | |
CN113780127A (zh) | 一种船舶定位与监控系统及方法 | |
Hsieh et al. | Sea ice warning visualization and path planning for ice navigation based on radar image recognition | |
CN117475382A (zh) | 一种基于卷积神经网络的海上生产智能防控方法 | |
Stateczny | Radar water level sensors for full implementation of the river information services of border and lower section of the Oder in Poland | |
CN112880678A (zh) | 一种复杂水域环境中无人艇航行规划方法 | |
CN112283595A (zh) | 管道溢油路径分析方法、装置、计算机设备和存储介质 | |
US11977201B2 (en) | Integrated detection method of electromagnetic searching, locating and tracking for subsea cables | |
US20220250658A1 (en) | Automatically selecting and operating unmanned vehicles to acquire inspection data determined based on received inspection requests | |
Al-Battbootti et al. | Detection and Analysis of Oil Spill using Image Processing | |
CN115439745A (zh) | 一种面向船舶图像特征的航标搭载式监视系统及方法 | |
CN115346399A (zh) | 基于相控阵雷达、ais和lstm网络的大桥防船撞预警系统 |
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 |