CN112464951A - 一种基于物联网的渔业安全应急处置***及方法 - Google Patents
一种基于物联网的渔业安全应急处置***及方法 Download PDFInfo
- Publication number
- CN112464951A CN112464951A CN202011328098.5A CN202011328098A CN112464951A CN 112464951 A CN112464951 A CN 112464951A CN 202011328098 A CN202011328098 A CN 202011328098A CN 112464951 A CN112464951 A CN 112464951A
- Authority
- CN
- China
- Prior art keywords
- ship
- track
- data
- motion
- fishery
- 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 53
- 230000033001 locomotion Effects 0.000 claims abstract description 140
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 14
- 230000006399 behavior Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 206010000117 Abnormal behaviour Diseases 0.000 description 21
- 230000003993 interaction Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G3/00—Traffic control systems for marine craft
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Ocean & Marine Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于物联网的渔业安全应急处置***及方法，包括：获取渔业船舶历史运动数据，建立常态行为模型；采集船舶当前状态信号，生成当前运动数据；将当前运动数据与常态行为模型进行匹配，得到偏差率；将偏差率与预设的偏差率阈值进行比较；若大于，则认定船舶行为异常，生成修正信息；通过修正信息对渔业船舶运行信息进行修正。
Description
技术领域
本发明涉及一种渔业安全应急处置***，尤其涉及一种基于物联网的渔业安全应急处置***及方法。
背景技术
船舶异常行为的研究一直是海事安全科学理论研究的基础和重要的组成部分。随着大数据、云计算、区块链和物联网等新技术应用于船舶***领域，信获取、采集、传输、存储和分析具备了必要的硬件基础和有效地科技支撑。而此基础上，进一步探索船舶异常行为识别的理论和技术，对保证船舶安全航行，规避风险，减少虚警，促进水路运输畅通、平安、绿色和高效发展均具有重要意义。
为了能够保证渔业船舶运行安全需要开发一款与其相匹配的***进行控制，通过该***能够通过采集船舶运动轨迹，将运动轨迹与预定轨迹进行比对，判断运动轨迹与预定轨迹之间的偏差，进行判断船舶是否远离预定航道，进而判断船舶运行安全状态，当出现船舶异常行为时，制定安全应急策略，如何对渔业安全应急处置***实现精准控制，是亟待要解决的问题。
发明内容
本发明克服了现有技术的不足，提供一种基于物联网的渔业安全应急处置***及方法。
为达到上述目的，本发明采用的技术方案为：一种基于物联网的渔业安全应急处置方法，包括：
获取渔业船舶历史运动数据，建立常态行为模型；
采集船舶当前状态信号，生成当前运动数据；
将当前运动数据与常态行为模型进行匹配，得到偏差率；
将偏差率与预设的偏差率阈值进行比较；
若大于，则认定船舶行为异常，生成修正信息；
通过修正信息对渔业船舶运行信息进行修正。
在本发明的一个较佳实施例中，获取渔业船舶历史运动数据，建立常态行为模型；具体包括：
获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，
提取训练集中的特征向量，利用训练集中的所有数据点的特征向量构建多维直方图；
通过对正常运行轨迹的样本进行学习训练，建立高斯分布模型。
在本发明的一个较佳实施例中，将当前运动数据与常态行为模型进行匹配，具体包括，
获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
分别提取不同轨迹点的位置及速度特征，生成状态集；
通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
若相对频率低于预设阈值，则判定该轨迹点行为异常。
在本发明的一个较佳实施例中，在对船舶运动轨迹进行分割提取特征值时，首先对船舶运动轨迹数据进行预处理，具体过程如下：
获取船舶运动轨迹动态信息；
通过均值滤波方法剔除时间连续但位置变化较大的数据点，
船舶动态信息包括船位、船速、航向中的一种或两种以上的组合。
在本发明的一个较佳实施例中，通过图像识别船舶实时运动轨迹，生成运动轨迹图；
将运动轨迹图与预定航线轨迹图进行比较；
通过边缘检测算法提取预定航线中的航路段；
对航路段进行聚类，提取特征值；
将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
判断偏差率是否大于预定偏差率阈值；
若大于，则生成异常轨迹数据；
将异常轨迹数据传输至平台生成应急决策。
在本发明的一个较佳实施例中，还包括：
获取船舶运动轨迹，得到运动轨迹数据；
通过轨迹语义划分算法对运动轨迹进行解析，生成运动轨迹段与停留轨迹段；
利用单向距离对所有运动轨迹段进行相似性度量，得到轨迹相似度矩阵；
通过轨迹相似度矩阵获取偏离预定轨迹的运动轨迹段，生成船舶异常信息。
在本发明的一个较佳实施例中，单向距离为采集的船舶运动轨迹上的轨迹点到预定轨迹点的最小距离的平均值。
本发明第二方面还提供了一种基于物联网的渔业安全应急处置***，该***包括：存储器、处理器，所述存储器中包括基于物联网的渔业安全应急处置方法程序，所述基于物联网的渔业安全应急处置方法程序被所述处理器执行时实现如下步骤：
获取渔业船舶历史运动数据，建立常态行为模型；
采集船舶当前状态信号，生成当前运动数据；
将当前运动数据与常态行为模型进行匹配，得到偏差率；
将偏差率与预设的偏差率阈值进行比较；
若大于，则认定船舶行为异常，生成修正信息；
通过修正信息对渔业船舶运行信息进行修正。
在本发明的一个较佳实施例中，将当前运动数据与常态行为模型进行匹配，具体包括，
获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
分别提取不同轨迹点的位置及速度特征，生成状态集；
通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
若相对频率低于预设阈值，则判定该轨迹点行为异常。
在本发明的一个较佳实施例中，通过图像识别船舶实时运动轨迹，生成运动轨迹图；
将运动轨迹图与预定航线轨迹图进行比较；
通过边缘检测算法提取预定航线中的航路段；
对航路段进行聚类，提取特征值；
将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
判断偏差率是否大于预定偏差率阈值；
若大于，则生成异常轨迹数据；
将异常轨迹数据传输至平台生成应急决策。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
(1)本申请通过分析船舶运动轨迹与预定航道轨迹之间的偏差来进行判断船舶位置是否异常以及与周围船舶行为是否存在危险，同时能够对即将偏离航道的船舶进行预警，并制定对应的安全应急策略，保证海上渔业的安全运行。
(2)船舶运动异常行为分为单船异常行为与多船异常行为，多船异常行为即多船航行情形下，船舶之间相互作用的异常行为，防止船舶之间发生碰撞事故，提高渔业安全性。
(3)获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，通过对正常运行轨迹的样本进行学习训练，提高正常运行轨迹设定的精度，并对训练集内的数据进行更新学习，保证训练集内的数据具有实时有效性，并降低数据冗余度。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明一种基于物联网的渔业安全应急处置方法的流程图；
图2示出了建立常态行为模型方法流程图；
图3示出了当前运动数据与常态行为模型匹配方法流程图；
图4示出了异常轨迹数据获取方法流程图；
图5示出了船舶运动轨迹数据处理方法流程图；
图6示出了一种基于物联网的渔业安全应急处置***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于物联网的渔业安全应急处置方法的流程图。
如图1所示，本发明第一方面提供了一种基于物联网的渔业安全应急处置方法，包括：
S102，获取渔业船舶历史运动数据，建立常态行为模型；
S104，采集船舶当前状态信号，生成当前运动数据；
S106，将当前运动数据与常态行为模型进行匹配，得到偏差率；
S108，将偏差率与预设的偏差率阈值进行比较；
S110，若大于，则认定船舶行为异常，生成修正信息；
S112，通过修正信息对渔业船舶运行信息进行修正。
需要说明的是，通过分析船舶运动轨迹与预定航道轨迹之间的偏差来进行判断船舶位置是否异常以及与周围船舶行为是否存在危险，同时能够对即将偏离航道的船舶进行预警，并制定对应的安全应急策略，保证海上渔业的安全运行,船舶运动异常行为分为单船异常行为与多船异常行为，多船异常行为即多船航行情形下，船舶之间相互作用的异常行为，防止船舶之间发生碰撞事故，提高渔业安全性。
需要说明的是，通过获取船舶海量历史运动数据来进行量化渔业水域内交通指标，如船舶流量、航路规划、船舶航线的自动生成、提前规避碰撞等。
如图2所示，本发明公开了建立常态行为模型方法流程图；
根据本发明实施例，获取渔业船舶历史运动数据，建立常态行为模型；具体包括：
S202，获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，
S204，提取训练集中的特征向量，利用训练集中的所有数据点的特征向量构建多维直方图；
S206，通过对正常运行轨迹的样本进行学习训练，建立高斯分布模型。
需要说明的是，获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，通过对正常运行轨迹的样本进行学习训练，提高正常运行轨迹设定的精度，并对训练集内的数据进行更新学习，保证训练集内的数据具有实时有效性，并降低数据冗余度。
如图3所示，本发明公开了当前运动数据与常态行为模型匹配方法流程图；
根据本发明实施例，将当前运动数据与常态行为模型进行匹配，具体包括，S302，获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
S304，分别提取不同轨迹点的位置及速度特征，生成状态集；
S306，通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
S308，若相对频率低于预设阈值，则判定该轨迹点行为异常。
根据本发明实施例，在对船舶运动轨迹进行分割提取特征值时，首先对船舶运动轨迹数据进行预处理，具体过程如下：
获取船舶运动轨迹动态信息；
通过均值滤波方法剔除时间连续但位置变化较大的数据点，
船舶动态信息包括船位、船速、航向中的一种或两种以上的组合。
需要说明的是，船舶轨迹预处理包括数据噪声清洗、停留点检测、轨迹压缩或轨迹分隔，由于船舶轨迹数据是通过传感器来进行检测，位置信息来自GPS信号由于传感器自身原因，轨迹数据中会出现质量的噪声数据，数据清洗则是寻找噪声数据，消除噪声数据对船舶轨迹的影响。
船舶停留点是指船舶在一定的距离阈值内停留一段时间的位置，在进行轨迹数据采集过程中，采样频率较高，船舶运行状态在大多数情况下是正常的，因此轨迹数据中存在大量冗余的轨迹点数，通过轨迹压缩，保证轨迹自身精确性的同时，减少冗余数据。
如图4所示，本发明公开了异常轨迹数据获取方法流程图；
根据本发明实施例，S402，通过图像识别船舶实时运动轨迹，生成运动轨迹图；
S404，将运动轨迹图与预定航线轨迹图进行比较；
S406，通过边缘检测算法提取预定航线中的航路段；
S408，对航路段进行聚类，提取特征值；
S410，将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
S412，判断偏差率是否大于预定偏差率阈值；
S414，若大于，则生成异常轨迹数据，将异常轨迹数据传输至平台生成应急决策。
如图5所示，本发明公开了船舶运动轨迹数据处理方法流程图；
根据本发明实施例，还包括：
S502，获取船舶运动轨迹，得到运动轨迹数据；
S504，通过轨迹语义划分算法对运动轨迹进行解析，生成运动轨迹段与停留轨迹段；
S506，利用单向距离对所有运动轨迹段进行相似性度量，得到轨迹相似度矩阵；
S508，通过轨迹相似度矩阵获取偏离预定轨迹的运动轨迹段，生成船舶异常信息。
根据本发明实施例，单向距离为采集的船舶运动轨迹上的轨迹点到预定轨迹点的最小距离的平均值。
如图6所示，本发明公开了一种基于物联网的渔业安全应急处置***的框图；
本发明第二方面还提供了一种基于物联网的渔业安全应急处置***6，该***6包括：存储器61、处理器62，所述存储器中包括基于物联网的渔业安全应急处置方法程序，所述基于物联网的渔业安全应急处置方法程序被所述处理器执行时实现如下步骤：
获取渔业船舶历史运动数据，建立常态行为模型；
采集船舶当前状态信号，生成当前运动数据；
将当前运动数据与常态行为模型进行匹配，得到偏差率；
将偏差率与预设的偏差率阈值进行比较；
若大于，则认定船舶行为异常，生成修正信息；
通过修正信息对渔业船舶运行信息进行修正。
需要说明的是，通过分析船舶运动轨迹与预定航道轨迹之间的偏差来进行判断船舶位置是否异常以及与周围船舶行为是否存在危险，同时能够对即将偏离航道的船舶进行预警，并制定对应的安全应急策略，保证海上渔业的安全运行,船舶运动异常行为分为单船异常行为与多船异常行为，多船异常行为即多船航行情形下，船舶之间相互作用的异常行为，防止船舶之间发生碰撞事故，提高渔业安全性。
需要说明的是，通过获取船舶海量历史运动数据来进行量化渔业水域内交通指标，如船舶流量、航路规划、船舶航线的自动生成、提前规避碰撞等。
根据本发明实施例，将当前运动数据与常态行为模型进行匹配，具体包括，获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
分别提取不同轨迹点的位置及速度特征，生成状态集；
通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
若相对频率低于预设阈值，则判定该轨迹点行为异常。
根据本发明实施例，通过图像识别船舶实时运动轨迹，生成运动轨迹图；
将运动轨迹图与预定航线轨迹图进行比较；
通过边缘检测算法提取预定航线中的航路段；
对航路段进行聚类，提取特征值；
将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
判断偏差率是否大于预定偏差率阈值；
若大于，则生成异常轨迹数据；
将异常轨迹数据传输至平台生成应急决策。
根据本发明实施例，获取渔业船舶历史运动数据，建立常态行为模型；具体包括：
获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，
提取训练集中的特征向量，利用训练集中的所有数据点的特征向量构建多维直方图；
通过对正常运行轨迹的样本进行学习训练，建立高斯分布模型。
需要说明的是，获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，通过对正常运行轨迹的样本进行学习训练，提高正常运行轨迹设定的精度，并对训练集内的数据进行更新学习，保证训练集内的数据具有实时有效性，并降低数据冗余度。
根据本发明实施例，在对船舶运动轨迹进行分割提取特征值时，首先对船舶运动轨迹数据进行预处理，具体过程如下：
获取船舶运动轨迹动态信息；
通过均值滤波方法剔除时间连续但位置变化较大的数据点，
船舶动态信息包括船位、船速、航向中的一种或两种以上的组合。
需要说明的是，船舶轨迹预处理包括数据噪声清洗、停留点检测、轨迹压缩或轨迹分隔，由于船舶轨迹数据是通过传感器来进行检测，位置信息来自GPS信号由于传感器自身原因，轨迹数据中会出现质量的噪声数据，数据清洗则是寻找噪声数据，消除噪声数据对船舶轨迹的影响。
船舶停留点是指船舶在一定的距离阈值内停留一段时间的位置，在进行轨迹数据采集过程中，采样频率较高，船舶运行状态在大多数情况下是正常的，因此轨迹数据中存在大量冗余的轨迹点数，通过轨迹压缩，保证轨迹自身精确性的同时，减少冗余数据。
根据本发明实施例，还包括：
获取船舶运动轨迹，得到运动轨迹数据；
通过轨迹语义划分算法对运动轨迹进行解析，生成运动轨迹段与停留轨迹段；
利用单向距离对所有运动轨迹段进行相似性度量，得到轨迹相似度矩阵；
通过轨迹相似度矩阵获取偏离预定轨迹的运动轨迹段，生成船舶异常信息。
根据本发明实施例，单向距离为采集的船舶运动轨迹上的轨迹点到预定轨迹点的最小距离的平均值。
本申请通过分析船舶运动轨迹与预定航道轨迹之间的偏差来进行判断船舶位置是否异常以及与周围船舶行为是否存在危险，同时能够对即将偏离航道的船舶进行预警，并制定对应的安全应急策略，保证海上渔业的安全运行。
船舶运动异常行为分为单船异常行为与多船异常行为，多船异常行为即多船航行情形下，船舶之间相互作用的异常行为，防止船舶之间发生碰撞事故，提高渔业安全性。
获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，通过对正常运行轨迹的样本进行学习训练，提高正常运行轨迹设定的精度，并对训练集内的数据进行更新学习，保证训练集内的数据具有实时有效性，并降低数据冗余度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于物联网的渔业安全应急处置方法，其特征在于，包括：
获取渔业船舶历史运动数据，建立常态行为模型；
采集船舶当前状态信号，生成当前运动数据；
将当前运动数据与常态行为模型进行匹配，得到偏差率；
将偏差率与预设的偏差率阈值进行比较；
若大于，则认定船舶行为异常，生成修正信息；
通过修正信息对渔业船舶运行信息进行修正。
2.根据权利要求1所述的一种基于物联网的渔业安全应急处置方法，其特征在于：获取渔业船舶历史运动数据，建立常态行为模型；具体包括：
获取渔业船舶历史数据，筛选出渔业船舶正常运动轨迹数据，生成训练集，
提取训练集中的特征向量，利用训练集中的所有数据点的特征向量构建多维直方图；
通过对正常运行轨迹的样本进行学习训练，建立高斯分布模型。
3.根据权利要求1所述的一种基于物联网的渔业安全应急处置方法，其特征在于：将当前运动数据与常态行为模型进行匹配，具体包括，
获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
分别提取不同轨迹点的位置及速度特征，生成状态集；
通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
若相对频率低于预设阈值，则判定该轨迹点行为异常。
4.根据权利要求1所述的一种基于物联网的渔业安全应急处置方法，其特征在于：在对船舶运动轨迹进行分割提取特征值时，首先对船舶运动轨迹数据进行预处理，具体过程如下：
获取船舶运动轨迹动态信息；
通过均值滤波方法剔除时间连续但位置变化较大的数据点，
船舶动态信息包括船位、船速、航向中的一种或两种以上的组合。
5.根据权利要求1所述的一种基于物联网的渔业安全应急处置方法，其特征在于：通过图像识别船舶实时运动轨迹，生成运动轨迹图；
将运动轨迹图与预定航线轨迹图进行比较；
通过边缘检测算法提取预定航线中的航路段；
对航路段进行聚类，提取特征值；
将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
判断偏差率是否大于预定偏差率阈值；
若大于，则生成异常轨迹数据；
将异常轨迹数据传输至平台生成应急决策。
6.根据权利要求1所述的一种基于物联网的渔业安全应急处置方法，其特征在于：还包括：
获取船舶运动轨迹，得到运动轨迹数据；
通过轨迹语义划分算法对运动轨迹进行解析，生成运动轨迹段与停留轨迹段；
利用单向距离对所有运动轨迹段进行相似性度量，得到轨迹相似度矩阵；
通过轨迹相似度矩阵获取偏离预定轨迹的运动轨迹段，生成船舶异常信息。
7.根据权利要求6所述的一种基于物联网的渔业安全应急处置方法，其特征在于：单向距离为采集的船舶运动轨迹上的轨迹点到预定轨迹点的最小距离的平均值。
8.一种基于物联网的渔业安全应急处置***，其特征在于，该***包括：存储器、处理器，所述存储器中包括基于物联网的渔业安全应急处置方法程序，所述基于物联网的渔业安全应急处置方法程序被所述处理器执行时实现如下步骤：
获取渔业船舶历史运动数据，建立常态行为模型；
采集船舶当前状态信号，生成当前运动数据；
将当前运动数据与常态行为模型进行匹配，得到偏差率；
将偏差率与预设的偏差率阈值进行比较；
若大于，则认定船舶行为异常，生成修正信息；
通过修正信息对渔业船舶运行信息进行修正。
9.根据权利要求7所述的一种基于物联网的渔业安全应急处置***，其特征在于：将当前运动数据与常态行为模型进行匹配，具体包括，
获取船舶运动轨迹，将运行轨迹分割成若干个轨迹点；
分别提取不同轨迹点的位置及速度特征，生成状态集；
通过常态行为模型获取状态集中每个数据点的相对频率，计算对应轨迹点的异常分值；
若相对频率低于预设阈值，则判定该轨迹点行为异常。
10.根据权利要求7所述的一种基于物联网的渔业安全应急处置***，其特征在于：通过图像识别船舶实时运动轨迹，生成运动轨迹图；
将运动轨迹图与预定航线轨迹图进行比较；
通过边缘检测算法提取预定航线中的航路段；
对航路段进行聚类，提取特征值；
将船舶实时运动轨迹与同一时刻预定航线的距离进行比较，得到偏差率；
判断偏差率是否大于预定偏差率阈值；
若大于，则生成异常轨迹数据；
将异常轨迹数据传输至平台生成应急决策。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328098.5A CN112464951B (zh) | 2020-11-24 | 2020-11-24 | 一种基于物联网的渔业安全应急处置***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011328098.5A CN112464951B (zh) | 2020-11-24 | 2020-11-24 | 一种基于物联网的渔业安全应急处置***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464951A true CN112464951A (zh) | 2021-03-09 |
| CN112464951B CN112464951B (zh) | 2024-01-12 |
Family
ID=74799149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011328098.5A Active CN112464951B (zh) | 2020-11-24 | 2020-11-24 | 一种基于物联网的渔业安全应急处置***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464951B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理***及方法 |
| CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪***及方法 |
| CN116227745A (zh) * | 2023-05-06 | 2023-06-06 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及*** |
Citations (7)
| 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 |
| US20170284807A1 (en) * | 2016-03-31 | 2017-10-05 | Fujitsu Limited | Computer-readable recording medium, evaluation method, and evaluation device |
| US20180188284A1 (en) * | 2016-12-29 | 2018-07-05 | BioMech Sensor LLC | Systems and methods for real-time data quantification, acquisition, analysis and feedback |
| CN108490946A (zh) * | 2018-04-13 | 2018-09-04 | 武汉理工大学 | 一种船舶动力定位控制方法 |
| CN110175633A (zh) * | 2019-04-29 | 2019-08-27 | 杭州电子科技大学 | 一种基于北斗卫星传输数据的渔船轨迹异常检测方法 |
| KR102161147B1 (ko) * | 2019-10-31 | 2020-09-29 | 한국해양과학기술원 | 이상운항 선박 식별 장치 및 방법 |
| CN111949750A (zh) * | 2020-07-30 | 2020-11-17 | 智慧航海（青岛）科技有限公司 | 一种船舶轨迹模型建立及异常轨迹检测方法 |
-
2020
- 2020-11-24 CN CN202011328098.5A patent/CN112464951B/zh active Active
Patent Citations (7)
| 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 |
| US20170284807A1 (en) * | 2016-03-31 | 2017-10-05 | Fujitsu Limited | Computer-readable recording medium, evaluation method, and evaluation device |
| US20180188284A1 (en) * | 2016-12-29 | 2018-07-05 | BioMech Sensor LLC | Systems and methods for real-time data quantification, acquisition, analysis and feedback |
| CN108490946A (zh) * | 2018-04-13 | 2018-09-04 | 武汉理工大学 | 一种船舶动力定位控制方法 |
| CN110175633A (zh) * | 2019-04-29 | 2019-08-27 | 杭州电子科技大学 | 一种基于北斗卫星传输数据的渔船轨迹异常检测方法 |
| KR102161147B1 (ko) * | 2019-10-31 | 2020-09-29 | 한국해양과학기술원 | 이상운항 선박 식별 장치 및 방법 |
| CN111949750A (zh) * | 2020-07-30 | 2020-11-17 | 智慧航海（青岛）科技有限公司 | 一种船舶轨迹模型建立及异常轨迹检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| SANG-LOK YOO ET AL.: "Safe Navigation Distance Between Marine Routes and Aquaculture Farms in South Korea Using Gaussian Mixture Model", 《SENSORS》, vol. 20, pages 1 - 15 * |
| 周世波 等: "船舶轨迹异常检测方法研究进展", 《电子测量与仪器学报》, vol. 31, no. 3, pages 329 - 337 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907107A (zh) * | 2021-03-12 | 2021-06-04 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理***及方法 |
| CN112907107B (zh) * | 2021-03-12 | 2024-01-09 | 中国水产科学研究院南海水产研究所 | 一种基于多源信息融合的渔业事故应急处理***及方法 |
| CN113341407A (zh) * | 2021-06-02 | 2021-09-03 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪***及方法 |
| CN113341407B (zh) * | 2021-06-02 | 2024-02-06 | 中国水产科学研究院南海水产研究所 | 一种基于雷达探测的渔业捕捞追踪***及方法 |
| CN116227745A (zh) * | 2023-05-06 | 2023-06-06 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及*** |
| CN116227745B (zh) * | 2023-05-06 | 2023-08-04 | 中国水产科学研究院南海水产研究所 | 一种基于大数据的涉渔船舶调查分析方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464951B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464951B (zh) | 一种基于物联网的渔业安全应急处置***及方法 | |
| CN110532889B (zh) | 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法 | |
| CN107491752B (zh) | 一种基于深度学习的自然场景中船牌文字识别方法、装置 | |
| CN111986228B (zh) | 一种基于lstm模型扶梯场景下的行人跟踪方法、装置和介质 | |
| US20220171796A1 (en) | Ship wandering detection method based on ais data | |
| Laxhammar et al. | Conformal prediction for distribution-independent anomaly detection in streaming vessel data | |
| CN108334905A (zh) | 船舶行为轨迹识别方法 | |
| CN111582380B (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
| CN104156819B (zh) | 一种重要岗位不安全行为自动观察纠偏方法及装置 | |
| CN112434566B (zh) | 客流统计方法、装置、电子设备及存储介质 | |
| CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
| CN114782897A (zh) | 基于机器视觉及深度学习的危险行为检测方法及*** | |
| CN113283653B (zh) | 一种基于机器学习和ais数据的船舶轨迹预测方法 | |
| CN115346399B (zh) | 基于相控阵雷达、ais和lstm网络的大桥防船撞预警*** | |
| CN115294804A (zh) | 一种基于船舶状态监测的海缆安全预警方法及*** | |
| CN115759033A (zh) | 一种轨迹数据的处理方法、装置及设备 | |
| CN115311617A (zh) | 城轨车站区域客流信息获取方法及*** | |
| CN113160279A (zh) | 一种地铁环境中行人异常行为检测方法及装置 | |
| CN117912301A (zh) | 一种基于孤立森林的船舶异常行为监测告警方法 | |
| Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
| CN116384597B (zh) | 基于地理信息***的渔港船舶进出港动态预测方法及*** | |
| CN115841765B (zh) | 车辆位置盲区监控方法、装置、电子设备及可读存储介质 | |
| US11954955B2 (en) | Method and system for collecting and monitoring vehicle status information | |
| CN111429701B (zh) | 报警方法、装置、设备及存储介质 | |
| CN115376037A (zh) | 一种基于视频的车站关键区域安全状态监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |