CN114333424B - 一种桥梁防船撞监测预警*** - Google Patents
一种桥梁防船撞监测预警*** Download PDFInfo
- Publication number
- CN114333424B CN114333424B CN202111621297.XA CN202111621297A CN114333424B CN 114333424 B CN114333424 B CN 114333424B CN 202111621297 A CN202111621297 A CN 202111621297A CN 114333424 B CN114333424 B CN 114333424B
- Authority
- CN
- China
- Prior art keywords
- ship
- coordinate system
- matrix
- early warning
- radar
- 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.)
- Active
Links
Images
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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/30—Adapting or protecting infrastructure or their operation in transportation, e.g. on roads, waterways or railways
Landscapes
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种桥梁防船撞监测预警***,包括:检测子***,用于采集来往船舶的雷达信号、图像信号、北斗定位信号,获取来往船舶的动态信息;计算子***,用于根据动态信息,通过态势感知理论,预测周围发生的危险情况,并生成预警信号以及避免危险情况的导航指令;执行子***,用于根据预警信号,对来往船舶发送预警信号、导航指令,并启动桥梁被动防护装置;设计能表达多源、多维度、多尺度航道要素的数据模型,制定数据模型转换方案,分析数据几何位置特性,构建船舶碰撞桥梁等海上结构物风险理论模型,发展多源融合处理算法,实现对船舶碰撞桥梁等海上结构物进行智能预警。
Description
技术领域
本发明属于桥梁建设和桥墩保护技术领域,具体提供了一种桥梁防船撞监测预警***。
背景技术
随着现代外贸的快速发展,也带来了港口经济和水上运输事业的迅猛发展,但同时船舶与桥梁发生碰撞的恶性事故在世界范围内发生的频率也在逐年上升,因此,发展桥梁防撞***是关键。
目前国内外桥梁防撞技术主要分为两大类:第一类是被动防撞模式,采用各种柔性耗能装置,安装在桥梁外侧,当发生撞击,减轻撞击产生的作用力,降低损失;第二类是主动防撞模式,在桥区周围安装各种传感器或摄像头等电子设备,建立防撞预警***,通过监视过往船舶,进行航线预判,实现引导船舶航行,减少或避免撞击事故的发生。这些方案主要利用传感器对船舶的移动轨迹进行监控,发现危险船舶进行预警。也有如CN 113299119A、CN 112967320 A、CN 112951002 A等技术中涉及的通过分级预警、船舶的目标检测、船用雷达预警等方式来进行主动防撞。但都效果有限,存在受环境影响比较大,且无法分辩船舶的类型、大小的问题。单一的防撞方式还容易出现失误导致危险事故,无法体现预警的通用化程度,缺乏实用性。
发明内容
为了解决上述问题,本发明的目的提出一种桥梁防船撞监测预警***,基于态势感知实现复杂海洋环境下海上结构物船舶碰撞风险的感知、理解和预测,利用雷达、视觉和北斗多源数据融合,解决危险船舶智能感知识别、定位和跟踪问题,最大限度地发挥信息化集成化安全监控的优势,使得***在各种复杂海洋环境下都可以对设防区域内危险船舶进行有效监控预警。
为了实现上述技术目的,本申请提供了一种桥梁防船撞监测预警***,包括:
检测子***,用于采集来往船舶的雷达信号、图像信号、北斗定位信号,获取来往船舶的动态信息;
计算子***,用于根据动态信息,通过态势感知理论,预测周围发生的危险情况,并生成预警信号以及避免危险情况的导航指令;
执行子***,用于根据预警信号,对来往船舶发送预警信号、导航指令,并启动桥梁被动防护装置。
优选地,检测子***包括,
图像采集模块,用于采集图像信号;
毫米波雷达模块,用于采集雷达信号;
通信模块,用于采集北斗定位信号;
雷达视频融合管理模块,用于根据图像信号、雷达信号、北斗定位信号,识别来往船舶,以及获取来往船舶的动态信息。
优选地,雷达视频融合管理模块包括:
船舶识别单元,用于通过YOLO算法,识别图像信号中的来往船舶;
信号融合单元,用于将图像信号和雷达信号进行融合后,识别来往船舶。
优选地,YOLO算法为:
其中,以上公式为得出每一个框的特定类别的置信度分数。
信号融合单元的融合方法包括以下步骤:
S1.根据雷达信号生成雷达坐标系,并将雷达坐标系转换为第一世界坐标系,第一世界坐标系用于将雷达坐标系转化为世界坐标系的第一转换矩阵,其中,世界坐标系用于表示图像信号和雷达信号进行空间同步后的空间融合矩阵;
S2.将图像采集模块的视觉传感器坐标系,转换为第二世界坐标系,第二世界坐标系用于表示视觉传感器坐标系转换为世界坐标系的第二转换矩阵;
S3.根据图像信号生成图像信号坐标系,将视觉传感器坐标系转换为图像信号坐标系,获取第三转换矩阵;
S4.根据图像信号坐标系,获取图像信号坐标系转换为像素坐标系的第四转换矩阵;
S5.根据第一转换矩阵、第二转换矩阵、第三转换矩阵、第四转换矩阵,构建融合矩阵,其中,融合矩阵的表达式为:
其中,f为视觉传感器坐标系原点Oc与图像坐标系原点O1的距离,即视觉传感器的焦距;R为3×3的单位正交矩阵,且表示两个坐标系之间的旋转关系的旋转矩阵;T为两个坐标系之间的平移关系矩阵;OT为为三维零向量;M1为视觉传感器坐标系与世界坐标系的转换矩阵;(Xc,Yc,Zc)为视觉传感器坐标系里的点;图像坐标系原点O1在像素坐标系uO1v中的位置为(u0,v0);dx*dy为单个像素大小;(Xw,Yw,Zw)为世界坐标系中的点;
S6.根据采样周期,通过向下兼容的方式,对图像信号和雷达信号进行时间同步,并根据空间融合矩阵,构建融合矩阵,融合矩阵用于识别来往船舶。
优选地,毫米波雷达模块采用超宽带FMCW毫米波雷达技术,对多个目标进行监控,用于实现对通航区域内船舶的坐标位置、实时速度、目标间距、目标个数的精确检测。
优选地,计算子***包括:
船舶态势理解模块,用于根据每个来往船舶的态势要素,选取评价目标和评价指标,并进行风险评价,获取具有风险情况的第一目标船舶,其中,态势要素包括环境因素种类、碰撞类型;
船舶态势预测模块,用于根据评价目标和评价指标,获取第一目标船舶的安全状态和薄弱环节,并根据环境因素种类、碰撞类型,对第一目标船舶进行风险预测,获取第二目标船舶;
船舶风险评估模块,用于基于指数标度法的层次分析法,计算第二目标船舶的评价指标的权重和赋分,并进行二次风险评价,获取第三目标船舶;
船舶风险预测模块,用于通过设置基于关联规则Apriori算法的船撞桥场景库,对第三目标船舶进行特征匹配,获取具有危险情况的第四目标船舶,并生成预警信号和导航指令。
优选地,船舶风险预测模块还包括:
船撞桥场景库单元,用于根据船舶碰撞危险环境场景数据,进行特征归类,构建船撞桥场景库;
Apriori算法单元,用于根据第三目标船舶,通过逐层搜索的迭代方法,扫描船撞桥场景库,采集满足最小支持度的船撞桥场景库的风险项并计数,构建用于风险评价的频繁项集,并根据项集,获取第四目标船舶。
优选地,Apriori算法单元还用于根据频繁项集的先验性质,对第三目标船舶进行特征匹配,获取第四目标船舶。
优选地,执行子***还用于对AIS***发送预警信号、导航指令,并利用AIS***引导第四目标船舶进入正确航道。
优选地,AIS***还包括分布式通信网络,其中,利用MESH自组网通信技术,构建分布式通信网络;
AIS***还用于通过雷达信号、图像信号、北斗定位信号,识别违法船只,并进行抓拍取证。
本发明公开了以下技术效果:
本发明基于态势感知的概念,以桥梁等海上结构物的碰撞风险为评价指标,研究雷达、视觉、北斗等多源感知数据可靠性的分析方法和联合标定技术,研究数据融合处理和分析方法,在感知、理解和预测三个层次确定多源数据融合的安全要素,设计能表达多源、多维度、多尺度航道要素的数据模型,制定数据模型转换方案,分析数据几何位置特性,构建船舶碰撞桥梁等海上结构物风险理论模型,发展多源融合处理算法,实现对船舶碰撞桥梁等海上结构物进行智能预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所述的***结构示意图;
图2为本发明所述的***工作流程示意图;
图3为本发明所述的时间同步方法示意图。
具体实施方式
下为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1-3所示,本发明提供了一种桥梁防船撞监测预警***,包括:
检测子***,用于采集来往船舶的雷达信号、图像信号、北斗定位信号,获取来往船舶的动态信息;
计算子***,用于根据动态信息,通过态势感知理论,预测周围发生的危险情况,并生成预警信号以及避免危险情况的导航指令;
执行子***,用于根据预警信号,对来往船舶发送预警信号、导航指令,并启动桥梁被动防护装置。
进一步优选地,检测子***包括,
图像采集模块,用于采集图像信号;
毫米波雷达模块,用于采集雷达信号;
通信模块,用于采集北斗定位信号;
雷达视频融合管理模块,用于根据图像信号、雷达信号、北斗定位信号,识别来往船舶,以及获取来往船舶的动态信息。
进一步优选地,毫米波雷达模块采用超宽带FMCW毫米波雷达技术,对多个目标进行监控,用于实现对通航区域内船舶的坐标位置、实时速度、目标间距、目标个数的精确检测。
进一步优选地,计算子***包括:
船舶态势理解模块,用于根据每个来往船舶的态势要素,选取评价目标和评价指标,并进行风险评价,获取具有风险情况的第一目标船舶,其中,态势要素包括环境因素种类、碰撞类型;
船舶态势预测模块,用于根据评价目标和评价指标,获取第一目标船舶的安全状态和薄弱环节,并根据环境因素种类、碰撞类型,对第一目标船舶进行风险预测,获取第二目标船舶;
船舶风险评估模块,用于基于指数标度法的层次分析法,计算所述第二目标船舶的所述评价指标的权重和赋分,并进行二次风险评价,获取第三目标船舶;
层次分析法具体如下:
1.建立层次结构模型。将船舶风险评估中要考虑的风险因素和决策对象按其之间的关系分为最高层、中间层和最底层;
2.构造判断矩阵。再确定三个层级因素之间的权重时,要将各个因素两两比较,而按照两两比较结构构成的矩阵成为判断矩阵,即:
其中aij为因素i与因素j重要性比较结果。
3.层次单排序及其一致性检验。由于判断矩阵内的各个评价指标是根据实践经验进行赋值,会出现判断矩阵不一致的情况,因此要经过一致性判断,其判定如下:
其中λmax为判断矩阵的最大特征值;n为判断矩阵的阶数;RI为平均随机一致性指标,其具体为:
其中,式中CI为:
CI=0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重。
船舶风险预测模块,用于通过设置基于关联规则Apriori算法的船撞桥场景库,对第三目标船舶进行特征匹配,获取具有危险情况的第四目标船舶,并生成预警信号和导航指令。
进一步优选地,船舶风险预测模块还包括:
船撞桥场景库单元,用于根据船舶碰撞危险环境场景数据,进行特征归类,构建船撞桥场景库;
Apriori算法单元,用于根据第三目标船舶,通过逐层搜索的迭代方法,扫描船撞桥场景库,采集满足最小支持度的船撞桥场景库的风险项并计数,构建用于风险评价的频繁项集,并根据项集,获取第四目标船舶。
进一步优选地,Apriori算法单元还用于根据频繁项集的先验性质,对第三目标船舶进行特征匹配,获取第四目标船舶。
进一步优选地,执行子***还用于对AIS***发送预警信号、导航指令,并利用AIS***引导第四目标船舶进入正确航道。
进一步优选地,AIS***还包括分布式通信网络,其中,利用MESH自组网通信技术,构建分布式通信网络;
AIS***还用于通过雷达信号、图像信号、北斗定位信号,识别违法船只,并进行抓拍取证。
实施例1:本发明提供了一种桥梁防船撞监测预警***,包括检测子***、计算子***、执行子***,
检测子***:通过所安装的移动目标监控雷达、高清高速智能摄像机、北斗定位信息船载终端对来往船舶进行动态信息的识别和采集;
计算子***:通过数据传输接口单元、供电单元、无线高速信号传输单元、***工作站、数据存储器与控制中心管理平台将所采集到的北斗***、摄像头模块和毫米波雷达的融合数据,包括速度、距离和方向等,与碰撞危险阈值进行对比,再用态势感知的理论框架把多传感器的目标检测方法融合起来,感知周围即将发生的情况,并将结果传输给决策中心,进行决策处理;
执行子***:将对比结果以后,通过继电器模块,控制开关发出危险报警信号;并配合被动防撞***保护桥墩。
本发明提供的一种桥梁防船撞监测预警***的工作方法,包括以下步骤:
步骤一:通过摄像头模块和毫米波雷达对来往船舶进行一个识别,并且对船舶信息进行采集,即船舶的速度、距离和方向;具体如下:
利用高清摄像头对来往船舶进行捕捉,通过YOLO算法对船舶进行识别,YOLO算法将捕捉到的图片划分为S*S个网格,如果船舶中心正好落入其中一个方格,则该方格就要负责预测物体。每个单元格需要预测(B·5+C)个值,因为已经将图片划分为了S*S网格,那么最终预测值为S×S×(B·5+C)的一个张量,其中S为划分网格个数,每个网格预测B个预测边框回归和置信值,C为数据集中包含种类的个数。
每一个方格预测C个条件类别概率。只预测每一个方格上一系列的分类概率,不管B个边界框是怎么样的。通过如下面公式,
得出每一个框的特定类别的置信度分数。这些分数可反映出船舶现在一个框的可能性和预测框和物体的匹配程度。
应用超宽带FMCW毫米波雷达技术对海上多个目标进行监控,实现对通航区域内船舶的坐标位置、实时速度、目标间距、目标个数等数据的精确检测;当运动船只进入到雷达扫描范围时,雷达将扫描到的信息通过通信网络发送到后台控制中心。控制中心通过智能数学模型解算出目标的位置、距离、方位、速度等信息,将目标在卫星地图上实时显示出来,并显示其运动轨迹;同时,指挥前端摄像机自动联动跟踪运动船只,抓拍和近景识别。由于摄像头具有画面直观,技术成熟等优点,但其对周围环境较为敏感,容易受天气的影响,通过研究发现毫米波雷达对环境适应性好,距离分辨率搞,而且价格低,因此通过算法融合,将摄像头与毫米波雷达融合到一起,可更加直观有效的进行监测。通过雷达视频***(RVS通信协议),将获取的信息实时上传到雷达视频融合管理平台上,同时摄相机将会把船舶图像信息,通过RVS通信协议,实时上传到雷达视频融合管理平台上,实现对目标的实时跟踪。同时地,若有需要,可以通过融合平台的人机界面观察传感器的检测内容摄像头通过其自身的特点以及目标检测算法来检测出周围的目标物。毫米波雷达通过发射信号与接收信号来对周围物体进行检测。具体融合算法如下:
毫米波雷达与视觉传感器的融合就是时空同步的过程。
1.首先进行空间同步,即实现各个坐标的转换,假设毫米波雷达检测到前方船舶时,其径向距离为R,偏航角为α,则在世界坐标系下的坐标可通过如下公式得到:
其中L为雷达坐标系XrOrZr平面与世界坐标系XwOwZw平面的距离;Z0为雷达坐标系平面XrOrYr平面与世界坐标系XwOwYw的距离。即完成了雷达坐标系与世界坐标系的转化。
2.其次进行视觉传感器坐标系与世界坐标系的转化。假设目标船为P点在世界坐标系中的坐标为(Xw,Yw,Zw),在视觉传感器坐标系的坐标为(Xc,Yc,Zc),则由如下公式可完成转换,
其中,R为3×3的单位正交矩阵,且表示两个坐标系之间的旋转关系的旋转矩阵;T为两个坐标系之间的平移关系矩阵;OT为为三维零向量;M1为视觉传感器坐标系与世界坐标系的转换矩阵。
3.再进行视觉传感器坐标系与图像坐标系的转换。假设视觉传感器坐标系中有一点P,再视觉传感器坐标系中坐标为(Xc,Yc,Zc),P点在图像平面上的投影为P’,P’在图像坐标系的坐标为(x,y)。根据三角形相似原理,得到如下公式:
将上式转化为矩阵的形式为
即可得到视觉传感器坐标系与图像坐标系的转换关系,其中,f为视觉传感器坐标系原点Oc与图像坐标系原点O1的距离,即视觉传感器的焦距。
4.再完成图像坐标系与像素坐标系的转换。假设单个像素大小为dx*dy,图像坐标系原点O1在像素坐标系uO1v中的位置为(u0,v0),则可得到图像坐标系与像素坐标系的关系公式为,
将上式转化为矩阵的形式为
根据上述关系即达到图像坐标系与像素坐标系的转换关系。
5.最后将上述公式融合,得到世界坐标系与像素坐标系的转换关系,,公式如下,
即完成空间同步过程。
6.由于各个传感器在数据采集频率上存在差异,所以还需要进行时间同步。时间同步一般采用采样周期采取向下兼容的方式,进行时间同步。即如下图3所示。
步骤二:通过用态势感知的理论框架把多传感器的目标检测方法融合起来,感知预测周围可能会发生的情况。具体如下:
船舶的态势要素采集环节主要是进行选取评价目标和评价指标,以及环境因素种类、碰撞类型等重要态势要素,然后建立评价指标的评价体系架构;船舶的态势理解环节主要是根据态势要素采集选取评价目标和评价指标进行风险评价;船舶的态势预测环节主要是利用船舶的态势理解环节输出数据确定的***当前安全状态和薄弱环节,并且利用船舶的态势要素采集环节采集的环境因素种类、故障类型等重要态势要素进行***运行态势的风险预测。
船舶风险评估主要利用船舶数据录入模块录入的评价参数基于指数标度法的层次分析法计算各评价指标的权重以及各评价指标的赋分,进而为评价***提供基础数据;再利用录入的数据对船舶航行风险进行评价。
层次分析法具体如下:
1.建立层次结构模型。将船舶风险评估中要考虑的风险因素和决策对象按其之间的关系分为最高层、中间层和最底层。
2.构造判断矩阵。再确定三个层级因素之间的权重时,要将各个因素两两比较,而按照两两比较结构构成的矩阵成为判断矩阵,即:
其中aij为因素i与因素j重要性比较结果。表1则是基于1-9标度的层次分析法的标度含义。
表1
标度值aij | 含义 |
1 | i与j一样重要 |
3 | i比j稍微重要 |
5 | i与j明显重要 |
7 | i与j强烈重要 |
9 | i与j极端重要 |
2、4、6、8 | 重要性介于i与j之间 |
3.层次单排序及其一致性检验。由于判断矩阵内的各个评价指标是根据实践经验进行赋值,会出现判断矩阵不一致的情况,因此要经过一致性判断,其判定如下:
其中λmax为判断矩阵的最大特征值;n为判断矩阵的阶数;RI为平均随机一致性指标,其具体为:
其中,式中CI为:
CI=0,有完全的一致性;CI接近于0,有满意的一致性;CI越大,不一致越严重。
而随机一致性指标RI和判断矩阵的阶数有关,一般情况下,矩阵阶数越大,则出现一致性随机偏离的可能性也越大,其对应关系如表2:
表2
矩阵阶数 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
RI | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 |
船舶风险预测模块主要包括船撞桥场景库、在线预测信息等功能,其中船撞桥场景库是利用船舶数据录入模块录入的碰撞危险环境场景数据基于关联规则Apriori算法生成。在线预测匹配主要功能是利用实时天气信息与基于关联规则Apriori算法生成的船撞桥场景库中历史船撞桥信息进行匹配,进而对主动船撞桥风险进行预测;依据上述各功能模块分析出船舶可能发生的船撞桥风险。其中Apriori算法使用一种称为逐层搜索的迭代方法,其中k项集用于探索(k+1)项集。首先,通过扫描数据库,累计每个项的计数,并收集满足最小支持度的项,找出频繁1项集的集合。该集合记为L1。然后,使用L1找出频繁2项集的集合L2,使用L2找出L3,如此下去,直到不能再找到频繁k项集。每找出一个Lk需要一次数据库的完整扫描。Apriori算法使用频繁项集的先验性质来压缩搜索空间。一旦找出了频繁项集,就可以直接由它们产生强关联规则。产生步骤如下:
步骤三:当发现船舶自动弹出报警信息,发出声光报警,同时向海事部门AIS***发出信息,借助AIS***对危险船舶进行预警,引导船舶进入正确航道。利用MESH自组网通信技术,构建分布式通信网络,有效补充现有AIS***的缺陷;实现海上结构物和船舶北斗定位数据的共享共通。同时管理中心以抓拍取证方式监控违法船只,最大限度地减少偏航船舶的撞桥几率。接着触发控制***的危险信号,外设语音***会鸣笛警告。然后把危险信号信息通过TCP协议,传输给继电器控制子***,继电器产生应答信号,开启电磁阀。当再次使用时,可通过继电器控制界面,再次打开继电器。以配合被动防护措施。有效防止碰撞事故发生。大幅降低桥梁维护费用,用高科技手段更好地保护人民生命和财产安全,保障安全通航。
本发明公开的一种桥梁防船撞监测预警***,属于桥梁建设和桥墩保护技术领域。基于态势感知实现复杂环境下海上结构物船舶碰撞风险的感知、理解和预测,利用雷达、视觉和北斗多源数据融合,解决危险船舶智能感知识别、定位和跟踪问题,最大限度地发挥信息化集成化安全监控的优势,使得***在各种复杂海洋环境下都可以对设防区域内危险船舶进行有效监控预警。利用毫米波雷达,摄相机等多传感器,并结合态势感知框架融合,实现对控制***区域内的船舶的跟踪识别及判别报警触发条件。该***包括检测子***、计算子***和执行子***。通过所安装的一对摄像头模块和毫米波雷达对来往船舶进行动态信息的识别和采集;计算子***:所采集到的摄像头模块和毫米波雷达的融合数据,包括速度、距离和方向等,与所设定的值进行对比,并将结果传输给决策中心;执行子***:将对比结果以后,通过继电器模块,控制开关发出报警信号。本发明通过检测子***检测出船舶的航行速度、方向以及和桥墩的距离。实时获取船舶的运动轨迹并可视化;同时采用串口通信来获取毫米波雷达捕获的距离信息,实时处理发送给设备执行端,按照船舶与桥墩的距离预警。当获取的距离信息小于设定值时,***会发出预警信息,让危险船舶远离桥梁,对桥梁安全防护有积极意义。
Claims (5)
1.一种桥梁防船撞监测预警***,其特征在于,包括:
检测子***,用于采集来往船舶的雷达信号、图像信号、北斗定位信号,获取所述来往船舶的动态信息;
计算子***,用于根据所述动态信息,通过态势感知理论,预测周围发生的危险情况,并生成预警信号以及避免所述危险情况的导航指令;
执行子***,用于根据所述预警信号,对所述来往船舶发送所述预警信号、所述导航指令,并启动桥梁被动防护装置;
所述检测子***包括,
图像采集模块,用于采集所述图像信号;
毫米波雷达模块,用于采集所述雷达信号;
通信模块,用于采集所述北斗定位信号;
雷达视频融合管理模块,用于根据所述图像信号、所述雷达信号、所述北斗定位信号,识别所述来往船舶,以及获取所述来往船舶的所述动态信息;
所述雷达视频融合管理模块包括:
船舶识别单元,用于通过YOLO算法,识别所述图像信号中的所述来往船舶;
信号融合单元,用于将所述图像信号和所述雷达信号进行融合后,识别所述来往船舶;
所述YOLO算法为:
其中,根据YOLO算法得出每一个框的特定类别的置信度分数;
所述信号融合单元的融合方法包括以下步骤:
S1.根据所述雷达信号生成雷达坐标系,并将所述雷达坐标系转换为第一世界坐标系,所述第一世界坐标系用于将雷达坐标系转化为世界坐标系的第一转换矩阵,其中,所述世界坐标系用于表示所述图像信号和所述雷达信号进行空间同步后的空间融合矩阵;
S2.将所述图像采集模块的视觉传感器坐标系,转换为第二世界坐标系,所述第二世界坐标系用于表示所述视觉传感器坐标系转换为所述世界坐标系的第二转换矩阵;
S3.根据所述图像信号生成图像信号坐标系,将所述视觉传感器坐标系转换为所述图像信号坐标系,获取第三转换矩阵;
S4.根据所述图像信号坐标系,获取所述图像信号坐标系转换为像素坐标系的第四转换矩阵;
S5.根据所述第一转换矩阵、所述第二转换矩阵、所述第三转换矩阵、所述第四转换矩阵,构建所述融合矩阵,其中,所述融合矩阵的表达式为:
其中,u和v为像素坐标系的坐标;f为视觉传感器坐标系原点Oc与图像坐标系原点O1的距离,即视觉传感器的焦距;R为3×3的单位正交矩阵,且表示两个坐标系之间的旋转关系的旋转矩阵;T为两个坐标系之间的平移关系矩阵;0T为三维零向量;M1为视觉传感器坐标系与世界坐标系的转换矩阵;(Xc,Yc,Zc)为视觉传感器坐标系里的点;图像坐标系原点O1在像素坐标系uO1v中的位置为(u0,v0);dx*dy为单个像素大小;(Xw,Yw,Zw)为世界坐标系中的点;
S6.根据采样周期,通过向下兼容的方式,对所述图像信号和所述雷达信号进行时间同步,并根据所述空间融合矩阵,构建融合矩阵,所述融合矩阵用于识别所述来往船舶;
所述毫米波雷达模块采用超宽带FMCW毫米波雷达技术,对多个目标进行监控,用于实现对通航区域内船舶的坐标位置、实时速度、目标间距、目标个数的精确检测;
所述计算子***包括:
船舶态势理解模块,用于根据每个所述来往船舶的态势要素,选取评价目标和评价指标,并进行风险评价,获取具有风险情况的第一目标船舶,其中,所述态势要素包括环境因素种类、碰撞类型;
船舶态势预测模块,用于根据所述评价目标和所述评价指标,获取所述第一目标船舶的安全状态和薄弱环节,并根据所述环境因素种类、所述碰撞类型,对所述第一目标船舶进行风险预测,获取第二目标船舶;
船舶风险评估模块,用于基于指数标度法的层次分析法,计算所述第二目标船舶的所述评价指标的权重和赋分,并进行二次风险评价,获取第三目标船舶,其中,层次分析法具体如下:
建立层次结构模型:将船舶风险评估中要考虑的风险因素和决策对象按其之间的关系分为最高层、中间层和最底层;
构造判断矩阵:在确定三个层级因素之间的权重时,将各个因素两两比较,根据两两比较结果构成的矩阵生成判断矩阵,即:
其中aij为因素i与因素j重要性比较结果;
层次单排序及其一致性检验:一致性判断的过程如下:
其中λmax为判断矩阵的最大特征值;n为判断矩阵的阶数;RI为平均随机一致性指标,其具体为:
其中,式中CI为:
船舶风险预测模块,用于通过设置基于关联规则Apriori算法的船撞桥场景库,对所述第三目标船舶进行特征匹配,获取具有所述危险情况的第四目标船舶,并生成所述预警信号和所述导航指令。
2.根据权利要求1所述一种桥梁防船撞监测预警***,其特征在于:
所述船舶风险预测模块还包括:
船撞桥场景库单元,用于根据船舶碰撞危险环境场景数据,进行特征归类,构建所述船撞桥场景库;
Apriori算法单元,用于根据所述第三目标船舶,通过逐层搜索的迭代方法,扫描所述船撞桥场景库,采集满足最小支持度的所述船撞桥场景库的风险项并计数,构建用于风险评价的频繁项集,并根据所述项集,获取所述第四目标船舶。
3.根据权利要求2所述一种桥梁防船撞监测预警***,其特征在于:
所述Apriori算法单元还用于根据所述频繁项集的先验性质,对所述第三目标船舶进行特征匹配,获取所述第四目标船舶。
4.根据权利要求3所述一种桥梁防船撞监测预警***,其特征在于:
所述执行子***还用于对AIS***发送所述预警信号、所述导航指令,并利用所述AIS***引导所述第四目标船舶进入正确航道。
5.根据权利要求4所述一种桥梁防船撞监测预警***,其特征在于:
所述AIS***还包括分布式通信网络,其中,利用MESH自组网通信技术,构建所述分布式通信网络;
所述AIS***还用于通过所述雷达信号、所述图像信号、所述北斗定位信号,识别违法船只,并进行抓拍取证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111621297.XA CN114333424B (zh) | 2021-12-28 | 2021-12-28 | 一种桥梁防船撞监测预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111621297.XA CN114333424B (zh) | 2021-12-28 | 2021-12-28 | 一种桥梁防船撞监测预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114333424A CN114333424A (zh) | 2022-04-12 |
CN114333424B true CN114333424B (zh) | 2023-06-23 |
Family
ID=81015195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111621297.XA Active CN114333424B (zh) | 2021-12-28 | 2021-12-28 | 一种桥梁防船撞监测预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114333424B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115198700A (zh) * | 2022-08-02 | 2022-10-18 | 宁波大学 | 一种通过水面下气囊实现防护桥梁的方法、***及装置 |
CN117115704B (zh) * | 2023-08-03 | 2024-04-02 | 武汉理工大学 | 一种基于多传感器融合的海洋搜救***及方法 |
CN116913134B (zh) * | 2023-09-13 | 2023-11-14 | 交通运输部水运科学研究所 | 监控海上风电场与船舶之间距离的方法、电子设备 |
CN117554964B (zh) * | 2024-01-11 | 2024-04-02 | 武汉力拓桥科防撞设施有限公司 | 一种基于计算机视觉的桥梁防撞预警方法及*** |
CN118008729B (zh) * | 2024-04-08 | 2024-06-25 | 江苏海龙风电科技股份有限公司 | 一种基于北斗的海上风机结构状态监控方法及*** |
CN118186996A (zh) * | 2024-05-14 | 2024-06-14 | 山东大学 | 桥墩多级柔性防撞装置、智能感知防撞***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580580A (zh) * | 2019-09-02 | 2019-12-17 | 长沙理工大学 | 一种基于模糊层次分析法的桥梁挂篮施工风险评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9036861B2 (en) * | 2010-04-22 | 2015-05-19 | The University Of North Carolina At Charlotte | Method and system for remotely inspecting bridges and other structures |
CN103714718B (zh) * | 2013-12-31 | 2016-01-13 | 武汉理工大学 | 一种内河桥区船舶安全航行预控*** |
KR102476252B1 (ko) * | 2015-09-14 | 2022-12-09 | 대우조선해양 주식회사 | 가상 선교 시스템 및 그의 제어방법 |
CN110208803B (zh) * | 2019-05-24 | 2021-04-06 | 中铁大桥科学研究院有限公司 | 桥梁处船舶防撞雷达监测识别方法 |
CN111225189B (zh) * | 2020-01-17 | 2021-03-26 | 同济大学 | 中小型航道桥梁监控装置 |
CN111951610B (zh) * | 2020-08-31 | 2021-09-28 | 上海海事大学 | 一种船-桥避碰主动防撞智能预警***及方法 |
-
2021
- 2021-12-28 CN CN202111621297.XA patent/CN114333424B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110580580A (zh) * | 2019-09-02 | 2019-12-17 | 长沙理工大学 | 一种基于模糊层次分析法的桥梁挂篮施工风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114333424A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114333424B (zh) | 一种桥梁防船撞监测预警*** | |
Chen et al. | Video‐Based Detection Infrastructure Enhancement for Automated Ship Recognition and Behavior Analysis | |
CN107818326A (zh) | 一种基于场景多维特征的船只检测方法及*** | |
CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和*** | |
CN111899568B (zh) | 桥梁防撞预警***、方法、装置和存储介质 | |
Yang et al. | Deep learning‐based bolt loosening detection for wind turbine towers | |
CN112766221B (zh) | 基于船舶方向和位置多任务的sar图像船舶目标检测方法 | |
Qu et al. | Improving maritime traffic surveillance in inland waterways using the robust fusion of AIS and visual data | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
CN108061572A (zh) | 一种海洋核动力平台综合态势显控***及方法 | |
Zhang et al. | A warning framework for avoiding vessel‐bridge and vessel‐vessel collisions based on generative adversarial and dual‐task networks | |
CN117372875A (zh) | 一种航空遥感目标识别方法 | |
CN117523420B (zh) | 一种基于雷达产品数据的闪电落区识别方法及*** | |
CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
Huang et al. | Structural defect detection technology of transmission line damper based on UAV image | |
Kong et al. | Lightweight algorithm for multi-scale ship detection based on high-resolution SAR images | |
Zou et al. | Sonar Image Target Detection for Underwater Communication System Based on Deep Neural Network. | |
CN115410102A (zh) | 基于联合注意力机制的sar图像飞机目标检测方法 | |
Ding et al. | A novel deep learning framework for detecting seafarer’s unsafe behavior | |
Xu et al. | An overview of robust maritime situation awareness methods | |
Ding et al. | A robust assessment of inland waterway collision risk based on AIS and visual data fusion | |
CN116597693B (zh) | 一种内河航运监控***及方法 | |
Ma et al. | UAV Target Tracking and Detection Based on Faster R-CNN Improved Networks | |
Zhang et al. | Research on the failure modes of autonomous navigation equipment based on the improved expert evaluation method | |
CN115100741B (zh) | 一种点云行人距离风险检测方法、***、设备和介质 |
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 |