CN114881336A - 自动标示虚拟航标方法、***、计算机设备及存储介质 - Google Patents
自动标示虚拟航标方法、***、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114881336A CN114881336A CN202210537775.7A CN202210537775A CN114881336A CN 114881336 A CN114881336 A CN 114881336A CN 202210537775 A CN202210537775 A CN 202210537775A CN 114881336 A CN114881336 A CN 114881336A
- Authority
- CN
- China
- Prior art keywords
- ship
- image data
- image
- data
- position information
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/937—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of marine craft
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/50—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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Ocean & Marine Engineering (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种自动标示虚拟航标方法、***、计算机设备及存储介质,其技术方案要点是:获取监控区域内的图像数据和监控区域内的雷达数据;根据图像数据判断监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据雷达数据得到该船舶的第一位置信息;将船名信息和第一位置信息与接收到的所有船舶AI S数据进行比对,在所有船舶AI S数据中没有找到船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标;本申请具有自动生成虚拟航标,便于航行船舶进行调度,船舶重新规划路线,减少船舶相撞风险的效果。
Description
技术领域
本发明涉及水上交通助航技术领域,更具体地说,它涉及一种自动标示虚拟航标方法、***、计算机设备及存储介质。
背景技术
航标是助航标志的简称,指标示航道方向、界限与碍航物的标志,也叫信号浮标。包括过河标、沿岸标、导标、过渡导标、首尾导标、侧面标、左右通航标、示位标、泛滥标和桥涵标等,这些都是实体航标,是帮助引导船舶航行、定位和标示碍航物与表示警告的人工标志。而虚拟航标是指物理上不存在,由经授权的助航服务提供部门发布能在导航***中显示的数字信息物标,虚拟航标总能综合应用了计算机技术、电子海图技术、AIS技术和GPS卫星导航技术等先进的现代高科技技术。
目前在实际航行的过程中,会出现船舶未安装AIS***、未打开AIS***或船舶的AIS***出现故障的情况,此时,AIS基站不会接收到船舶发送的AIS数据,难以判断船舶的位置,从而影响对航行船舶的调度,因此,还有待改进。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种自动标示虚拟航标方法、***、计算机设备及存储介质,具有自动生成虚拟航标,便于航行船舶重新规划路线,减少船舶相撞风险功能优点。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种自动标示虚拟航标方法,包括:
获取监控区域内的图像数据和监控区域内的雷达数据;
根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
可选的,所述根据所述图像数据判断所述监控区域内是否有船舶,包括:
对所述图像数据进行图像预处理;
利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
可选的,所述根据所述图像数据判断所述监控区域内是否有船舶,具体包括:
计算经过图像预处理的图像数据的卷积特征图;
采用RPN对所述卷积特征图进行处理得到预测框;
采用RoI Pooling对每个预测框提取特征;
根据提取的特征进行分类,以判断是否有船舶。
可选的,所述对所述图像数据进行图像预处理,包括:
通过基于局部像素的重采样线性算法缩放图像;
将图像处理为预设的尺寸。
可选的,还包括:
对所述图像数据进行分析判断所述监控区域内是否有异常事件;
在有异常事件的情况下,根据所述雷达数据得到所述异常事件发生地的第二位置信息;
根据所述第二位置信息在电子海图上生成虚拟事件航标。
可选的,所述异常事件包括:落水事件、碰撞事件、危险物事件、灾害事件和坍塌事件。
一种自动标示虚拟航标***,包括:
数据获取模块,用于获取监控区域内的图像数据和监控区域内的雷达数据;
数据处理模块,用于根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
航标生成模块,用于将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
可选的,所述数据处理模块包括:
第一处理单元,用于对所述图像数据进行图像预处理;
第二处理单元,用于利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
综上所述,本发明具有以下有益效果:在有船舶未安装AIS***、未打开AIS***或船舶的AIS***出现故障的情况下,能够识别出该船舶的船名信息,通过预先设置在监控区域内的雷达获取监控区域内的雷达数据,以得到该船舶的第一位置信息,根据该船舶的船名信息和第一位置信息生成船舶虚拟航标,便于其余航行的船舶知悉该船舶的位置,从而便于其余船舶重新规划路线,避免其余船舶与该船舶相撞。
附图说明
图1是本发明提供的自动标示虚拟航标方法的流程示意图;
图2是本发明提供的自动标示虚拟航标***的结构框图;
图3是本发明实施例中计算机设备的内部结构图。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。
在本发明中,除非另有明确的规定和限定,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。
下面结合附图和实施例,对本发明进行详细描述。
本发明提供了一种自动标示虚拟航标方法,如图1所示,包括:
步骤100、获取监控区域内的图像数据和监控区域内的雷达数据;
步骤200、根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息,其中,所述船舶可以为有人船、无人船等,在其他实施例中还能根据所述图像数据判断所述监控区域内是否有漂浮危险物、水面垃圾等;
步骤300、将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
在实际应用中,岸基上通常会设置有AIS基站,用于接收船舶发送的信号,在水上航行的船舶通常会安装AIS***,用于向AIS基站发送信号,但是,在船舶未安装AIS***、未打开AIS***或船舶的AIS***出现故障的情况下,AIS基站未接收到船舶发送的AIS数据,难以判断该船舶的位置,从而影响对航行船舶的调度,本申请可以通过CCTV获取海上、河上或湖上等水上的图像数据,能够在监控区域内预先设置CCTV,以获取监控区域内的图像数据,从而判断监控区域内是否有船舶,在有船舶的情况下,则判断AIS基站接收到的所有AIS数据中是否有该船舶发送的AIS数据,若没有,则判定该船舶未安装AIS***、未打开AIS***或船舶的AIS***出现故障,通过对图像的文字识别技术识别出该船舶的船名信息,然后通过预先设置在监控区域内的雷达获取监控区域内的雷达数据,以得到该船舶的第一位置信息,根据该船舶的船名信息和第一位置信息生成船舶虚拟航标,便于其余航行的船舶知悉该船舶的位置,从而便于其余船舶重新规划路线,避免其余船舶与该船舶相撞。
进一步地,所述根据所述图像数据判断所述监控区域内是否有船舶,包括:
对所述图像数据进行图像预处理;具体地,对图像数据进行图像预处理,便于深度卷积神经网络的目标检测算法对其进行检测。
利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN(Region Proposal Network,区域建议网络)和Fast R-CNN(Region-based Convolutional Neural Networks,基于区域的卷积神经网络),其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
进一步地,所述根据所述图像数据判断所述监控区域内是否有船舶,具体包括:
计算经过图像预处理的图像数据的卷积特征图;
采用RPN对所述卷积特征图进行处理得到预测框;
采用RoI Pooling(Region of interest pooling,感兴趣区域池化)对每个预测框提取特征;
根据提取的特征进行分类,以判断是否有船舶。
具体地,在对经过图像预处理的图像数据进行判断之前,还需要采集大量的包含有船舶的水上图像数据以及未包含有船舶的水上图像数据,并将两者作为训练数据。
进一步地,所述对所述图像数据进行图像预处理,包括:
通过基于局部像素的重采样线性算法缩放图像,将图像处理为预设的尺寸。具体地,通过基于局部像素的重采样线性算法缩放图像,保证了图像的清晰度。
进一步地,还包括:
对所述图像数据进行分析判断所述监控区域内是否有异常事件,其中,所述异常事件包括:落水事件、碰撞事件、危险物事件、灾害事件和坍塌事件;在该步骤中也是先对图像数据进行通过基于局部像素的重采样线性算法缩放图像,将图像处理为预设的尺寸;通过基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,以检测监控区域内是否有异常事件,然后判断该异常事件是落水事件、碰撞事件、危险物事件、灾害事件或坍塌事件。
在有异常事件的情况下,根据所述雷达数据得到所述异常事件发生地的第二位置信息;
根据所述第二位置信息在电子海图上生成虚拟事件航标。
在实际应用中,船舶航行时,可能还会发生人员落水,石油泄漏,海啸,赤潮,风暴潮,水上建筑物坍塌等异常事件,在发生落水事件的情况下,能够在电子海图上生成该落水事件的虚拟事件航标,便于附近的船舶朝向虚拟事件航标处航行,以对落水人员进行救援,在发生石油泄漏、海啸、赤潮、风暴潮或水上建筑物坍塌事件的情况下,在电子海图上生成石油泄漏、海啸、赤潮、风暴潮或水上建筑物坍塌事件的虚拟事件航标,以便于正在航行的船舶避开石油泄漏、海啸、赤潮、风暴潮或水上建筑物坍塌事件的虚拟事件航标,进而重新规划航行路线。
本发明的自动标示虚拟航标方法,在有船舶未安装AIS***、未打开AIS***或船舶的AIS***出现故障的情况下,能够识别出该船舶的船名信息,通过预先设置在监控区域内的雷达获取监控区域内的雷达数据,以得到该船舶的第一位置信息,根据该船舶的船名信息和第一位置信息生成船舶虚拟航标,便于其余航行的船舶知悉该船舶的位置,从而便于其余船舶重新规划路线,避免其余船舶与该船舶相撞。
如图2所示,本发明还提供了一种自动标示虚拟航标***,包括:
数据获取模块10,用于获取监控区域内的图像数据和监控区域内的雷达数据;
数据处理模块20,用于根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
航标生成模块30,用于将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
进一步地,所述数据处理模块20包括:
第一处理单元,用于对所述图像数据进行图像预处理;
第二处理单元,用于利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
关于一种自动标示虚拟航标***的具体限定可以参见上文中对于一种自动标示虚拟航标方法的限定,在此不再赘述。上述一种自动标示虚拟航标***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种自动标示虚拟航标方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取监控区域内的图像数据和监控区域内的雷达数据;
根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
在一个实施例中,所述根据所述图像数据判断所述监控区域内是否有船舶,包括:
对所述图像数据进行图像预处理;
利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
在一个实施例中,所述根据所述图像数据判断所述监控区域内是否有船舶,具体包括:
计算经过图像预处理的图像数据的卷积特征图;
采用RPN对所述卷积特征图进行处理得到预测框;
采用RoI Pooling对每个预测框提取特征;
根据提取的特征进行分类,以判断是否有船舶。
在一个实施例中,所述对所述图像数据进行图像预处理,包括:
通过基于局部像素的重采样线性算法缩放图像;
将图像处理为预设的尺寸。
在一个实施例中,还包括:
对所述图像数据进行分析判断所述监控区域内是否有异常事件;
在有异常事件的情况下,根据所述雷达数据得到所述异常事件发生地的第二位置信息;
根据所述第二位置信息在电子海图上生成虚拟事件航标。
在一个实施例中,所述异常事件包括:落水事件、碰撞事件、危险物事件、灾害事件和坍塌事件。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取监控区域内的图像数据和监控区域内的雷达数据;
根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
在一个实施例中,所述根据所述图像数据判断所述监控区域内是否有船舶,包括:
对所述图像数据进行图像预处理;
利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
在一个实施例中,所述根据所述图像数据判断所述监控区域内是否有船舶,具体包括:
计算经过图像预处理的图像数据的卷积特征图;
采用RPN对所述卷积特征图进行处理得到预测框;
采用RoI Pooling对每个预测框提取特征;
根据提取的特征进行分类,以判断是否有船舶。
在一个实施例中,所述对所述图像数据进行图像预处理,包括:
通过基于局部像素的重采样线性算法缩放图像;
将图像处理为预设的尺寸。
在一个实施例中,还包括:
对所述图像数据进行分析判断所述监控区域内是否有异常事件;
在有异常事件的情况下,根据所述雷达数据得到所述异常事件发生地的第二位置信息;
根据所述第二位置信息在电子海图上生成虚拟事件航标。
在一个实施例中,所述异常事件包括:落水事件、碰撞事件、危险物事件、灾害事件和坍塌事件。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
Claims (10)
1.一种自动标示虚拟航标方法,其特征在于,包括:
获取监控区域内的图像数据和监控区域内的雷达数据;
根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
2.根据权利要求1所述的自动标示虚拟航标方法,其特征在于,所述根据所述图像数据判断所述监控区域内是否有船舶,包括:
对所述图像数据进行图像预处理;
利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
3.根据权利要求2所述的自动标示虚拟航标方法,其特征在于,所述根据所述图像数据判断所述监控区域内是否有船舶,具体包括:
计算经过图像预处理的图像数据的卷积特征图;
采用RPN对所述卷积特征图进行处理得到预测框;
采用RoI Pooling对每个预测框提取特征;
根据提取的特征进行分类,以判断是否有船舶。
4.根据权利要求2所述的自动标示虚拟航标方法,其特征在于,所述对所述图像数据进行图像预处理,包括:
通过基于局部像素的重采样线性算法缩放图像;
将图像处理为预设的尺寸。
5.根据权利要求1所述的自动标示虚拟航标方法,其特征在于,还包括:
对所述图像数据进行分析判断所述监控区域内是否有异常事件;
在有异常事件的情况下,根据所述雷达数据得到所述异常事件发生地的第二位置信息;
根据所述第二位置信息在电子海图上生成虚拟事件航标。
6.根据权利要求5所述的自动标示虚拟航标方法,其特征在于,所述异常事件包括:落水事件、碰撞事件、危险物事件、灾害事件和坍塌事件。
7.一种自动标示虚拟航标***,其特征在于,包括:
数据获取模块,用于获取监控区域内的图像数据和监控区域内的雷达数据;
数据处理模块,用于根据所述图像数据判断所述监控区域内是否有船舶,在有船舶的情况下,对该船舶进行图像识别得到船名信息,根据所述雷达数据得到该船舶的第一位置信息;
航标生成模块,用于将所述船名信息和第一位置信息与接收到的所有船舶AIS数据进行比对,在所有船舶AIS数据中没有找到所述船名信息和第一位置信息的情况下,则根据该船舶的船名信息和第一位置信息在电子海图上生成船舶虚拟航标。
8.根据权利要求7所述的自动标示虚拟航标***,其特征在于,所述数据处理模块包括:
第一处理单元,用于对所述图像数据进行图像预处理;
第二处理单元,用于利用基于深度卷积神经网络的目标检测算法处理经过图像预处理的图像数据,所述深度卷积神经网络的目标检测算法的网络结构包括:RPN和Fast R-CNN,其中,所述RPN用于预测经过图形预处理的图像数据中可能包含船舶的预测区域,输出可能包含船舶的预测框,所述Fast R-CNN用于分类所述预测区域,并修正所述预测区域的边界框。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537775.7A CN114881336A (zh) | 2022-05-17 | 2022-05-17 | 自动标示虚拟航标方法、***、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210537775.7A CN114881336A (zh) | 2022-05-17 | 2022-05-17 | 自动标示虚拟航标方法、***、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881336A true CN114881336A (zh) | 2022-08-09 |
Family
ID=82675816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210537775.7A Pending CN114881336A (zh) | 2022-05-17 | 2022-05-17 | 自动标示虚拟航标方法、***、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881336A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429118A (zh) * | 2023-06-15 | 2023-07-14 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116682286A (zh) * | 2023-07-31 | 2023-09-01 | 厦门求同信息科技有限公司 | 一种基于海上目标检测的船舶预警方法及*** |
-
2022
- 2022-05-17 CN CN202210537775.7A patent/CN114881336A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116429118A (zh) * | 2023-06-15 | 2023-07-14 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116429118B (zh) * | 2023-06-15 | 2023-10-27 | 中国水产科学研究院南海水产研究所 | 一种基于物联网的渔船安全生产监管方法及*** |
CN116682286A (zh) * | 2023-07-31 | 2023-09-01 | 厦门求同信息科技有限公司 | 一种基于海上目标检测的船舶预警方法及*** |
CN116682286B (zh) * | 2023-07-31 | 2023-09-29 | 厦门求同信息科技有限公司 | 一种基于海上目标检测的船舶预警方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881336A (zh) | 自动标示虚拟航标方法、***、计算机设备及存储介质 | |
CN112017478B (zh) | 桥梁监测防撞预警方法、***、计算机设备及存储介质 | |
CN113361942A (zh) | 海上船舶指挥调度方法、***、计算机设备及存储介质 | |
CN109817023B (zh) | 一种海缆水域ais目标检测方法 | |
CN113811830B (zh) | 轨迹预测方法、装置、计算机设备和存储介质 | |
CN104916166A (zh) | 一种桥梁防撞预警***及实现方法 | |
CN112133131A (zh) | 船舶偏航预警方法、***、计算机设备及存储介质 | |
CN115410420B (zh) | 一种船舶安全航行管理方法和*** | |
CN111935446B (zh) | 基于区块链的船舶监测方法、装置、监测***和设备 | |
CN111696388A (zh) | 桥梁防撞监测预警方法、***、计算机设备及存储介质 | |
CN113762141A (zh) | 智能视频识别预警方法、***、计算机设备及存储介质 | |
CN110069582B (zh) | 船舶抛锚区域确定方法、装置、设备及存储介质 | |
EP3957122A1 (en) | Marine data collection for marine artificial intelligence systems | |
CN113345270A (zh) | 海上风电场通讯调度指挥方法、***、设备及存储介质 | |
CN111985363B (zh) | 一种基于深度学习框架的船舶名称识别***及方法 | |
CN116385984B (zh) | 船舶吃水深度的自动检测方法和装置 | |
CN112084971A (zh) | 船舶卡口检测方法、***、计算机设备及存储介质 | |
CN111932945A (zh) | 水上截面线的通过流量确认方法、装置和计算机设备 | |
CN116402846A (zh) | 一种基于ais大数据的内河航道船舶态势分析预测方法 | |
CN116384597B (zh) | 基于地理信息***的渔港船舶进出港动态预测方法及*** | |
CN116630907A (zh) | 一种基于遥感的船舶航行数字孪生方法、***、终端及存储介质 | |
CN111858724A (zh) | 一种航道监测方法、***、计算机设备及存储介质 | |
CN113077658B (zh) | 流域管理方法、***、计算机设备及存储介质 | |
CN113257040B (zh) | 内河交通安全标志监控方法、***、计算机设备及存储介质 | |
CN112686106A (zh) | 一种视频图像转海事雷达图像的方法 |
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 |