基于AIS的增强现实视频监控系统设计与实现

这是一篇关于AIS,增强现实,视频监控,目标检测,YOLO算法的论文, 主要内容为视频监控是航道船舶动态感知的主要手段之一。然而这些监控系统普遍仅能直观反映船舶航行图像,缺乏船舶目标的相关信息,如船名、航速等,大量视频仍需人工分析,监管效率低,不利于船舶安全航行。论文针对以上问题,通过AIS获取船舶的动静态信息,基于深度学习方法对视频中的船舶目标进行检测,通过建立不同坐标系下的目标匹配和绑定,对视频目标船舶叠加相关信息,实现增强现实视频监控。主要研究内容如下:(1)基于YOLO算法的船舶目标检测。针对航道中船载AIS信息延时较大,可能存在信号丢失而导致指挥失误的问题,本文通过收集内河船舶数据集,基于深度学习YOLOv5s模型实现视频船舶检测,检测精度在95%以上,在实时监控场景下,辅助航道管理部门发现船舶设备异常,提高工作人员的监管效率。(2)基于AIS的船舶目标匹配。论文针对传统航道监控能观察航运实况,但无法获取船舶身份、货物等信息;AIS数据能弥补视频缺失船舶信息,但可视化效果差的现状,先对AIS空间数据做坐标转换和插值化处理,映射到视频画面区域,同时设计匹配算法,将AIS动静态数据关联绑定到视频船舶目标,并注册叠加到视频画面中,能够在视频中实时感知船舶深度信息,实现了航道视频画面的增强现实功能,提高航运监控的智能化水平。(3)增强现实视频监控设计和应用。论文针对航道增强现实视频监控的应用以及船舶通行状态记录问题,通过对航道控制河段监控需求做总体设计,在河段旁安装摄像头,探究两种增强现实信息叠加架构,应用增强现实注册算法,在摄像头端叠加通行船舶深度信息;同时还利用图像检测数据,设计船舶通行跨线检测算法来记录船舶通行时的画面和时间;最后还设计网页和客户端来展示实时增强显示视频、船舶通行信息,实现河段监控的全覆盖。

面向控制河段通行指挥的船舶感知系统设计与实现

这是一篇关于AIS,雷达,数据融合,感知系统,通行指挥系统的论文, 主要内容为通行于长江干线上游控制河段的船舶必须按照通行信号台的指挥,有序通过。目前通行指挥系统主要是基于AIS(Automatic Identification System,自动识别系统)对船舶进行动态感知并指挥,其指挥的准确性主要受感知数据的可靠性、准确性和实时性的影响。为实现控制河段通行信号台“无人值守”的发展目标,满足通行指挥系统对船舶动态感知数据的要求,采用多源传感器数据融合的方式是提高船舶感知数据的可靠性、准确性和实时性的有效手段之一。因此,如何针对控制河段特殊的地理环境,通过开发和集成船舶感知前端设备以及融合感知数据以满足通行指挥系统的需要,对提高控制河段的船舶动态感知能力,提升通行指挥系统的鲁棒性,确保船舶安全和高效通行具有十分重要的意义。论文以长江干线控制河段智能通行指挥系统实际运行过程中存在的船舶感知手段单一,无法有效保证通行指挥系统对船舶感知数据可靠、准确和实时的需求,设计基于AIS、雷达和视频的船舶动态感知系统,着重围绕AIS接收解码终端开发、组网,雷达选型与部署,AIS和雷达数据融合等展开研究,以实现控制河段通行船舶动态的实时和可靠感知,提升通行指挥系统的鲁棒性。本文研究内容如下:(1)对基于AIS的船舶感知系统在内河山区航道中的实际应用存在的问题进行分析,提出AIS、雷达和视频多源传感器融合的解决方案,并进行总体架构设计;(2)针对商用的AIS接收终端不适宜野外部署、组网要求,无法大面积推广部署等问题。论文根据不同的使用场景下选用不同的AIS接收装置,研究开发一款低功耗、易部署、带特定功能的嵌入式AIS接收解码终端,并利用MQTT实现多个接收设备之间的组网,实现控制河段辖区内AIS接收无盲区的目标,提升AIS数据接收的可靠性;(3)针对控制河段这一特定场景,如何选择和安装雷达等问题,对雷达选型时着重关注的性能参数,安装部署时需要考虑的因素,以及如何从探测距离、扫描盲区、安装高度出发,尽可能减少外部环境对雷达探测的干扰等进行详细分析;(4)针对AIS数据和雷达数据的融合问题,开展AIS和雷达数据在时间和空间上的对齐、雷达扫描异常目标的剔除、AIS和雷达目标关联算法;以及AIS和雷达数据融合等研究工作。应用所开发的AIS接收解码终端并集成雷达后完成神背嘴控制河段船舶动态感知系统的部署。实际部署应用显示,满足“无人值守”对船舶动态感知数据的要求。

基于AIS的增强现实视频监控系统设计与实现

这是一篇关于AIS,增强现实,视频监控,目标检测,YOLO算法的论文, 主要内容为视频监控是航道船舶动态感知的主要手段之一。然而这些监控系统普遍仅能直观反映船舶航行图像,缺乏船舶目标的相关信息,如船名、航速等,大量视频仍需人工分析,监管效率低,不利于船舶安全航行。论文针对以上问题,通过AIS获取船舶的动静态信息,基于深度学习方法对视频中的船舶目标进行检测,通过建立不同坐标系下的目标匹配和绑定,对视频目标船舶叠加相关信息,实现增强现实视频监控。主要研究内容如下:(1)基于YOLO算法的船舶目标检测。针对航道中船载AIS信息延时较大,可能存在信号丢失而导致指挥失误的问题,本文通过收集内河船舶数据集,基于深度学习YOLOv5s模型实现视频船舶检测,检测精度在95%以上,在实时监控场景下,辅助航道管理部门发现船舶设备异常,提高工作人员的监管效率。(2)基于AIS的船舶目标匹配。论文针对传统航道监控能观察航运实况,但无法获取船舶身份、货物等信息;AIS数据能弥补视频缺失船舶信息,但可视化效果差的现状,先对AIS空间数据做坐标转换和插值化处理,映射到视频画面区域,同时设计匹配算法,将AIS动静态数据关联绑定到视频船舶目标,并注册叠加到视频画面中,能够在视频中实时感知船舶深度信息,实现了航道视频画面的增强现实功能,提高航运监控的智能化水平。(3)增强现实视频监控设计和应用。论文针对航道增强现实视频监控的应用以及船舶通行状态记录问题,通过对航道控制河段监控需求做总体设计,在河段旁安装摄像头,探究两种增强现实信息叠加架构,应用增强现实注册算法,在摄像头端叠加通行船舶深度信息;同时还利用图像检测数据,设计船舶通行跨线检测算法来记录船舶通行时的画面和时间;最后还设计网页和客户端来展示实时增强显示视频、船舶通行信息,实现河段监控的全覆盖。

基于AIS轨迹数据的港口船舶轨迹预测方法研究

这是一篇关于AIS,AIS-R模式,定位系统,非视距误差,港口船舶轨迹预测的论文, 主要内容为随着经济全球化的不断发展,海上交通运输逐渐成为各国进行贸易往来的主要交通方式,船舶数量、尺寸以及规模也在不断增大。港口作为海上交通运输的重要枢纽,也是水陆交通的集结点,具有船舶停泊、货物装卸、上下旅客和货物给养的重要功能,在水陆交通运输和海上交通运输领域发挥的重要作用。然而,经济发展同时,港口交通事故的发生率也随之增加,港口水域相较于普通水域航道窄小、船舶拥挤,航行环境更加复杂,提升港口水域船舶行驶的安全性成为亟待解决的问题。船舶轨迹预测能够有效减少港口水域船舶的事故率,保障船舶安全行驶,在船舶碰撞预警、船舶调度以及路径规划任务中发挥着至关重要的作用,但是港口水域AIS数据的可靠性对于轨迹预测以及船舶安全具有重要影响,如果一些非法船舶在行驶过程中故意关闭AIS设备或者发送虚假AIS信息,那么AIS岸站将无法获取船舶有效的AIS轨迹信息,进而无法有效的对港口水域的船舶执行轨迹预测、路径规划以及船舶调度等任务。为了保障港口水域船舶航行安全,本文提出了一种基于AIS(Automatic Identification System,船舶自动识别系统)轨迹数据的港口船舶预测方法,该方法主要由两个部分组成,第一,AISR模式陆基备份导航系统采用雷达定位的方式获得港口船舶真实轨迹信息,以此来确保AIS数据真实性,针对雷达定位过程中产生的非视距误差问题,提出了一种基于Dense Net的非视距误差抑制方法。第二,港口水域的船舶轨迹预测任务较为特殊,本文通过比较港口水域和普通水域的特点,提出了一种基于Bi GRUSeq2Seq的港口船舶轨迹预测模型。主要研究内容如下:(1)针对AIS-R模式陆基备份导航系统对船舶进行无线定位过程产生的非视距误差问题,本文提出了一种基于Dense Net的非视距误差抑制方法。该方法主要包括基于分组定位的特征增强方法和基于Dense Net的船舶定位模型两个部分。首先,采用最小二乘法消除由于基站硬件设备引起的线性误差值,减轻定位系统的硬件设备对定位精度的影响。然后,采用排列组合的方式将雷达系统的各个基站划分为定位基站组,并采用基于PSO(Particle Swarm Optimization,粒子群优化算法)的三边定位算法对每组基站进行初步定位。其次,通过平面直角坐标系将包含基站位置坐标、目标实际位置坐标以及目标初步定位坐标的坐标矩阵转化为二维像素矩阵,通过特征图像表达定位系统的几何位置信息,构建出特征图像数据集。最后,使用特征图像数据集训练Dense Net网络模型,训练后的模型可以有效抑制非视距误差,从而计算出较为准确的定位信息。仿真实验结果表明,在视距/非视距混合环境下,该方法优于其他基于距离的定位算法。在具有四个定位基站的海岸场景中,该算法的定位误差低于180m,能够有效提升在几何位置关系较差、基站较少以及非视距传播更严重的海岸场景下的定位精度。(2)针对港口海域航速、航向变化频繁的非平稳多变量的轨迹预测任务,本文提出了一种基于Bi GRU-Seq2Seq的港口船舶轨迹预测方法。该方法分别对船舶轨迹预测的数据预处理部分和预测模型部分进行了改进和优化,主要包括基于航速航向的船舶轨迹划分策略和基于Bi GRU-Seq2Seq的港口船舶预测模型两部分。首先,本文采用基于向量函数的运动状态插值方法将不规则时序数据转化为时间间隔相等的时序数据,解决原始数据采集时间分布不均的问题。其次,本文采用基于航速、航向的轨迹划分算法将船舶轨迹分割为直航轨迹和弯航轨迹,解决港口水域船舶轨迹航次复杂的问题。最后,采用Bi GRU-Seq2Seq模型对未来多步多变量的港口船舶进行过轨迹预测。该模型在纽约港方圆10km的AIS轨迹数据集上进行港口轨迹预测实验,证明了该模型在收敛度和预测精度上的优势。

基于深度学习的港口空间分布及船舶操纵热区探测分析研究

这是一篇关于港口识别,AIS,船舶轨迹,时序特征,船舶行为识别的论文, 主要内容为全面、准确地掌握船舶的行为模式和海上船舶操纵热点区域的空间分布情况对保障船舶安全航行和维护海洋交通秩序具有重要的现实意义。近年来,AIS(Automatic Identification System,船舶自动识别系统)系统的出现推动海洋管理迈入了数字化的时代,使实时监测船舶活动成为了可能。深入挖掘海量AIS数据所蕴含的丰富信息开展船舶活动轨迹分析,能够科学客观地捕捉船舶行为模式的规律和海上交通态势的变化。然而目前船舶活动轨迹分析还存在自动化获取港口位置不准确、AIS数据时序性特征挖掘利用不充分等问题,本文以拆解港口地理要素构成、深入探索AIS数据时空和运动学特征的应用潜力为切入点,面向全球对海洋资源监测、船舶航行安全保障和海上交通秩序管理的需求,提出一套“港口位置自动获取-船舶行为特征提取-船舶行为模式识别-海上操纵热区探测”的船舶活动轨迹分析方法,并以地中海西部为研究区开展实验。主要的研究内容和结论如下:(1)基于船舶码头聚集的港口位置获取研究。港口位置的高精度自动化获取是针对特定港口内的船舶轨迹进行分析的关键前提。针对深度学习技术识别港口目标困难的问题,本文从港口的地理要素构成为切入点,提出一套基于船舶码头聚集的港口位置获取方法,应用于地中海西部港口位置的自动化获取。该方法首先基于海岸线的遥感影像对船舶和码头目标进行识别,接着对识别框的中心点进行聚类进而获得港口空间范围和位置信息。考虑到不同模型的性能差异,利用遥感数据集对三种主流深度学习模型Faster R-CNN、YOLO v5l、Retina Net进行性能测试,确定最优模型。采用精确率、召回率作为检测模型和港口位置获取方法的评价指标。结果表明:YOLO v5l更适用于进行船舶和码头目标的检测。该方法共计获取地中海西部788个港口的空间范围和点位信息,精确率、召回率分别达到95.81%、92.64%,充分验证了本文方法的可行性。(2)基于时空和运动学特征的船舶行为特征提取研究。本文根据AIS数据中蕴含的丰富信息,提出一套基于时空和运动学特征的船舶行为特征提取方法。该方法主要从连续两个轨迹点构成的子轨迹段出发,深入挖掘AIS中的属性信息,对子轨迹段的航行时间、距离、速度、加速度等9个特征进行提取,并通过计算斯皮尔曼系数确定与船舶行为相关性较高的特征作为模型的输入数据,根据确定的特征构建船舶行为识别模型的数据集。结果表明,航行距离、时间、速度、加速度、航行角度和转向率这6个特征的斯皮尔曼相关系数绝对值介于0.21～0.65,与船舶行为的相关性较高,作为模型的输入数据。此外,将4种船舶行为(加速、正常航行、减速和停泊)作为模型的输出。最终形成包含200艘船舶的46014条行为特征数据和对应的46014条船舶行为数据的数据集。(3)顾及时序特征的船舶行为识别和海上操纵热区探测研究。根据对船舶行为特征数据二维特征和序列化的特点,本文将CNN与LSTM结合并融入注意力机制,构建了一个顾及时序特征的CNN-LSTMAT船舶行为识别模型,在船舶行为数据集上对模型与传统神经网络模型开展性能对比实验,并将本文提出的模型用于地中海西部两种典型商船的行为识别,最后基于识别结果和地理网格概念对地中海西部的船舶操纵热点区域进行了探测分析。结果表明,CNN-LSTMAT模型的F1-Score为89.45%,分别比BP、CNN、LSTM和CNN-LSTM模型高出了4.09%、3.16%、1.66%、0.99%;而CNN-LSTMAT模型的Recall为89.65%,分别比BP、CNN、LSTM和CNN-LSTM模型高出了3.79%、2.32%、1.44%、0.64%,而根据本文方法生成的地中海西部典型商船操纵热区图中的高热点区域,也与开源航线数据中地中海西部区域的主航线空间走向高度吻合。上述结果充分验证了本文提出的CNN-LSTMAT模型的高精度性和海上操纵热区探测方法的可靠性。

基于深度学习的港口空间分布及船舶操纵热区探测分析研究

这是一篇关于港口识别,AIS,船舶轨迹,时序特征,船舶行为识别的论文, 主要内容为全面、准确地掌握船舶的行为模式和海上船舶操纵热点区域的空间分布情况对保障船舶安全航行和维护海洋交通秩序具有重要的现实意义。近年来,AIS(Automatic Identification System,船舶自动识别系统)系统的出现推动海洋管理迈入了数字化的时代,使实时监测船舶活动成为了可能。深入挖掘海量AIS数据所蕴含的丰富信息开展船舶活动轨迹分析,能够科学客观地捕捉船舶行为模式的规律和海上交通态势的变化。然而目前船舶活动轨迹分析还存在自动化获取港口位置不准确、AIS数据时序性特征挖掘利用不充分等问题,本文以拆解港口地理要素构成、深入探索AIS数据时空和运动学特征的应用潜力为切入点,面向全球对海洋资源监测、船舶航行安全保障和海上交通秩序管理的需求,提出一套“港口位置自动获取-船舶行为特征提取-船舶行为模式识别-海上操纵热区探测”的船舶活动轨迹分析方法,并以地中海西部为研究区开展实验。主要的研究内容和结论如下:(1)基于船舶码头聚集的港口位置获取研究。港口位置的高精度自动化获取是针对特定港口内的船舶轨迹进行分析的关键前提。针对深度学习技术识别港口目标困难的问题,本文从港口的地理要素构成为切入点,提出一套基于船舶码头聚集的港口位置获取方法,应用于地中海西部港口位置的自动化获取。该方法首先基于海岸线的遥感影像对船舶和码头目标进行识别,接着对识别框的中心点进行聚类进而获得港口空间范围和位置信息。考虑到不同模型的性能差异,利用遥感数据集对三种主流深度学习模型Faster R-CNN、YOLO v5l、Retina Net进行性能测试,确定最优模型。采用精确率、召回率作为检测模型和港口位置获取方法的评价指标。结果表明:YOLO v5l更适用于进行船舶和码头目标的检测。该方法共计获取地中海西部788个港口的空间范围和点位信息,精确率、召回率分别达到95.81%、92.64%,充分验证了本文方法的可行性。(2)基于时空和运动学特征的船舶行为特征提取研究。本文根据AIS数据中蕴含的丰富信息,提出一套基于时空和运动学特征的船舶行为特征提取方法。该方法主要从连续两个轨迹点构成的子轨迹段出发,深入挖掘AIS中的属性信息,对子轨迹段的航行时间、距离、速度、加速度等9个特征进行提取,并通过计算斯皮尔曼系数确定与船舶行为相关性较高的特征作为模型的输入数据,根据确定的特征构建船舶行为识别模型的数据集。结果表明,航行距离、时间、速度、加速度、航行角度和转向率这6个特征的斯皮尔曼相关系数绝对值介于0.21～0.65,与船舶行为的相关性较高,作为模型的输入数据。此外,将4种船舶行为(加速、正常航行、减速和停泊)作为模型的输出。最终形成包含200艘船舶的46014条行为特征数据和对应的46014条船舶行为数据的数据集。(3)顾及时序特征的船舶行为识别和海上操纵热区探测研究。根据对船舶行为特征数据二维特征和序列化的特点,本文将CNN与LSTM结合并融入注意力机制,构建了一个顾及时序特征的CNN-LSTMAT船舶行为识别模型,在船舶行为数据集上对模型与传统神经网络模型开展性能对比实验,并将本文提出的模型用于地中海西部两种典型商船的行为识别,最后基于识别结果和地理网格概念对地中海西部的船舶操纵热点区域进行了探测分析。结果表明,CNN-LSTMAT模型的F1-Score为89.45%,分别比BP、CNN、LSTM和CNN-LSTM模型高出了4.09%、3.16%、1.66%、0.99%;而CNN-LSTMAT模型的Recall为89.65%,分别比BP、CNN、LSTM和CNN-LSTM模型高出了3.79%、2.32%、1.44%、0.64%,而根据本文方法生成的地中海西部典型商船操纵热区图中的高热点区域,也与开源航线数据中地中海西部区域的主航线空间走向高度吻合。上述结果充分验证了本文提出的CNN-LSTMAT模型的高精度性和海上操纵热区探测方法的可靠性。

基于AIS的航线规划系统研究

这是一篇关于AIS,航线规划,船舶航线段提取,船舶航线聚类的论文, 主要内容为船舶是货物运输的主要方式之一,为了提高运输效率和安全性,船舶需要进行合理的航线规划。而航线规划是一项涉及多方面因素的复杂任务,需要考虑海洋环境、船舶性能、航行规则等,其涉及知识面广、选择性和多变性强。随着船舶自动识别系统(Automatic Identification System,AIS)在船舶上的普及,通过分析AIS数据对船舶进行航线规划,能够更加符合船舶在海上的真实航行特征,并且能极大的简化航线规划对海图数据的依赖,提高航线规划的准确性和可靠性。目前使用AIS数据进行航线规划的方法,对船舶可航因素的考虑较少,并且在航线规划方面通过AIS数据提取转向点组成连通图的方式忽略了点与点之间的连续性,导致其无法获得相似轨迹的特征数据,只能通过最短路径进行航线规划,降低了轨迹规划的灵活性和准确性。本文针对以上问题提出了基于航线段的航线规划算法,在分析AIS数据之前,使用K-means++聚类算法对船舶基于可航因素进行聚类分析获得船舶的可航类型簇,并引入TRACLUS分段轨迹聚类算法提取船舶的连通航线段,并针对航线段设计其规划的目标函数,获得考虑多个维度的目标航线,在此算法的基础上,设计并实现了基于AIS的航线规划系统,具体研究内容如下:首先,分析船舶规范数据,使用K-means++算法考虑船舶的可航因素对船舶进行聚类,获得船舶的可航类型簇;通过不同可航类型簇对AIS数据进行分析,获得不同可航类型的AIS轨迹数据;并引入TRACLUS分段轨迹聚类算法对AIS轨迹数据提取连通航线段,在此算法基础之上针对其提取航线段所存在着的限制,采用修改其水平距离并二次划分的方式,对航线进行更加精细的划分,从而提高航线段提取的准确性。其次,在提取出航线段的基础上,通过考虑航程、航时、航线段热度和能耗多个维度建立基于航线段规划的目标权值函数,并进行航线规划,从而保留了航线轨迹点与点之间的连续性,提高了航线规划的灵活性和准确性。最后,将本文算法应用到实际,设计并实现了基于AIS的航线规划系统。该系统采用基于角色的访问控制(RBAC)来控制不同用户的权限,同时提供了方便的管理和检索功能。在架构层面系统前端使用Vue为主构建系统,后端采用Flask为前端供系统服务API,并采用Redis作为系统的缓存,以提高系统的性能和效率。

面向控制河段通行指挥的船舶感知系统设计与实现

这是一篇关于AIS,雷达,数据融合,感知系统,通行指挥系统的论文, 主要内容为通行于长江干线上游控制河段的船舶必须按照通行信号台的指挥,有序通过。目前通行指挥系统主要是基于AIS(Automatic Identification System,自动识别系统)对船舶进行动态感知并指挥,其指挥的准确性主要受感知数据的可靠性、准确性和实时性的影响。为实现控制河段通行信号台“无人值守”的发展目标,满足通行指挥系统对船舶动态感知数据的要求,采用多源传感器数据融合的方式是提高船舶感知数据的可靠性、准确性和实时性的有效手段之一。因此,如何针对控制河段特殊的地理环境,通过开发和集成船舶感知前端设备以及融合感知数据以满足通行指挥系统的需要,对提高控制河段的船舶动态感知能力,提升通行指挥系统的鲁棒性,确保船舶安全和高效通行具有十分重要的意义。论文以长江干线控制河段智能通行指挥系统实际运行过程中存在的船舶感知手段单一,无法有效保证通行指挥系统对船舶感知数据可靠、准确和实时的需求,设计基于AIS、雷达和视频的船舶动态感知系统,着重围绕AIS接收解码终端开发、组网,雷达选型与部署,AIS和雷达数据融合等展开研究,以实现控制河段通行船舶动态的实时和可靠感知,提升通行指挥系统的鲁棒性。本文研究内容如下:(1)对基于AIS的船舶感知系统在内河山区航道中的实际应用存在的问题进行分析,提出AIS、雷达和视频多源传感器融合的解决方案,并进行总体架构设计;(2)针对商用的AIS接收终端不适宜野外部署、组网要求,无法大面积推广部署等问题。论文根据不同的使用场景下选用不同的AIS接收装置,研究开发一款低功耗、易部署、带特定功能的嵌入式AIS接收解码终端,并利用MQTT实现多个接收设备之间的组网,实现控制河段辖区内AIS接收无盲区的目标,提升AIS数据接收的可靠性;(3)针对控制河段这一特定场景,如何选择和安装雷达等问题,对雷达选型时着重关注的性能参数,安装部署时需要考虑的因素,以及如何从探测距离、扫描盲区、安装高度出发,尽可能减少外部环境对雷达探测的干扰等进行详细分析;(4)针对AIS数据和雷达数据的融合问题,开展AIS和雷达数据在时间和空间上的对齐、雷达扫描异常目标的剔除、AIS和雷达目标关联算法;以及AIS和雷达数据融合等研究工作。应用所开发的AIS接收解码终端并集成雷达后完成神背嘴控制河段船舶动态感知系统的部署。实际部署应用显示,满足“无人值守”对船舶动态感知数据的要求。