[發明專利]一種基于人工智能的船舶檢測系統及方法

在審

• 申請號: 201910058814.3
• 申請日: 2019-01-22
• 公開（公告）號: CN109800714A
• 公開（公告）日: 2019-05-24
• 發明（設計）人: 俞永方;葉建標;李軍;沈躍忠;沈琳
• 申請（專利權）人: 浙江華是科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 杭州浙科專利事務所(普通合伙) 33213
• 代理人: 吳秉中

本發明公開了一種基于人工智能的船舶檢測系統，包括視頻幀提取與轉碼模塊、預訓練的基于ResNet68的Faster R?CNN模型、船只運動特征計算模塊和模型運算調度模塊，所述視頻幀提取與轉碼模塊獲取視頻中的圖像并轉碼供模型運算調度模塊進行后續操作；所述預訓練模型對單幀圖像進行目標檢測和分類，輸出候選框、分類結果、置信分數；所述的船只運動結果計算模塊對Faster R?CNN模型的檢測結果進行進一步篩選并計算船只速度、運動方向；所述的模型運算調度模塊分配各進程同步使用Faster R?CNN模型模型進行計算。本發明具有移植簡單、準確率高、適應極端天氣情況、可檢測航道寬度大的特點。

技術領域

本發明屬于人工智能技術應用，具體涉及一種基于人工智能的船舶檢測系統及方法。

背景技術

物體識別被廣泛應用于當下的智能監控設備中，比如較為成熟的人臉識別、車牌識別等。但是相對于固定車道的車輛識別，航道上的船舶識別就較為復雜。其難點主要在于船舶航道不固定、船只外形差異大，背景干擾多（如水面的反光、岸上的植被）、檢測范圍寬（江面檢測范圍寬達200米以上）、不同航道環境不同，這就導致傳統的圖像檢測算法很難對此給出一個普適的方法。基于人工智能的圖像檢測算法很好的克服了這一問題。

近年來，人工智能在圖形圖像領域有突出成果，隨著R-CNN（region with CNNfeatures）的提出，其開始廣泛應用于現下機器視覺系統，包括物體識別、自動分割、無人駕駛等領域。通過預先分類后選擇性搜索并使用CNNs（大型卷積神經網絡）提取特征，可以很好的檢測不同尺度、不同長寬比的目標物體，解決了船只檢測中船只外形差異大的難點。同時對于被遮擋的船只，或者雨雪天氣導致的畫面模糊也有極高的識別率。其中使用RPN神經網絡（Region Proposal Network）來提取候選檢測框作為CNNs的數據，可以大大提高處理速度。該方法稱為Faster R-CNN。

另外，網絡的深度很大程度上決定了模型的性能，更多的網絡層數，為提取更復雜的特征模式創造了可能，從而使得模型更加優秀。但是，常見網絡在加深后會出現網絡退化問題，即隨著深度增加網絡準確度趨于飽和或退化。因而在模型中，使用ResNet（深度殘差網絡）替代常見的VGG網絡，其通過殘差學習解決了深度網絡的退化問題在網絡加深的同時確保了模型的準確率。基于ResNet68的Faster R-CNN，較常用的基于VGG16模型準確率更高，能更好地使用于不同外形大小的船只視頻檢測。

綜上，對于不同航道的不同船只，使用專門訓練后的Faster R-CNN模型對監控視頻進行物體識別，相對于傳統物體識別方法具有適用范圍廣、準確率高等優勢，同時在極端情況（如雨、雪、遠距離）下都有非常好的識別表現。即使對于一些特殊的監控點位，也只需要對模型特殊訓練即可，而無需重新設計整體方案。在識別結果的基礎上，使用追蹤算法，得出每搜經過該監控點船只的速度和行駛方向等信息。通過對GPU算力的調度，使得多個模型可以同時進行計算，從而提高計算速度，以匹配船只平均運行速度，做到及時識別及時反饋。

發明內容

本發明的目的是針對傳統圖形學方法難以對航道內船只檢測的復雜情況提出普適高效算法的問題，提出一種基于人工智能的船舶檢測方法。本發明充分利用CNNs網絡在特征提取上的優勢，并輔以RPN神經網絡提供候選區域以縮短計算時間，以ResNet68替換傳統VGG16網絡增加網絡深度提高網絡準確率，最后對于檢測到的目標采用追蹤算法獲取船只速度、航行的方向等信息。其具體技術方案如下：