[发明专利]基于Yolo Backbone优化的船舶非法卸砂行为识别方法及系统

权利要求书

1.基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，包括：

帧采样：获取船舶的实时视频数据并进行帧采样；

船舶检测：基于帧采样的图像数据，使用Yolo Backbone优化的目标检测算法进行船舶检测；

ROI选择：若检测到船舶，则将检测到的船舶区域进行扩展得到ROI，在ROI中检测船舶的抓斗；

卸砂行为判定：若检测到抓斗，则通过抓斗的位置信息来判定抓斗的工作状态，并依据抓斗的工作状态判定船舶是否正在进行卸砂行为；当检测到抓斗时，将算法输出的抓斗的位置进行记录并对后续数据继续进行检测，持续记录抓斗的位置信息；若抓斗未移动，则认为船舶未进行卸砂行为；若抓斗的位置持续发生变化，则判定船舶正在进行卸砂行为；每次检测到抓斗均将抓斗的位置信息进行存储，且每隔预设帧进行一次位置比对，当连续设定次数的位置比对均发现位置存在偏移，则认为当前船舶正在进行卸砂行为；

非法卸砂行为识别：若通过视频数据以及优化后的检测算法确定此时船舶正在进行卸砂行为，则结合船舶AIS信号和手机信号来判断当前船舶进行的卸砂行为是否属于非法行为；

船舶检测算法的损失函数为中心坐标、宽高值、置信度以及分类误差的损失函数之和：

loss_point表示中心坐标的损失函数，loss_HW表示宽高值的损失函数，loss_C表示置信度的损失函数，loss_P表示分类误差的损失函数，表示第i个网格的第j个预测框boundingbox是否用来检测当前的物体，为网络输出的x预测值映射到宽度为416像素的图像中的x值，为网络输出的y预测值映射到高度为416像素的图像中的y值，stride为步长大小，G为图像中网格总数，B为一个网格中的预测框bounding box总数，resize函数为原图像大小到416*416像素图像大小的映射函数，网络输出的物体的宽高为(h,w)，物体宽高的标注值为表示第i个网格的第j个预测框bounding box的网络输出的高度预测，表示第i个网格的第j个预测框bounding box的网络输出的宽度预测，表示标注的第i个网格的第j个预测框bounding box的物体的高度值，表示标注的第i个网格的第j个预测框bounding box的物体的宽度值；

抓斗检测算法的损失函数为：

2.根据权利要求1所述基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，在进行船舶检测时，使用VGG Block结构对目标检测算法的主干网络进行优化。

3.根据权利要求1所述基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，在进行抓斗检测时，使用Dense Block结构对目标检测算法的主干网络进行优化。

4.根据权利要求1所述基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，当检测到船舶正在进行卸砂行为且手机信号存在，但未检测到该船舶的AIS信号，则判定该船舶的卸砂行为为非法卸砂行为，并发送报警信息。

5.根据权利要求1所述基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，当检测到船舶正在进行卸砂且检测到该船的AIS信号，则根据合法卸砂行为的AIS信号特点进行非法卸砂行为的识别。

6.根据权利要求1所述基于Yolo Backbone优化的船舶非法卸砂行为识别方法，其特征在于，将检测的船舶区域设置为X，图像边界设置为BORDER，则选择的ROI为：

ROI＝min(BORDER,1.5*X)。

7.基于Yolo Backbone优化的船舶非法卸砂行为识别系统，其特征在于，包括：

帧采样模块，用于获取船舶的实时视频数据并进行帧采样；

船舶检测模块，用于基于帧采样的图像数据，使用Yolo Backbone优化的目标检测算法进行船舶检测；

ROI选择模块，用于在检测到船舶时，将检测到的船舶区域进行扩展得到ROI，在ROI中检测船舶的抓斗；

卸砂行为判定模块，用于在检测到抓斗时，通过抓斗的位置信息来判定抓斗的工作状态，并依据抓斗的工作状态判定船舶是否正在进行卸砂行为；当检测到抓斗时，将算法输出的抓斗的位置进行记录并对后续数据继续进行检测，持续记录抓斗的位置信息；若抓斗未移动，则认为船舶未进行卸砂行为；若抓斗的位置持续发生变化，则判定船舶正在进行卸砂行为；每次检测到抓斗均将抓斗的位置信息进行存储，且每隔预设帧进行一次位置比对，当连续设定次数的位置比对均发现位置存在偏移，则认为当前船舶正在进行卸砂行为；

非法卸砂行为识别模块，用于在通过视频数据以及优化后的检测算法确定此时船舶正在进行卸砂行为时，结合船舶AIS信号和手机信号来判断当前船舶进行的卸砂行为是否属于非法行为。