渔船行为分类识别报警方法、设备及存储介质

1.本发明涉及智能识别系统技术领域，尤其是涉及一种基于船舶自动识别系统的渔船行为智能分类识别报警方法。


背景技术：

2.近年来，随着我国加快建设海洋强国及全球海洋经济重心下移，用于获取海洋信息、资源、能源的海底基础设施逐渐增多，其中包括海底广域观测网、水下油气生产系统、海洋能发电装备等。这些海底设施建设和运维成本很高，但面临被各类船舶拖网、抛锚、拖锚损坏的风险。其中，渔船船型相对较小，种类较多，捕捞工作行动各异，相比其他类型的船舶抛锚行为更为频繁。抛锚与拖锚破坏海底设施，切断海底光电缆，不仅造成极大的经济损失，同时也可能给海域生态安全带来威胁。因此，识别渔船风险行为，对渔船风险行为进行及时预警，是降低海底基础设施运行风险的有效手段。然而，现有渔船分类识别程序，通常只能分类识别渔船的捕捞类别，而无法识别渔船的行为状态，因此无法为保障海底基础设施运行安全提供足够的技术支撑。


技术实现要素：

3.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于船舶自动识别系统的渔船行为智能分类识别报警方法。
4.本发明的目的可以通过以下技术方案来实现：
5.作为本发明的第一方面，提供一种渔船行为分类识别报警方法，包括以下步骤：
6.获取渔船数据；
7.对获取数据进行预处理；
8.对预处理后的数据进行特征工程，提取统计特征；所述特征工程对象包括船舶速度特征、船舶航向特征和经纬度特征；
9.根据特征工程中提取到的统计特征，进行渔船行为识别，所述渔船行为识别包括锚定、转向和直行；
10.根据特征工程中提取到的统计特征，通过lightgbm模型对渔船轨迹特征进行分类；
11.将设定时间内频繁转向和直行的记录时段标记，根据标记时段的渔船轨迹特征，确定渔船种类；
12.输出渔船种类以及渔船行为状态的分类识别结果；
13.判断渔船抛锚与拖锚行为是否出现在存在海底设施的范围内，若是发出警报。
14.进一步的，所述渔船数据格式采用csv格式；识别报警前后所述csv格式文件的原渔船数据对应不变。
15.进一步的，所述预处理包括：统一为浮点数类型；速度、方向保留一位小数；经纬度保留设定位数的小数；以连续的设定天数为单位分割数据集；转化为one-hot标签。
16.进一步的，所述特征工程中：
17.所述船舶速度特征包括：速度的偏度与峰度；
18.所述经纬度特征包括：经纬度的偏度、峰度、众数以及锚点、锚点个数与停船率。
19.进一步的，所述渔船的行为识别具体步骤为：
20.将速度、速度的一阶差分的绝对值和经纬度的一阶差分绝对值的取值均小于阈值的记录点标注为锚定；对于速度、速度的一阶差分的绝对值和经纬度的一阶差分绝对值的取值均大于阈值的记录点，将方向的一阶差分的绝对值小于阈值的记录点标注为转向，否则标注为直行。
21.进一步的，所述渔船抛锚与拖锚行为判断具体过程如下：
22.若渔船行为识别为锚定，则为判定渔船进行抛锚行为，若渔船被判定为锚定后仍长时间存在速度特征则判定渔船进行拖锚行为。
23.进一步的，若经过经纬度比较与渔船行为状态确认，渔船在存在海底设施海域而未进行抛锚、拖锚等行为，则发出安全提示。
24.进一步的，所述渔船行为分类识别报警方法在进行识别报警前，输入训练数据进行预训练；
25.在识别报警后，输出训练结果与识别报警结果的p-r曲线，对识别准确率进行检测。
26.作为本发明的第二方面，提供一种电子设备，包括：
27.一个或多个处理器；
28.存储器，用于存储一个或多个程序；
29.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的渔船行为分类识别方法。
30.作为本发明的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述渔船行为分类识别方法的步骤。
31.与现有技术相比，本发明具有以下有益效果：
32.本发明提供一种基于船舶自动识别系统的渔船行为智能分类识别方法，利用渔船的经纬度、航向航速等船舶自动识别系统数据，对渔船进行种类分类识别，并实时判断渔船的行进状态。面对可能造成海底设施损坏的渔船抛锚、拖锚行进等行为，行为分类识别系统将进行报警，提醒用户注意，及时对渔船进行警告驱离，可有效减少海底设施受损问题。
附图说明
33.图1为本发明基于船舶自动识别系统的渔船行为分类识别报警方法的流程图；
34.图2为渔船航速分布差异示意图；
35.图3为渔船航向分布差异示意图；
36.图4为渔船作业经度分布差异示意图；
37.图5为渔船作业纬度分布差异示意图；
38.图6为本发明的轨迹特征提取算法示意图；
39.图7为本发明提供的示例性实施例示出的电子设备的示意图。
具体实施方式
40.下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
41.实施例1：
42.一种基于船舶自动识别系统的渔船行为智能分类识别报警方法，其特征在于，包括以下步骤：
43.s01在训练集中放入符合程序接收格式的训练数据；
44.s02在测试集中放入进行行为分类识别的符合程序接收格式的渔船数据；
45.s03利用pandas中的dataframe工具预处理原始csv(microsoft excel逗号分隔值文件，以下简称csv文件)时间序列数据，包括：统一为浮点数类型；速度、方向保留一位小数；经纬度保留4位小数；以连续4天位单位分割数据集；转化为one-hot标签；
46.s04在各dataframe的基础上进行特征工程，提取锚点及速度、方向、经纬度的均值、方差、分位数等统计特征；具体过程如下：
47.1)船舶速度特征工程构建
48.渔船速度分布的箱型图如图2所示。图中横轴为渔船作业类型(type)，纵轴为航速(speed)的整体分布。箱型图由一组数据的下限值、下四分位数、中位数、上四分位数和上限值组成。其中，位于下限值和上限值之外的数据值视为异常值。由图可知，轨迹数据中存在数据异常值，说明速度信息中存在噪声。此外，拖网渔船作业速度一般为2～6节，自由航速为8～10节。通常情况下，拖网作业通过渔船的航行来带动网具的移动，航速变化一般比较平稳。而张网渔船作业航速为0～8节,航行时速度为9节左右。拖网和张网之间的速度数据差异体现在上限值和上四分位数方面。围网渔船作业时速度较快，以便围捕游速较快的中上层鱼类。拖网和张网的下四分位数与围网的中位数接近。刺网渔船作业速度为1～2节,航行速度为8～10节，在下四分位数、中位数、上四分位数和上限值等方面，刺网与其他渔船作业类型有明显差异。
49.由上文分析可知，不同渔船作业类型之间存在明显的速度差异，因此可以将速度作为识别渔船作业类型的特征。本专利设计的基于速度的统计特征如表1所示。
50.表1基于速度的特征
51.[0052][0053]
中心距离，一阶中心距是0，二阶中心距是方差(反映变量分布的波动程度)，三阶中心距是偏度(反映变量分布的对称程度)，四阶中心距是峰度(反映变量分布的最高处有多“尖”以及尾部有多“厚”)。偏度和峰度的值会受到变量度量单位的影响，可以用他们的标准差来标准化，也就是除以其标准差。
[0054]
船舶航向特征工程构建
[0055]
渔船航向分布的箱型图如图2所示。图中横轴为渔船作业类型(type)，纵轴为航向(direction)的整体分布。图中，位于下限值和上限值之外的数据值视为异常值。刺网作业是将若干网放在一定的区域然后过一段时间来收网。因此刺网渔船的典型轨迹是沿着相同路径来回航行，除收网转向时，无明显方向变化，且由图可知，刺网的航向分布与其他三类渔船之间具有明显差异。对于拖网作业，其特点是作业的时候转向较多来回在同一个海域拖网，通常情况下，拖网作业通过渔船的航行来带动网具的移动，航向变化较为平稳。拖网和张网在下限值和下四分位数上的取值基本相同。围网作业一般通过单船放网后围成一圈回到原地，航向变化较为明显。
[0056]
由上文分析可知，各作业方式的渔船在捕捞作业期间存在一些方向上的差异，可以使用航向相关的特征来进行渔船作业类型的识别。本专利所设计的基于航向的特征如下表2所示。
[0057]
表2基于航向的特征
[0058][0059]
船舶经纬度特征工程构建
[0060]
渔船经纬度分布的箱型图如图4-5所示。轨迹点的经纬度信息往往具有很强的语义信息，这对于模型的构建极为重要。由上图可以看出，不同渔船作业类型之间具有明显的经纬度差异，其中，刺网渔船主要分布在东南沿海的近海区域，拖网渔船相较于刺网渔船来说作业范围稍广，个别会航行在远洋区域，围网一般在远洋作业且捕鱼周期较长，张网渔船主要分布在我国渤海、黄海、东海等区域且分布范围较广。
[0061]
由上文分析可知，各类渔船的作业位置均具有明显差异，因此不同渔船活动的海域位置是识别其作业方式的重要特征。本专利所设计的位置特征如下表3所示。
[0062]
表3基于位置的特征
[0063]
[0064][0065]
s05将特征工程中提取到的锚点信息、速度、方向、经纬度的一阶差分及时间间隔特征写入到原始csv文件中，根据速度、速度的一阶差分的绝对值、经纬度的一阶差分绝对值进行行为识别；
[0066]
进一步的，行为识别具体为：利用渔船的状态特点，将速度、速度的一阶差分的绝
对值、经纬度的一阶差分绝对值的取值均小于阈值的记录点标注为“锚定”，对于以上三个字段均大于阈值的记录点，将方向的一阶差分的绝对值小于阈值的记录点标注为“转向”，否则标注为“直行”，以此实现对渔船的行为识别。
[0067]
s06将特征工程得到的统计特征在长度维度进行拼接，得到最终的作业特征并输入lightgbm训练模型对渔船的轨迹特征分类，其技术细节如下：
[0068]
本实施例使用集成学习算法对提取到的渔船作业轨迹特征进行分类。集成学习将多个弱分类器(如决策树、神经网络等)进行加权组合得到最终的预测结果，单个分类器通常仅能较好地拟合部分样本数据，但无法在全部样本中取得最优结果，多个分类器的集成互补能够达到更好的效果。其中boosting类算法以其优异的性能在ai赛事和实际业务中得到广泛的应用，boosting类算法使用串行的序列化生成方法不断关注学习前期遇到的问题，加强各个弱分类器之间的依赖关系以强化分类效果。具有代表性的boosting类算法包括adaboost和gbdt。gbdt使用累计的分类残差对新的弱分类器进行训练，并进一步使用累计损失的负梯度替代残差以加速训练，gbdt流程如图6所示。
[0069]
作为gbdt的重要工程实现，lightgbm提供对多种弱分类器的支持，通过将损失函数进行二阶泰勒展开，结合累计残差的一阶和二阶导数解析得到最终的目标函数，同时引入关于弱分类器的正则化项控制模型的复杂度。
[0070]
假设第t次迭代要训练的模型是f
t
(x)，则由前向相加准则可知：
[0071][0072]
其中，表示模型训练t代之后的预测结果，f
t
(x)表示当前训练的弱分类器，累计预测结果为常数，损失函数使用真实值y与预测值进行定义：
[0073][0074]
其中，n为训练样本数量，ω(fj)表示第j个弱分类器的模型复杂度，将其作为正则项加入损失函数中防止过拟合，将式(1)代入到式(2)中，并进行二阶泰勒展开得到损失函数的最终形式：
[0075][0076]
其中，为累计残差的一阶梯度，为累计残差的二阶梯度。
[0077]
s07将12小时内频繁转向和直行的记录时段标记，对s06辨识出的渔船轨迹特征，基于步骤s04中所述的不同类型渔船的轨迹特征，根据其轨迹特征确定渔船种类。
[0078]
s08输出已写入结果的csv文件，结果包括渔船作业种类及其行为状态；
[0079]
s09判断渔船抛锚、拖锚行为是否出现在存在海底设施的范围内，如果是，报警；其具体实施如下：
[0080]
根据s05中基于渔船特征工程对渔船运动状态的判断以及s04中渔船速度与航向特征工程，判断渔船是否出现抛锚与拖锚行为。若渔船在s05中被判断为“锚定”则为抛锚状
态，若“锚定”后仍长时间存在速度特征则为拖锚状态。
[0081]
若在存在海底设施的范围内发生抛锚、拖锚行为，报警。
[0082]
s10输出训练及测试结果的p-r曲线对行为分类识别系统识别准确率进行检测；
[0083]
所述的csv是前后对应的，即输入测试集的每一个csv文件与最终行为分类识别系统输出的csv文件一一对应；且程序输出结果后测试集内原csv文件不会改变，方便用户查找的同时保护原始数据。
[0084]
实施例2：
[0085]
如图1所示，本实施例提供了一种基于渔船船舶自动识别数据进行行为分类识别并报警提醒用户的方法，包括测试集、训练集、行为分类识别程序。
[0086]
步骤101：将训练所用渔船数据csv文件放入训练集；
[0087]
步骤102：将想要进行行为分类识别的渔船数据csv文件放入测试集；
[0088]
步骤103：所述渔船分类识别程序对数据进行预处理，即将数据统一为浮点数类型；速度、方向保留一位小数；经纬度保留4位小数；以连续4天位单位分割数据集；转化为one-hot标签；
[0089]
步骤104：所述渔船分类识别程序根据经步骤103预处理的数据对渔船行为进行分类识别；
[0090]
步骤105：所述渔船分类识别程序根据步骤104结果对渔船类型进行识别；
[0091]
步骤106：所述渔船分类识别程序输出步骤104、步骤105得到的行为分类识别结果；
[0092]
步骤107：所述渔船分类识别程序经经纬度比较与渔船行为状态确认，发现渔船在存在海底设施海域进行抛锚、拖锚等行为；
[0093]
步骤108：所述渔船分类识别程序发出警报提示，并将步骤107结果发送给用户；
[0094]
步骤111：所述渔船分类识别程序输出训练及测试结果的p-r曲线，方便用户判断结果可信性；
[0095]
实施例3：
[0096]
如图1所示，本实施例提供了一种渔船分类识别程序日常监控运行的方法：
[0097]
步骤101至106与实施例2一致，在此不再赘述，其后执行；
[0098]
步骤109：所述渔船分类识别程序经经纬度比较与渔船行为状态确认，发现渔船在存在海底设施海域而未进行抛锚、拖锚等行为；
[0099]
步骤110：所述渔船分类识别程序发出安全提示，并将步骤109结果发送给用户；
[0100]
步骤111：所述渔船分类识别程序输出训练及测试结果的p-r曲线，方便用户判断结果可信性；
[0101]
本实施例的效果主要是实现行为分类识别系统日常监控的效果，省去人工实时监控的麻烦，本实施例步骤110为用户可选步骤，如不希望数据积累或消息打扰，不执行步骤110不会影响本系统正常使用。
[0102]
实施例4：
[0103]
如图1所示，本实施例提供了一种根据已有的训练完毕的行为分类识别模型对渔船行为运行日常监控的方法：
[0104]
步骤101可省略；
[0105]
步骤102至111与实施例2、实施例3一致，在此不再赘述；
[0106]
本实施例的效果主要是在渔船分类识别程序已获得完备的训练模型后，无需再利用数据进行训练，可直接对测试集渔船数据进行行为分类识别，简化程序运算量，节约时间成本。
[0107]
实施例5：
[0108]
作为本发明的第二方面，本技术还提供一种电子设备，包括：一个或多个处理器11；存储器12，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器11执行，使得所述一个或多个处理器11实现如上实施例所述分类识别报警方法。如图7所示，为本发明实施例提供的分类识别报警方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器11、存储器12以及接口13之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
[0109]
实施例6：
[0110]
作为本发明的第三方面，本技术还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述分类识别报警方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0111]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种渔船行为分类识别报警方法，其特征在于，包括以下步骤：获取渔船数据；对获取数据进行预处理；对预处理后的数据进行特征工程，提取统计特征；所述特征工程对象包括船舶速度特征、船舶航向特征和经纬度特征；根据特征工程中提取到的统计特征，进行渔船行为识别，所述渔船行为包括锚定、转向和直行；根据特征工程中提取到的统计特征，通过lightgbm模型对渔船轨迹特征进行分类；将设定时间内频繁转向和直行的记录时段标记，根据标记时段的渔船轨迹特征，确定渔船种类；输出渔船种类以及渔船行为状态的分类识别结果；判断渔船抛锚与拖锚行为是否出现在存在海底设施的范围内，若是发出警报。2.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述渔船数据格式采用csv格式；识别报警前后所述csv格式文件的原渔船数据对应不变。3.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述预处理包括：统一为浮点数类型；速度、方向保留一位小数；经纬度保留设定位数的小数；以连续的设定天数为单位分割数据集；转化为one-hot标签。4.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述特征工程中：所述船舶速度特征包括：速度的偏度与峰度；所述经纬度特征包括：经纬度的偏度、峰度、众数以及锚点、锚点个数与停船率。5.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述渔船的行为识别具体步骤为：将速度、速度的一阶差分的绝对值和经纬度的一阶差分绝对值的取值均小于阈值的记录点标注为锚定；对于速度、速度的一阶差分的绝对值和经纬度的一阶差分绝对值的取值均大于阈值的记录点，将方向的一阶差分的绝对值小于阈值的记录点标注为转向，否则标注为直行。6.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述渔船抛锚与拖锚行为判断具体过程如下：若渔船行为识别为锚定，则为判定渔船进行抛锚行为，若渔船被判定为锚定后仍长时间存在速度特征则判定渔船进行拖锚行为。7.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，若经过经纬度比较与渔船行为状态确认，渔船在存在海底设施海域而未进行抛锚、拖锚等行为，则发出安全提示。8.根据权利要求1所述的一种渔船行为分类识别报警方法，其特征在于，所述渔船行为分类识别报警方法在进行识别报警前，输入训练数据进行预训练；在识别报警后，输出训练结果与识别报警结果的p-r曲线，对识别准确率进行检测。9.一种电子设备，其特征在于，包括：一个或多个处理器；
存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8任一项所述的渔船行为分类识别方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述渔船行为分类识别方法的步骤。

技术总结
本发明公开了一种渔船行为分类识别报警方法、设备及存储介质，该方法包括：获取渔船数据并进行预处理；对预处理后的数据进行特征工程，提取统计特征；根据特征工程中提取到的统计特征，进行渔船行为识别，所述渔船行为识别包括锚定、转向和直行；根据特征工程中提取到的统计特征，通过LightGBM模型对渔船轨迹特征进行分类；将设定时间内频繁转向和直行的记录时段标记，根据标记时段的渔船轨迹特征，确定渔船种类；输出渔船种类以及渔船行为状态的分类识别结果并判断渔船抛锚与拖锚行为是否出现在存在海底设施的范围内，若是发出警报。该方法可有效识别渔船行为，并及时对渔船进行警告驱离，可有效减少海底设施受损问题。可有效减少海底设施受损问题。可有效减少海底设施受损问题。


技术研发人员：吕枫 王天之 袁子龙 陈超
受保护的技术使用者：同济大学
技术研发日：2023.03.24
技术公布日：2023/6/27