出海船舶监测方法、系统及存储介质技术方案

本发明专利技术实施例公开了一种出海船舶监测方法、系统及存储介质。其中，方法包括：读取监控视频数据；采用YOLOv5神经网络对待处理图像进行处理，的到船舶目标；采用SORT算法进行追踪，若追踪到进入预设的目标区域，则进行报警。实施本发明专利技术实施例，仅接入码头摄像头高清视频，无需添加额外的传感器，硬件成本低，简单、高效、实时；另外，通过使用深度神经网络YOLOv5，有效地提高了海上监控区域的目标检测效率和精度，并且使用SORT可以有针对性的对检测目标进行追踪和抓拍，避免生成一些连续的、冗余的抓拍图像；接入检测报警系统，便于对船舶违法出海进行实时监控，更规范的记录视频船舶违法出海监测情况。出海监测情况。出海监测情况。

【技术实现步骤摘要】
出海船舶监测方法、系统及存储介质


[0001]本专利技术涉及计算机视觉技术及目标检测领域，具体涉及一种出海船舶监测方法、系统及存储介质。

技术介绍

[0002]船舶识别监测是防止船舶在禁渔期出海捕鱼或者监测船舶是否进入不该进入的违法区域。海上船舶识别监测有利于监测不法分子入侵，维护社会治安，且有利于相关行业的工作人员对船舶进行实时监测和定位，实时的掌握入侵的动态信息。
[0003]目前，船舶目标检测方法主要有两种：
[0004]第一种：两阶段检测方法，其第一步是生成可能包含物体的候选区域Region Proposal，第二步是对对候选区域做进一步分类和校准，得到最终的检测结果。比较典型的算法有R
‑
CNN，SPPNet，Fast R
‑
CNN和Faster R
‑
CNN等。这种两阶段方法精度虽然较高但是检测速度很慢，不能满足实时监测场景，因此不太适合应用于实际的工业项目。
[0005]第二种：一阶段检测方法，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果。比较典型的算法如YOLO，SSD，YOLOv2，YOLOv3，Retina
‑
Net等。这种一阶段检测方法有着更快的检测速度，但是精度不高。

技术实现思路

[0006]针对上述技术缺陷，本专利技术实施例的目的在于提供一种出海船舶监测方法、系统备及存储介质。
[0007]为实现上述目的，第一方面，本专利技术实施例提供了一种出海船舶监测方法，包括：
[0008]获取码头摄像头拍摄的监控视频数据，对所述监控视频数据进行读取，得到待处理图像；
[0009]采用YOLOv5神经网络对所述待处理图像进行处理，得到船舶目标；
[0010]采用SORT多目标追踪算法对每一所述船舶目标进行追踪；
[0011]若追踪到所述船舶目标进入预设的监测报警区域，则进行报警。
[0012]在本申请的某些具体实施方式中，对所述监控视频数据进行读取具体为：
[0013]采用逐帧或跳帧方式进行读取。
[0014]其中，所述YOLOv5神经网络包括两部分，第一部分采用Focus结构和CSP1_X结构，第二部分采用CSP2_X结构；采用YOLOv5神经网络对所述待处理图像进行处理，得到船舶目标，具体为：
[0015]对所述待处理图像进行缩放处理，得到第一图像；
[0016]将所述第一图像输入Focus结构，采用切片操作，将所述第一图像处理为第一特征图；
[0017]对所述第一特征图进行卷积操作，得到第二特征图；
[0018]采用CSP1_X结构将所述第二特征图拆分为两部分，一部分进行卷积操作，得到卷积结果，另一部分与所述卷积结果进行拼接，得到拼接结果；
[0019]采用CSP2_X结构对所述拼接结果进行多次卷积、上采样及拼接操作，输出检测结果边框，并对所述检测结果边框进行非极大值抑制处理，所述检测结果边框包含船舶目标。
[0020]在本申请的某些具体实施方式中，若追踪到所述船舶目标进入预设的监测北京区域，则进行报警，具体为：
[0021]采用OpenCV绘制监测报警区域；
[0022]若所述检测结果边框的中心在所述监测报警区域内，且持续预设时间值，则进行声光报警，并对违规进入所述监测报警区域的船舶进行抓拍及图像保存。
[0023]第二方面，本专利技术实施例提供了一种出海船舶监测设备，包括：
[0024]图像获取单元，用于获取码头摄像头拍摄的监控视频数据，对所述监控视频数据进行读取，得到待处理图像；
[0025]目标检测单元，用于采用YOLOv5神经网络对所述待处理图像进行处理，得到船舶目标；
[0026]目标追踪单元，用于采用SORT多目标追踪算法对所述船舶目标进行追踪；
[0027]报警单元，用于若追踪到所述船舶目标进入预设的监测报警区域，则进行报警。
[0028]在本申请的某些具体实施方式中，所述图像获取单元具体用于：
[0029]采用逐帧或跳帧方式读取所述监控视频数据。
[0030]在本申请的某些具体实施方式中，所述YOLOv5神经网络包括两部分，第一部分采用Focus结构和CSP1_X结构，第二部分采用CSP2_X结构；
[0031]所述目标检测单元具体用于：
[0032]对所述待处理图像进行缩放处理，得到第一图像；
[0033]将所述第一图像输入Focus结构，采用切片操作，将所述第一图像处理为第一特征图；
[0034]对所述第一特征图进行卷积操作，得到第二特征图；
[0035]采用CSP1_X结构将所述第二特征图拆分为两部分，一部分进行卷积操作，得到卷积结果，另一部分与所述卷积结果进行拼接，得到拼接结果；
[0036]采用CSP2_X结构对所述拼接结果进行多次卷积、上采样及拼接操作，输出检测结果边框，并对所述检测结果边框进行非极大值抑制处理，所述检测结果边框中包含船舶目标。
[0037]作为本申请的一种具体实施方式，所述报警单元具体用于：
[0038]采用OpenCV绘制监测报警区域；
[0039]若所述检测结果边框的中心在所述监测报警区域内，且持续预设时间值，则进行声光报警，并对违规进入所述监测报警区域的船舶进行抓拍及图像保存。
[0040]第三方面，本专利技术实施例提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
[0041]实施本专利技术实施例，仅接入码头摄像头高清视频，无需添加额外的传感器，硬件成本低，简单、高效、实时；另外，通过使用深度神经网络YOLOv5，有效地提高了海上监控区域
的目标检测效率和精度，并且使用SORT可以有针对性的对检测目标进行追踪和抓拍，避免生成一些连续的、冗余的抓拍图像；接入检测报警系统，便于对船舶违法出海进行实时监控，更规范的记录视频船舶违法出海监测情况。
附图说明
[0042]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
[0043]图1是本专利技术实施例提供的出海船舶监测方法的示意流程图；
[0044]图2是监测到船舶违规出海时进行报警的流程图；
[0045]图3是本专利技术实施例提供的出海船舶监测系统的结构图。
具体实施方式
[0046]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]请参考图1，本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种出海船舶监测方法，其特征在于，包括：获取码头摄像头拍摄的监控视频数据，对所述监控视频数据进行读取，得到待处理图像；采用YOLOv5神经网络对所述待处理图像进行处理，得到船舶目标；采用SORT多目标追踪算法对所述船舶目标进行追踪；若追踪到所述船舶目标进入预设的监测报警区域，则进行报警。2.如权利要求1所述的出海船舶监测方法，其特征在于，对所述监控视频数据进行读取具体为：采用逐帧或跳帧方式进行读取。3.如权利要求1所述的出海船舶监测方法，其特征在于，所述YOLOv5神经网络包括两部分，第一部分采用Focus结构和CSP1_X结构，第二部分采用CSP2_X结构。4.如权利要求3所述的出海船舶监测方法，其特征在于，采用YOLOv5神经网络对所述待处理图像进行处理，得到船舶目标，具体为：对所述待处理图像进行缩放处理，得到第一图像；将所述第一图像输入Focus结构，采用切片操作，将所述第一图像处理为第一特征图；对所述第一特征图进行卷积操作，得到第二特征图；采用CSP1_X结构将所述第二特征图拆分为两部分，一部分进行卷积操作，得到卷积结果，另一部分与所述卷积结果进行拼接，得到拼接结果；采用CSP2_X结构对所述拼接结果进行多次卷积、上采样及拼接操作，输出检测结果边框，并对所述检测结果边框进行非极大值抑制处理，所述检测结果边框中包含船舶目标。5.如权利要求4所述的出海船舶监测方法，其特征在于，若追踪到所述船舶目标进入预设的监测报警区域，则进行报警，具体为：采用OpenCV绘制监测报警区域；若所述检测结果边框的中心在所述监测报警区域内，且持续预设时间值，则进行声光报警，并对违规进入所述监测报警区域的船舶进行抓拍及图像保存。6.一种出海船舶监测系统，其特征在于，包括：图像获取单元，用于获取码头摄像头拍摄的监控视...

【专利技术属性】
技术研发人员：张高志，李凡平，王堃，
申请(专利权)人：以萨技术股份有限公司，
类型：发明
国别省市：