一种基于机器视觉的海上目标接近程度预警方法及系统技术方案

本发明专利技术涉及机器视觉的目标检测技术领域，尤其涉及一种基于机器视觉的海上目标接近程度预警方法及系统，其方法包括以下步骤：构建风电数据集；划分为训练集和测试集；基于YOLOv5s网络构建YOLO海上目标检测模型，并训练，获得海上风电设施检测模型；将视频输入至海上风电设施检测模型，检测出海上风电视频中的风电设施和航行船舶；统计海上风电检测模型输出的风机和船舶边界框数量，同时计算风机和船舶边界框的质心对距离，若计算的质心对距离小于设定的距离阈值，更新船舶边界框颜色，并发出预警提示。本发明专利技术通过改进的YOLOv5s检测算法能够实现对复杂环境下的风电设施、船舶小目标的检测及距离预警评估，从而降低航行船舶碰撞海上风电设施的可能性。碰撞海上风电设施的可能性。碰撞海上风电设施的可能性。

【技术实现步骤摘要】
一种基于机器视觉的海上目标接近程度预警方法及系统


[0001]本专利技术涉及机器视觉的目标检测
，具体为一种基于机器视觉的海上目标接近程度预警方法及系统。

技术介绍

[0002]近年，随着可再生能源的加速发展，我国海上风电开发建设已进入发展快车道。海上风电行业蓬勃发展的同时，也给海上通航安全带来了全新的挑战。
[0003]船舶作为海洋运输主体，如今的海上风电场建设选址往往分布在沿海船舶航行较为集中的水域，无疑占用了大量的通航资源，对航运安全构成了长期的碍航影响。由此随着海上风电产业和装机容量的大规模发展，必然增加了航行船舶碰撞海上风机、损坏海底电缆的可能性，使得海上风电场对于船舶要求更加复杂。因此，开展海上风电设施接近程度预警研究，对提高海上风电场的稳定性、降低航运碍航影响具有重要意义。
[0004]海上风电场离岸距离远且长期处于盐雾浓度高、湿度大、光照多变的复杂环境下，人员可进入性差，传统的检测方法多依靠执行人员实地考察、视频监控系统观察和执法船舶巡航，在运维过程中往往会出现人员配置不到位、误判漏判、维护计划缺失和计划设施故障维修不及时的问题，给海上风电运维工作带来了更大的风险。鉴于此，传统的人工检测方式已不能满足海上风电场的特殊性发展需求。近年，随着机器视觉、深度学习方法的飞速发展，使得基于机器视觉的目标检测技术在各领域得以广泛应用，尤其海上目标检测研究成果突出，为海上风电场智能监测管理、海上航运安全运输工作提供技术支持。
[0005]现有海上目标检测技术大多应用于船舶检测研究，对海上风电场运维管理、海上风电设施检测关注较少。船舶相较于海上风电设施，由于其目标较小，在海洋复杂环境背景下，检测难度较大。

技术实现思路

[0006]针对现有技术中存在的问题，本专利技术提供一种基于机器视觉的海上目标接近程度预警方法。
[0007]本专利技术是通过以下技术方案来实现：
[0008]一种基于机器视觉的海上目标接近程度预警方法，包括以下步骤：
[0009]步骤(1)，将监控摄像头拍摄的海上风电场视频按帧截取图像，筛选其中同时含有海上风机、航行船舶的图像作为目标图像，并对目标图像进行数据扩充，构建风电数据集；
[0010]步骤(2)，将风电数据集划分为训练集和测试集；
[0011]步骤(3)，基于YOLOv5s网络构建YOLO海上目标检测模型，并利用训练集在YOLO海上目标检测模型上进行训练，获得海上风电设施检测模型；
[0012]步骤(4)，截取步骤(1)中拍摄的海上风电场视频四个角点，获取对应的俯视图；
[0013]将步骤(1)中拍摄的海上风电场视频输入至海上风电设施检测模型，检测出海上风电视频中的风电设施和航行船舶；
[0014]步骤(5)，统计海上风电检测模型输出的风机和船舶边界框数量，同时在俯视图上计算风机和船舶边界框的质心对距离，若计算的质心对距离小于设定的距离阈值，更新船舶边界框颜色，并发出预警提示。
[0015]优选的，在步骤(1)中，利用Opencv库中的getRotationMatix2D、warpAfine、clip函数对目标图像以随机旋转、平移、亮度方式进行数据扩充。
[0016]优选的，使用LabelImg工具对步骤(1)中构建的风电数据集使用进行标注，生成对应的类别信息、标签信息和位置信息。
[0017]优选的，在步骤(2)中，风电数据集按8:2比例标注为训练集和测试集，并存储于Xml文件中，每个文件对应一张图像，包括图像尺寸、目标类别名以及目标位置信息。
[0018]优选的，在步骤(3)中，构建YOLO海上目标检测模型时分别在主干网络末端和特征融合阶段施加坐标注意力机制。
[0019]优选的，模型的训练过程为：首先在模型训练前期使用迁移学习方法获取初步网络模型，之后在风电数据集上对初步模型进行再次训练。
[0020]优选的，训练过程中，保持初步检测模型的系数不变，仅对模型参数进行微调。
[0021]优选的，步骤(4)中，应用Opencv中的透视变换技术获得对应的俯视图。
[0022]优选的，步骤(5)中，采用距离公式计算目标边界框质心对距离。
[0023]一种基于机器视觉的海上目标接近程度预警系统，包括数据获取与处理模块、训练模块、检测分析模块和预警模块，所述数据获取与处理模块用于获取、构建风电数据集和标注数据集，所述训练模块用于训练YOLO海上目标检测模型和获取海上风电设施检测模型，所述检测分析模型用于获取检测目标的边界框、计算质心对距离和更新检测目标的边界框，所述预警模块用于发出警告提示。
[0024]与现有技术相比，本专利技术具有以下有益效果：
[0025]本专利技术一种基于机器视觉的海上目标接近程度预警方法基于深度学习方法，使用增加了注意力机制的YOLO目标检测算法可以检测海上风电设施和过往船舶目标，实现了接近程度预警的目的，用于解决海域复杂环境下的目标检测任务，针对本专利技术的应用场景需求，该方法提升检测模型对多尺度目标的检测性能，降低了船舶小目标的漏检率，可以自动化地检测出视频中的目标，在海上风电运维工作中节省了人力，提高了效率；
[0026]本专利技术提出的接近程度预警方法，该方法应用Opencv中的透视变换技术，解决了因图像大小不一，无法直接计算目标之间的像素距离问题。根据估算的像素距离能够判断视频中的航行船舶是否靠近风电场附近水域并及时发出预警提示信息，实现了检测目标之间的接近程度预警。
附图说明
[0027]图1为本专利技术一种基于改进YOLOv5s的海上目标接近程度预警流程示意图。
[0028]图2为本专利技术改进YOLOv5s网络所采用的CA模块结构图。
[0029]图3为本专利技术实施例中的海上风电设施检测效果图。
[0030]图4为本专利技术实施例中的海上风电设施接近程度预警效果图。
具体实施方式
[0031]下面结合具体的实施例对本专利技术做进一步的详细说明，所述是对本专利技术的解释而不是限定。
[0032]本专利技术公开了一种基于机器视觉的海上目标接近程度预警方法，参照图1，包括以下步骤：
[0033]步骤(1)，将监控摄像头拍摄的海上风电场视频按帧截取图像，筛选其中同时含有海上风机、航行船舶的图像作为目标图像，利用Opencv库中的getRotationMatix2D、warpAfine、clip函数对目标图像以随机旋转、平移、亮度方式进行数据扩充，构建风电数据集，并使用LabelImg工具对步骤(1)中构建的风电数据集使用进行标注，生成对应的类别信息、标签信息和位置信息。
[0034]步骤(2)，风电数据集按8:2比例标注为训练集和测试集，并存储于Xml文件中，每个文件对应一张图像，包括图像尺寸、目标类别名以及目标位置信息。
[0035]步骤(3)，基于YOLOv5s网络构建YOLO海上目标检测模型，并利用训练集在YOLO海上目标检测模型上进行训练，获得海上风本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的海上目标接近程度预警方法，其特征在于，包括以下步骤：步骤(1)，将监控摄像头拍摄的海上风电场视频按帧截取图像，筛选其中同时含有海上风机、航行船舶的图像作为目标图像，并对目标图像进行数据扩充，构建风电数据集；步骤(2)，将风电数据集划分为训练集和测试集；步骤(3)，基于YOLOv5s网络构建YOLO海上目标检测模型，并利用训练集在YOLO海上目标检测模型上进行训练，获得海上风电设施检测模型；步骤(4)，截取步骤(1)中拍摄的海上风电场视频四个角点，获取对应的俯视图；将步骤(1)中拍摄的海上风电场视频输入至海上风电设施检测模型，检测出海上风电视频中的风电设施和航行船舶；步骤(5)，统计海上风电检测模型输出的风机和船舶边界框数量，同时在俯视图上计算风机和船舶边界框的质心对距离，若计算的质心对距离小于设定的距离阈值，更新船舶边界框颜色，并发出预警提示。2.根据权利要求1所述的基于机器视觉的海上目标接近程度预警方法，其特征在于，在步骤(1)中，利用Opencv库中的getRotationMatix2D、warpAfine、clip函数对目标图像以随机旋转、平移、亮度方式进行数据扩充。3.根据权利要求1所述的基于机器视觉的海上目标接近程度预警方法，其特征在于，使用LabelImg工具对步骤(1)中构建的风电数据集使用进行标注，生成对应的类别信息、标签信息和位置信息。4.根据权利要求1所述的基于机器视觉的海上目标接近程度预警方法，其特征在于，在步骤(2)中，风电数据...

【专利技术属性】
技术研发人员：朱昭云，张铭，张波，
申请(专利权)人：华能海上风电科学技术研究有限公司，
类型：发明
国别省市：