【技术实现步骤摘要】
本专利技术涉及海上生产智能防控，特别涉及一种基于卷积神经网络的海上生产智能防控方法。
技术介绍
1、海上生产智能防控主要是针对船舶经过管线、进出作业区、非法停靠等问题进行总体防控和监管。随着油田生产任务的增加，海上作业平台和海底管线数量不断增加，海上船舶来往频繁。由于船舶吃水深度不定，若船舶靠近管线时没有准确判断并及时发出预警，极易发生船舶破坏管线的事故，使海上作业区存在极大的安全隐患。其次，船舶进入作业区后不规范的运行轨迹等行为也会给正常的生产作业造成影响。为保证作业区安全以及船舶预警联动的及时性，船舶在停靠管线或进入作业区10分钟内需要及时报警。
2、近年来，政府海事部门多次对油田服务船舶进行集中检查，推动了油田船舶及海上作业区的管理。利用雷达、ais、振动光缆报警、声音驱离系统、喷淋驱逐系统等多种技术手段实现平台安全监控，组建了海上生产平台安全系统。该方法依赖于大量的硬件设施，适用场景有限。
3、现有的海上生产防控技术多是依赖于人工水上巡航、人工查看摄像头，由于海域宽阔、摄像头数量众多且人工监管力度有限，此方式无法对海上安全生产提供坚实的保障。
技术实现思路
1、本专利技术的目的是解决海上作业平台船舶经停管线的安全隐患问题，对进入作业平台的船舶进行跟踪与监控，及时将告警信息传至web系统，提高海上作业平台的监管效率。
2、为了达到上述目的，本专利技术提供了一种基于卷积神经网络的海上生产智能防控方法，该方法的主要步骤为：
3、s1
4、s2，建立船舶经停管线判断算法，将船舶的大地坐标通过高斯投影转换为平面坐标，通过s1的预制二维数组判断船舶是否经停管线；
5、s3，构建基于siamesefc的船舶跟踪算法，对经停管线的船舶进行跟踪定位；
6、s4，将定位到的船舶视频信息传回web系统，同时将告警信息推送至就进平台、船舶相关人员，进行加强观察或靠近驱逐。
7、进一步的，所述步骤s1具体包括：首先将安全作业区与管线进行网格划分，将网格数据按照瓦片预制算法进行预制，得到作业区每个网格与管线的关系，建立预制二维数组arry0，将有管线的网格对应下标元素记为1，反之记为0；建立管线二维数组arry1记录当前网格中的管线名称拼接字符串。
8、进一步的，所述步骤s2具体包括：取船舶ais定位数据，将定位数据(b，l)通过高斯投影变换得到平面坐标系(x，y)，计算过程如下：
9、
10、
11、其中，π＝3.14159265，η＝e′cos b，e′为椭圆的第二偏心率，l0为中央子午线经度，ρ”＝206264.80625，x为自赤道量起的子午线弧长，m为子午圈曲率半径，n为卯酉圈曲率半径，b、l为大地纬度和大地经度。
12、进一步的，所述步骤s2还包括：将定位数据转换为平面坐标后，计算平面坐标与预制二维数组的关系，判断船舶是否进入作业区；若已进入作业区，得到二维数组的下标，通过下标找到预制二维数组arry0对应值，若值为1，则表示船舶经停管线，在管线二维数组arry1 中查找经停管线的名称；若值为0，则表示不会经过管线。
13、进一步的，所述步骤s3中基于siamesefc的船舶跟踪算法包括：经过步骤s1及步骤s2，确定进入作业区的船舶，通过监控视频采集此船舶的图像，该图像作为预采集图像i，将摄像头中视频称为搜索视频v，将预采集图像i及搜索视频v中的一帧作为输入，使用卷积嵌入函数φ对图像进行特征提取，输出特征图φ(i)和φ(v)，对特征图φ(i)和φ(v)做卷积相关性运算*，得到得分图f(z，x)，得分图反映φ(i)与φ(v)中每个对应部分的相似度关系，得分越高，相似度越大，则越有可能是同一物体：
14、f(i,v)＝φ(i)*φ(v)+bπ (3)
15、bπ表示在每个位置取值为b∈{船}的标志。
16、进一步的，
17、所述基于siamesefc的船舶跟踪算法进行模型训练时的损失函数如下所示：
18、l(g,s)＝log(1+exp(-sg)) (4)
19、其中，s是预采集图像-搜索视频相关性的真实得分，g∈{-1，+1}是预采集图像的真实标签。
20、进一步的，
21、对于步骤s4，将定位到的船舶视频信息传回web系统，显示在安全预警联动界面中，同时将告警信息自动推送至就进平台、船舶相关人员，进行加强观察，靠近驱逐。
22、本专利技术的有益效果是：
23、(1)提出了作业区与管线瓦片预制算法，为船舶经停管线判断提供了坚实的基础。
24、(2)提出了船舶经停管线判断算法，通过瓦片预制算法及判断算法，可以高效及时地判断船舶的行驶路线是否会对管线存在安全隐患，有效防控海上作业平台的安全。
25、(3)提出了基于siamesefc的船舶跟踪算法，该算法能够借助海上监控系统对船舶进行检测和跟踪，保证了检测的准确性和高效性，为海上安全防控提供有效的技术支持，节省人力且无需额外的硬件投入。
26、(4)与web系统结合，将船舶告警信息展示在web系统并及时推送到附近工作人员，引起工作人员的警惕，更有效地对海上安全问题进行防控。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的海上生产智能防控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤S1具体包括：首先将安全作业区与管线进行网格划分，将网格数据按照瓦片预制算法进行预制，得到作业区每个网格与管线的关系，建立预制二维数组ARRY0，将有管线的网格对应下标元素记为1，反之记为0；建立管线二维数组ARRY1记录当前网格中的管线名称拼接字符串。
3.根据权利要求2所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤S2具体包括：取船舶AIS定位数据，将定位数据(B，L)通过高斯投影变换得到平面坐标系(x，y)，计算过程如下：
4.根据权利要求3所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤S2还包括：将定位数据转换为平面坐标后，计算平面坐标与预制二维数组的关系，判断船舶是否进入作业区；若已进入作业区，得到二维数组的下标，通过下标找到预制二维数组ARRY0对应值，若值为1，则表示船舶经停管线，在管线二维数组ARRY1中查找经停管线的名
5.根据权利要求4所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤S3中基于SiameseFC的船舶跟踪算法包括：经过步骤S1及步骤S2，确定进入作业区的船舶，通过监控视频采集此船舶的图像，该图像作为预采集图像i，将摄像头中视频称为搜索视频v，将预采集图像i及搜索视频v中的一帧作为输入，使用卷积嵌入函数φ对图像进行特征提取，输出特征图φ(i)和φ(v)，对特征图φ(i)和φ(v)做卷积相关性运算*，得到得分图f(z，x)，得分图反映φ(i)与φ(v)中每个对应部分的相似度关系，得分越高，相似度越大，则越有可能是同一物体：
6.根据权利要求5所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，
7.根据权利要求1所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，
...【技术特征摘要】
1.一种基于卷积神经网络的海上生产智能防控方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤s1具体包括：首先将安全作业区与管线进行网格划分，将网格数据按照瓦片预制算法进行预制，得到作业区每个网格与管线的关系，建立预制二维数组arry0，将有管线的网格对应下标元素记为1，反之记为0；建立管线二维数组arry1记录当前网格中的管线名称拼接字符串。
3.根据权利要求2所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤s2具体包括：取船舶ais定位数据，将定位数据(b，l)通过高斯投影变换得到平面坐标系(x，y)，计算过程如下：
4.根据权利要求3所述的一种基于卷积神经网络的海上生产智能防控方法，其特征在于，所述步骤s2还包括：将定位数据转换为平面坐标后，计算平面坐标与预制二维数组的关系，判断船舶是否进入作业区；若已进入作业区，得到二维数组的下标，通过下标找...
【专利技术属性】
技术研发人员：袁向兵，杨宝山，孔敏，张希余，栾本霞，赵峰，高竟诚，闵哲，庞玉林，
申请(专利权)人：中国石油化工股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。