【技术实现步骤摘要】
本申请涉及渔船作业领域，且更为具体地，涉及一种基于深度学习的渔船作业行为识别方法。
技术介绍
1、随着地球上陆地资源的消耗，作为地球上面积最大的海洋受到了人类的重视，一方面人类加快了对海洋资源的开发，另一方面对如何科学规划和利用海洋渔业资源越来越重视。不同的渔船作业方式对海洋渔业资源所造成的影响不同。目前对海洋渔业资源进行捕捞时，捕捞渔船需要提前向主管部门申请捕捞许可证并进行渔船作业类型的登记，但是在渔船实际作业过程中可能存在着不遵守规则情况，违规进行捕捞作业会对渔业资源和海洋生态环境产生不利影响。
2、传统的违规捕捞监管措施主要是设置海上巡逻船，在遇到捕捞船时需要登船进行检查。由于渔船作业具有机动性且时间周期长，并且有时候捕捞船只过多。在实际场景中，并没有足够的人手去实行，并且这类方法成本高以及检查数量有限，在渔船作业类型实际管理中存在局限性。
3、因此，期待一种优化的渔船作业行为识别方法。
技术实现思路
1、有鉴于此，本申请提出了一种基于深度学习的渔船作业行为识别方法，其可以采用无人机采集渔船作业监控视频，并应用计算机视觉和深度学习技术对渔船作业监控视频进行处理和分析，以描述和理解渔船的作业行为。
2、根据本申请的一方面，提供了一种基于深度学习的渔船作业行为识别方法，其包括：
3、获取由无人机采集的渔船作业监控视频；
4、对所述渔船作业监控视频进行数据预处理以得到渔船作业监控关键帧的序列；
5、提取所述渔船
6、对所述渔船作业状态特征图的序列进行基于金字塔池化机制的语义强化处理以得到语义强化渔船作业状态特征图的序列；
7、对所述语义强化渔船作业状态特征图的序列进行时序分析以得到渔船作业模式时序关联特征向量；以及
8、基于所述渔船作业模式时序关联特征向量，确定渔船的作业类型。
9、在上述的基于深度学习的渔船作业行为识别方法中，对所述渔船作业监控视频进行数据预处理以得到渔船作业监控关键帧的序列，包括：
10、对所述渔船作业监控视频进行关键帧采样以得到所述渔船作业监控关键帧的序列。
11、在上述的基于深度学习的渔船作业行为识别方法中，提取所述渔船作业监控关键帧的序列的渔船作业状态特征以得到渔船作业状态特征图的序列，包括：
12、将所述渔船作业监控关键帧的序列通过基于卷积神经网络模型的作业状态特征提取器以得到所述渔船作业状态特征图的序列。
13、在上述的基于深度学习的渔船作业行为识别方法中，所述基于卷积神经网络模型的作业状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
14、在上述的基于深度学习的渔船作业行为识别方法中，对所述渔船作业状态特征图的序列进行基于金字塔池化机制的语义强化处理以得到语义强化渔船作业状态特征图的序列，包括：
15、将所述渔船作业状态特征图的序列通过基于金字塔池化模块的渔船作业语义强化器以得到所述语义强化渔船作业状态特征图的序列。
16、在上述的基于深度学习的渔船作业行为识别方法中，所述基于金字塔池化模块的渔船作业语义强化器，包括基于1×1尺度的池化窗口层、基于2×2尺度的池化窗口层、基于3×3尺度的池化窗口层和基于6×6尺度的池化窗口层。
17、在上述的基于深度学习的渔船作业行为识别方法中，对所述语义强化渔船作业状态特征图的序列进行时序分析以得到渔船作业模式时序关联特征向量，包括：
18、将所述语义强化渔船作业状态特征图的序列通过特征展平层以得到语义强化渔船作业状态特征向量的序列；以及
19、将所述语义强化渔船作业状态特征向量的序列通过基于lstm模型的作业模式时序特征提取器以得到所述渔船作业模式时序关联特征向量。
20、在上述的基于深度学习的渔船作业行为识别方法中，基于所述渔船作业模式时序关联特征向量，确定渔船的作业类型，包括：
21、对所述渔船作业模式时序关联特征向量进行特征分布优化以得到优化后渔船作业模式时序关联特征向量；以及
22、将所述优化后渔船作业模式时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述渔船的作业类型。
23、在上述的基于深度学习的渔船作业行为识别方法中，将所述优化后渔船作业模式时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述渔船的作业类型，包括：
24、使用所述分类器的全连接层对所述优化后渔船作业模式时序关联特征向量进行全连接编码以得到编码分类特征向量；以及
25、将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
26、在本申请中，其首先获取由无人机采集的渔船作业监控视频，接着，对所述渔船作业监控视频进行数据预处理以得到渔船作业监控关键帧的序列，然后，提取所述渔船作业监控关键帧的序列的渔船作业状态特征以得到渔船作业状态特征图的序列，接着，对所述渔船作业状态特征图的序列进行基于金字塔池化机制的语义强化处理以得到语义强化渔船作业状态特征图的序列，然后，对所述语义强化渔船作业状态特征图的序列进行时序分析以得到渔船作业模式时序关联特征向量，最后，基于所述渔船作业模式时序关联特征向量，确定渔船的作业类型。这样，可以实现对渔船作业状态的自动识别和分类。
27、根据下面参考附图对本申请的详细说明，本申请的其它特征及方面将变得清楚。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的渔船作业行为识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的渔船作业行为识别方法，其特征在于，对所述渔船作业监控视频进行数据预处理以得到渔船作业监控关键帧的序列，包括：
3.根据权利要求2所述的基于深度学习的渔船作业行为识别方法，其特征在于，提取所述渔船作业监控关键帧的序列的渔船作业状态特征以得到渔船作业状态特征图的序列，包括：
4.根据权利要求3所述的基于深度学习的渔船作业行为识别方法，其特征在于，所述基于卷积神经网络模型的作业状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
5.根据权利要求4所述的基于深度学习的渔船作业行为识别方法，其特征在于，对所述渔船作业状态特征图的序列进行基于金字塔池化机制的语义强化处理以得到语义强化渔船作业状态特征图的序列，包括：
6.根据权利要求5所述的基于深度学习的渔船作业行为识别方法，其特征在于，所述基于金字塔池化模块的渔船作业语义强化器，包括基于1×1尺度的池化窗口层、基于2×2尺度的池化窗口层、基于3×3尺度的池化窗口层和基于6×
7.根据权利要求6所述的基于深度学习的渔船作业行为识别方法，其特征在于，对所述语义强化渔船作业状态特征图的序列进行时序分析以得到渔船作业模式时序关联特征向量，包括：
8.根据权利要求7所述的基于深度学习的渔船作业行为识别方法，其特征在于，基于所述渔船作业模式时序关联特征向量，确定渔船的作业类型，包括：
9.根据权利要求8所述的基于深度学习的渔船作业行为识别方法，其特征在于，将所述优化后渔船作业模式时序关联特征向量通过分类器以得到分类结果，所述分类结果用于表示所述渔船的作业类型，包括：
...【技术特征摘要】
1.一种基于深度学习的渔船作业行为识别方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的渔船作业行为识别方法，其特征在于，对所述渔船作业监控视频进行数据预处理以得到渔船作业监控关键帧的序列，包括：
3.根据权利要求2所述的基于深度学习的渔船作业行为识别方法，其特征在于，提取所述渔船作业监控关键帧的序列的渔船作业状态特征以得到渔船作业状态特征图的序列，包括：
4.根据权利要求3所述的基于深度学习的渔船作业行为识别方法，其特征在于，所述基于卷积神经网络模型的作业状态特征提取器包括输入层、卷积层、激活层、池化层和输出层。
5.根据权利要求4所述的基于深度学习的渔船作业行为识别方法，其特征在于，对所述渔船作业状态特征图的序列进行基于金字塔池化机制的语义强化处理以得到语义强化渔船作业状态特征图的序列，包括：<...
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。