(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211109667.6 (22)申请日 2022.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 115187936 A (43)申请公布日 2022.10.14 (73)专利权人 广州市泰粤科技股份有限公司 地址 510663 广东省广州市黄埔区南翔二 路19号精华科技园研发楼401房 (72)发明人 杜赟　袁漫琪　 (74)专利代理 机构 广东金穗知识产权代理事务 所(普通合伙) 44852 专利代理师 何敏斌 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/62(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/26(2022.01) G06V 20/70(2022.01)G06F 16/583(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01S 13/91(2006.01) G01S 7/41(2006.01) G01S 13/86(2006.01) G01J 5/48(2006.01) G08G 3/00(2006.01) H04N 7/18(2006.01) (56)对比文件 CN 110175186 A,2019.08.27 CN 206212054 U,2017.0 5.31 JP 2007265066 A,2007.10.11 CN 102288166 A,2011.12.21 CN 110796900 A,2020.02.14 张建飞等.海 事卫星通信的发展及其在远洋 船舶上的应用. 《无线电通信技 术》 .2004,(第05 期), 审查员 董雪 (54)发明名称 一种海上平台防登临监控系统及方法 (57)摘要 本发明公开了一种海上平台防登临监控系 统， 结合平台AIS设备、 红外 热成像仪和雷达ARPA 对距离平台15m~500m的目标区域内的海上船舶 进行检测以得到目标区域内的海上船舶 的精确 位置， 然后利用高清可视摄像头进行拍摄以进行 船脸识别， 结合预设的预先训练好的船舶分类识 别模型和预存的白名单船舶图像数据库和黑名 单船舶图像数据库， 对海上船舶的类型 （包括工 作作业船舶和非工作作业船舶） 和等级进行识别 与区分， 从而将监测的海上船舶判定威胁级别、 可疑级别和安全级别三个级别， 并通过高清可视 摄像头对等级为威胁级别和可疑级别的海上船 舶进行实时跟踪， 当威胁级别的海 上船舶距离平 台的实时距离等于预警距离时发出警报以驱逐。 权利要求书5页 说明书11页 附图4页 CN 115187936 B 2022.12.02 CN 115187936 B 1.一种海上平台防登临监控系统， 其特征在于， 包括平台AIS 设备、 雷达A RPA、 至少一个 监控点、 控制中心、 数据处 理中心以及报警驱离装置； 所述平台AIS设备用于接收距离平台15m~500m的海上船舶的船载AIS设备的AIS信息， 所述AIS信息包括船舶识别码、 船舶类型、 船舶位置、 航行 方向和航行速度； 所述数据处理中心用于根据 所述AIS信息和预设的白名单、 黑名单进行如下处理： 首先 根据所述船舶类型将船舶类型为非设定的工作作业船舶的海上船舶的等级判定为威胁级 别； 然后将船舶类型为设定的工作作业船舶的海上船舶的船舶识别码与预设的白名单、 黑 名单进行比对， 将属于所述白名单内的船舶识别码所对应的海上船舶的等级判定为安全级 别， 并将属于所述黑名单内的船舶识别码所对应的海上船舶的等级判定为威胁级别， 以及 将不属于白名单和黑名单内的船舶识别码所对应的海上 船舶的等级判定为可疑级别； 所述雷达ARPA用于获取距离平台15m~500m的目标区域 内的没有AIS信息的海上船舶的 基本位置， 所述数据处 理中心用于将没有AIS信息的海上 船舶的等级判定为待定级别； 所述监控点包括设置在不同位置上的红外热成像仪， 所述红外热成像仪用于获取距离 平台15m~500m的目标区域内的海 上船舶的红外图像； 所述数据处理中心进一步用于对 所述 红外图像进行处理， 并结合所述平台AIS设备获得的船舶位置以及所述雷达ARPA获得的海 上船舶的基本位置得到目标区域内的海上 船舶的精确位置； 所述监控点进一步包括设置在不同位置上的多个 高清可视摄像头， 所述控制中心根据 经过所述数据处理中心判定的等级为待定级别的海上船舶的位置， 控制相应位置上的高清 可视摄像头工作， 从而获得等级为待定级别的海上船舶的高清图像； 所述数据 处理中心进 一步用于对所述高清图像进行 处理， 将处理后的高清图像输入到预先训练好的船舶分类识 别模型中以确定海上船舶的类型， 将 类型确定为 非设定的工作作业船舶的海上船舶的等级 判定为威胁级别， 并将 类型确定为设定的工作作业船舶的海上船舶的高清图像进一步输入 到预存的白名单船舶图像数据库和 黑名单船舶图像数据库进行图像匹配以确定海上船舶 是否属于白名单或黑名单， 将属于白名单内的海上船舶的等级判定为安全级别， 将属于所 述黑名单内的海上船舶的等级判定为威胁级别， 以及将不属于白名单和黑名单内的海上船 舶的等级判定为可疑级别； 所述控制中心根据经过所述数据处理中心判定的等级为威胁级别和可疑级别的海上 船舶的位置， 控制相应位置上的高清可视摄像头对等级为威胁级别和可疑级别的海上船舶 进行实时跟踪并获取高清图像； 所述数据 处理中心进一步用于对所述高清图像进行处理， 并将处理后的威胁级别的海上船舶所对应的高清图像输入到预先训练好的船舶分割模型 中以确定海上 船舶的边界， 从而得到威胁级别的海上 船舶距离平台的实时距离； 所述控制中心进一步用于在所述数据处理中心得到的威胁级别的海上船舶距离平台 的实时距离等于预警距离时， 控制所述报警驱离装置发出警报以驱离 。 2.根据权利要求1所述的海上平台防登临监控系统， 其特征在于， 所述预先训练好的船 舶分类识别模型的训练过程如下： 构建ResNet网络模型； 获取训练样本， 所述训练样本包括海上 船舶的类型及各种类型 所对应的船舶图像； 基于所述训练样本， 对构建的ResNet网络模型进行训练； 其中， 在每一次训练过程中， 获取训练样本中的多个船舶特征， 基于所述船舶特征进 行卷积操作， 得到初始特征图， 然后权　利　要　求　书 1/5 页 2 CN 115187936 B 2对所述初始特征图进行压缩操作， 得到压缩后的特征图， 并对所述压缩后的特征图进行激 励操作， 生成所述多个船舶特征中各船舶特征的权重， 其中， 不同的船舶特征对应不同的权 重； 基于所述多个船舶特 征和各船舶特征的权重， 确定该训练样本的分类结果； 基于该分类结果和该训练样本中的船舶类型， 对ResNet网络模型的参数进行优化， 并 重新训练， 直至训练结果与该训练样本中的船舶类型 的相似度达到设定相似度， 训练好的 ResNet网络模型作为所述船舶分类识别模型。 3.根据权利要求1所述的海上平台防登临监控系统， 其特征在于， 所述预先训练好的船 舶分割模型的训练过程如下： 构建Deeplabv3卷积神经网络； 获取训练样本和对应的语义分割标注； 所述训练样本包括各种类型的海上 船舶图像； 将训练样本输入到构建的Deepl abv3卷积神经网络， Deepl abv3卷积神经网络以端到端 的方式输出与输入图像尺寸 一致的预测值； 根据语义分割标注获取对应的语义分割标注边界； 使用获得的语义分割标注边界和圆形填充的卷积核将语义分割标注分离为边界区域 和主体区域； 使用分离的边界区域和主体区域结合语义分割标注计算 区域的有 效像素占比； 使用分 离的边界区域和主体区域分别结合语义分割标注计算区域的有效像素占比： P=C1/C2； 其 中， P表示边界区域或主体区域的有效像素占比； C1表示对应区域中有效像素的数 目； C2表 示图像中像素的总数； 使用区域的有效像素占比结合 区域的超参权重计算 区域的动态权重， 使用标准交叉熵 损失结合对应区域的动态权重和Deeplabv3卷积神经网络的预测值计算得到训练样 本的最 终损失值； 使用梯度下降法更新卷积神经网络的权重至收敛， 得到训练完成的Deeplabv3卷积神 经网络； 将训练完成的De eplabv3卷积神经网络作为所述船舶分割模型。 4.根据权利要求3所述的海上平台防登临监控系统， 其特征在于， 所述使用区域的有效 像素占比结合区域的超参权重计算区域的动态权重， 使用标准交叉熵损失结合对应区域的 动态权重和Deeplabv3卷积神经网络的预测值计算得到训练样本的最终损失值具体如下： 其中， L表示训练图像的最终损失； N表示图像中像素的总数； i表示图像中某个像素； 表示该像素点i上卷积神经网络的预测值， 即预测像素i属于语义分割标注中该像素标注类 别的概率； 表示对应区域的超参权重； P表示对应区域的有效像素占比， 所述对应区域包 括表示边界区域或主体区域。 5.根据权利要求1所述的海上平台防登临监控系统， 其特征在于， 所述海上平台防登临 监控系统还包括显示屏， 所述控制中心 根据所述数据处理中心判定的海上船舶的等级按照 威胁级别、 可疑级别和安全级别的顺序通过所述显示屏排列监控跟踪顺序， 且同一个等级 中根据海上 船舶距离平台的实时距离由近 到远的顺