[发明专利]一种基于监控航标灯的船只碰撞预警监测系统及方法

权利要求书

1.一种基于监控航标灯的船只碰撞预警监测系统的预警监测方法，其特征在于，

所述监控航标灯的船只碰撞预警监测系统包括：

底座、折叠支撑杆、太阳能电池板、壳体、透明有机玻璃防护罩、航标灯、摄像头组件、主控制板、加速度传感器、蓄电池组、GPS定位模块、光感应器、充电控制板、网络模块以及后台服务器；

所述底座用来安置在航标船只平台上，所述折叠支撑杆下部设置在所述底座上，所述折叠支撑杆端部与所述太阳能电池板相连，所述折叠支撑杆撑开后可张开所述太阳能电池板为所述蓄电池组供电；所述壳体，用于固定所述的折叠支撑杆、太阳能电池板和透明有机玻璃防护罩，并容纳所述蓄电池组；所述透明有机玻璃防护罩用于紧固所述航标灯，并在所述底座上安装固定四个各成90度的所述四个摄像头组件；所述主控制板用于连接所述的摄像头组件、GPS定位模块、光感应器、充电控制板、网络模块、加速度传感器、并对本系统加以控制；所述网络模块与所述后台服务器连接；所述充电控制板分别与所述的太阳能电池板、蓄电池组连接；所述蓄电池组与所述航标灯连接；

所述摄像头组件用于轮询对航道的多个不同方向拍摄图像，拍摄的目的在于发现船只，轮询工作的目的在于省电；

所述主控制板用于连接各种传感器并运行监控程序；

所述加速度传感器用于检测是否有异常事件产生；

所述蓄电池组用于保存太阳能电池转换的电力，并对外供电；

所述太阳能电池板用于向蓄电池组供电；

所述GPS定位模块用于接收卫星信号并提供当前位置的经纬度信息；

所述光感应器用于检测外界环境的亮度；

所述网络模块用于异常事件发生时向后台服务器发送警告与证据信息；

所述后台服务器用于接收和保存各种报警信息与证据资料，并下发各种指令操控前端设备进行拍摄；

所述充电控制板用于所述蓄电池组的充电和放电管理，在电池欠压、过压、温度各个方面进行保护，在正常时输出电流点亮所述航标灯，并维持所述主控制板的工作电压与电流；

所述主控制板同时监控该工作电压，当下降到低于门限电压时，所述主控制板强行停止当前监控任务，进入休眠低功耗状态，以节省电力尽量维持航标灯的工作时间；

所述预警监测方法，包括以下步骤：

步骤1：构建训练集搭建神经网络模型识别船只类别与船只在图像中位置；

步骤2：主控制板上控制摄像头组件轮询进行图像采集；

步骤3：船只识别并基于分类做出模糊距离判断；

步骤4：后台服务器根据所述加速度传感器进行船只撞击事件发生后的三级警报；

步骤1中所述构建训练集搭建神经网络模型为：

选择MobileNet-SSD作为神经网络模型，通过预先准备的各种船只图片作为训练集训练该模型参数，各种船只图片输入网络前需经过图像增强处理并人工标定；

所述图像增强处理为：

将训练集中各种船只图片翻转，旋转，变形，添加高斯噪声并灰度化；

所述人工标定为：

图像增强处理后的训练集图片共S张，被标定为K类，每类图片的数量分别为:

S₁，S₂，S₃…S_K，框选出每张图片中的目标物体为：

所述MobileNet-SSD网络模型为T₁层的卷积层和T₂层的全连接层，其中卷积层的输出作为全连接层的输入；

T₁层的卷积层的输入节点大小均为300×300，由于训练集图片大小不一致，需对输入卷积层的图片进行双线性插值缩放大小成为300×300的图片；

T₁层的卷积层均选择3×3的卷积核，抽取输入卷积层的图片在第(T₁)层，第(T₁-2)层，第(T₁-4)层，第(T₁-6)层上产生的卷积特征图作为分类的依据，这四层卷积特征图大小各不相同；

假设卷积特征图的大小为m×n，以每个像素点为中心分别产生大小为0.17m×0.36n，0.36n×0.17m,0.09n×0.09n,0.18m×0.18m的四个默认框作为检测画面中物体所在位置的依据假设；

所述默认框的属性为：

[c_x,c_y,w,h]＝[i,j,m′,n′]

其中，[c_x,c_y,w,h]表示默认框的中心位置和宽高，[i,j,m′,n′]表示此默认框的中位置在卷积特征图中的座标为[i,j],默认框的大小为m′×n′；

总计产生Pos个默认框，则

Pos＝4*m*n

所述默认框可视作二维矩阵，该二维矩阵经flatten算法处理后成为所述T₂层的全连接层的输入，训练所述神经网络模型时，全连接层的输出为R[k],k∈[1,K]，表示默认框内预测K类物体的概率，也可称作识别分数，选取最大概率的检测结果max R[k]作为默认框内物体的最终预测分类结果；

所述神经网络模型的目标函数为：

J(θ_tr)＝min(L(x,c,l,g))

其中，N为训练集中默认框与真实框匹配的个数，匹配意味着默认框与真实框的相交达到一半以上，θ_tr为网络中所有参数的集合即目标函数所求解，L_class(x,c)为置信损失，即分类损失，采用交叉熵损失函数，L_loc(x,l,g)为位置损失，采用Smooth L1位置回归函数；

其中，当时表示第μ个默认框与第γ个真实框匹配，且为第p个类，c为该类别的置信度即概率值，l为所预测的目标物体在图片中所占的位置，g为真实框，v为从默认框中选出的待预测的框，表示是编码后的真实框位置参数，表示所选取默认框的预测值，表示正确且类别为背景预测框的概率值，表示为利用Softmax函数计算的概率值；

利用随机梯度下降算法对损失函数J(θ_tr)进行优化，寻求最优解θ_tr，即神经网络模型参数,根据最优解参数，预测结果的输出为全连接层的输出为max(R[k])＞0.5,k∈[1,K]的默认框与其相对应的max(R[k])；

此时默认框之间存在着相互堆叠，面积重复的问题，采用非极大值抑制算法去除冗余的默认框,并将重复区域过大的默认框合并，具体实现为：

将有重复面积大于一半的G个堆叠默认框视作一个邻域，邻域内的识别分数可表示为[R₁,R₂…R_g]，选择其中max[R₁,R₂…R_g]所对应的默认框保留，并将其它默认框的识别分数降为0；最终去掉图片中所有识别分数为0的默认框；

经过所述非极大值抑制算法得到图片中的默认框即为识别船只在图像中位置，由默认框的属性[c_x,c_y,w,h]可以得到该默认框在图片中的位置；

步骤3中所述船只识别并基于分类做出模糊距离判断为：

主控制板将实时拍摄的画面进行船只识别并分类，若未发现画面中出现船只，则返回重复步骤2；若发现船只存在，由于每一种船只由于大小尺寸不同，在相同分辨率大小的图片中，通过同一摄像头拍摄得到的大小可反映出到摄像头或航标灯设备的初步距离，通过由远及近将画面中的船只大小与实际距离设置对应关系，则可以大致测量得到船只与航标灯的距离：

船只经识别分类之后，该分类下船只的实际高度为h_N，据默认框的属性[c_x,c_y,w,h]得到默认框的大小为w×h，摄像头拍摄的画面分辨率为A×B，其中A为画面宽，B为画面高：

针对K种类型的船只，设置K种不同的比例区间，假设第K类船只的比例区间分别为Y₁,Y₂…Y_χ,每个比例区间对应着一个距离，当Y_(ι-1)＜τ＜Y_ι,ι∈[1,2…χ]，则认为当前船只距离航标灯的距离为l_ι，若l_ι小于门限距离，则认为船只距离过近，预测船只碰撞事件极有可能发生，并发出相应的警告信号给联合报警模块，同时开始采集图像，保留可能的证据；并执行步骤4在录制期间，每隔T秒提取一帧图片交给分类距离判别模块进行分析，T为一个根据应用环境可调整的参数；如果船只距离已经远离了门限距离，则停止录制；保留录制的视频作为船只撞击事件的证据；

否则返回并重复步骤2，等待摄像头轮询下一幅图片继续处理。