单向无源相阵控扫描识别盗砂船的方法与流程
本发明属于图像识别技术领域，尤其涉及一种单向无源相阵控扫描识别盗砂船的方法。
背景技术：
采砂船，在河道里采砂的专用机器，由浮体浮起整体装置，配有挖掘装置、筛选装置、提升装置、传送装置等，其通过动力装置驱动挖斗上料，石块通过筛选后由输送带传出，砂子由输送带传到指定地点。
盗砂船，即是“三无”采砂船（无船名船号、无船籍港、无船舶证书），根据《长江河道采砂管理条例》规定，即使现场没有发现非法采砂行为，执法人员应依法对盗砂船拆解，拆除其采砂泵、输砂管。
近些年来，由于长江河砂品质好，需求量看涨，价格水涨船高。受利益驱使，一些“三无”采砂船经常在长江水域违法采砂，给航道和生态带来危害。现有技术一般采用人工察看监控大屏的办法，不仅需要手动操作录取跟踪目标，还需要人工报警，自动化程度较低，无法满足实际需求。
此外，现有的盗砂船经常采用“白天隐蔽，夜晚作业”的游击战术，在黑色夜幕的掩护下，经常发生采盗现象，而现有的监控设备通常采用图像对比，在深夜无法监控作业。同样地，在恶劣天气或气象条件不佳时，由于图像识别的杂波较多，很难实现精准监控。
技术实现要素：
本发明正是针对现有技术存在的不足，提供一种单向无源相阵控扫描识别盗砂船的方法。
为解决上述问题，本发明所采取的技术方案如下：
单向无源相阵控扫描识别盗砂船的方法，所述方法包括如下步骤：
sep1.单向识别河岸边界；
由无人机携带扫面设备，如无源相阵控雷达等，沿水域一侧方向进行电磁波扫描，识别出水域的边界；
sep2.识别障碍物和定位；
在扫面识别水域边界的同时进行障碍区扫描，对于识别出的障碍物，根据北斗定位和/或gps定位确定其坐标；
sep3.识别障碍物是否为盗砂船；
识别障碍物是否为盗砂船，采用深度学习网络进行识别判断；
sep4.单向扫描完整个河岸边界；
沿水域一侧方向进行扫描，直到确定水域边界为止；在此期间可能扫描发现障碍物，也可能未发现障碍物；
sep5.转向后重复识别对岸障碍物；
无人机沿自身方向旋转调头后，再沿反方向扫描另一侧的水域边界，重复sep1~sep4；
sep6.分析定位所有船只是否采砂船只；
根据sep3和sep5确定的采砂船，根据北斗定位和/或gps定位确定其坐标，并对坐标进行修订；
sep7.上报数据并预警；
上报sep6的数据，判断是否为合法采砂船，如果不是报警并人为干预。
作为上述技术方案的改进，在sep2中，通过伪距测量确定障碍物的坐标位置。
作为上述技术方案的改进，在sep3中，识别盗砂船包括如下步骤：
步骤一、构建训练集：利用照相设备分别采样一定数量的船只图片、砂土图片、采砂船图片，进行预处理和数据标注；
步骤二、构建基于深度学习的船只识别神经网络，利用船只图片进行网络训练；
步骤三、构建基于深度学习的砂土识别网络，利用砂土图片进行网络训练；
步骤四、将步骤二和步骤三的网络特征共享，构建识别采砂船只的神经网络，利用采砂船图片进行网络训练；
步骤五、监控设备对监控水域进行实时图像采样和预处理；
步骤六、利用训练好的识别采砂船只的神经网络分析步骤五采样图像中是否有采砂船只。
作为上述技术方案的改进，在sep6中，根据北斗定位和/或gps定位确定其坐标，并对坐标进行修订，采用载波相位测量及载波相位定位或实时差分定位进行修订。
本发明与现有技术相比较，本发明的实施效果如下：
本发明所述单向无源相阵控扫描识别盗砂船的方法，通过单向无源相阵控雷达扫描识别水域中的船只，可以识别出停靠在岸边的船只还是正在水域中作业的船只，由于采用单向无源相阵控雷达扫描，其不受天气、时间的限制；由于采用单向扫描，这样大大降低了适时计算量；通过来回两次扫描，可以准确识别水域中的所有船只；通过构建基于深度学习的神经网络识别，识别精度高；通过北斗定位和/或gps定位和修订，其位置信息准确。
附图说明
图1为本发明所述相阵控扫描识别盗砂船的方法示意图；
图2为本发明所述单向相阵控扫描识别盗砂船示意图；
图3为本发明所述反向相阵控扫描识别盗砂船示意图；
图4为本发明所述盗砂船识别方法中数据标注示意图。
具体实施方式
下面将结合具体的实施例来说明本发明的内容。
如图1所示，本发明所述单向无源相阵控扫描识别盗砂船的方法，包括如下步骤：
sep1.单向识别河岸边界；
由无人机携带扫面设备，如无源相阵控雷达等，沿水域一侧方向进行电磁波扫描，识别出水域的边界；
sep2.识别障碍物和定位；
在扫面识别水域边界的同时进行障碍区扫描，对于识别出的障碍物，根据北斗定位和/或gps定位确定其坐标；
sep3.识别障碍物是否为盗砂船；
识别障碍物是否为盗砂船，采用深度学习网络进行识别判断；
sep4.单向扫描完整个河岸边界；
沿水域一侧方向进行扫描，直到确定水域边界为止；在此期间可能扫描发现障碍物，也可能未发现障碍物；
sep5.转向后重复识别对岸障碍物；
无人机沿自身方向旋转调头后，再沿反方向扫描另一侧的水域边界，重复sep1~sep4；
sep6.分析定位所有船只是否采砂船只；
根据sep3和sep5确定的采砂船，根据北斗定位和/或gps定位确定其坐标，并对坐标进行修订；
sep7.上报数据并预警；
上报sep6的数据，判断是否为合法采砂船，如果不是报警并人为干预。
本发明所述扫描识别盗砂船的方法，在sep1中，利用无人机进行单向雷达扫描，雷达波是一种电磁波，任何物体都能够反射和吸收电磁波，但是反射和吸收的系数不同，于是形成了反差，雷达就是利用反差识别物体和水域边界。
本发明所述扫描识别盗砂船的方法，在sep2中，通过伪距测量确定障碍物的坐标位置。伪距测量就是测定卫星到接收机的距离，即由卫星发射的测距码信号到达gps接收机的传播时间乘以光速所得的距离，伪距法单点定位，就是利用gps接收机在某一时刻测定与4颗以上gps卫星的伪距，及从卫星导航电文中获得的卫星瞬时坐标，采用距离交会法求出天线在wgs-84坐标系中的三维坐标。
本发明所述扫描识别盗砂船的方法，在sep3中，识别盗砂船包括如下步骤：
步骤一、构建训练集：利用照相设备分别采样一定数量的船只图片、砂土图片、采砂船图片，进行预处理和数据标注；
步骤二、构建基于深度学习的船只识别神经网络，利用船只图片进行网络训练；
步骤三、构建基于深度学习的砂土识别网络，利用砂土图片进行网络训练；
步骤四、将步骤二和步骤三的网络特征共享，构建识别采砂船只的神经网络，利用采砂船图片进行网络训练；
步骤五、监控设备对监控水域进行实时图像采样和预处理；
步骤六、利用训练好的识别采砂船只的神经网络分析步骤五采样图像中是否有采砂船只。
在步骤一中，包括以下方法：
步骤1.1、图像采集：利用照相设备分别采样多张船只图片、砂土图片和采砂船图片，这里第一类图片，即船只图片，可为任意普通船只，不限定为采砂船，船只图片至少包括：渔船、货船、快艇、巡逻船、巡逻艇、游轮、运砂船；第二类图片，即砂土图片，不限定为正被采砂船采集的砂土，也可以是岸边堆积的砂土；第三类图片即采砂船图片，需要限定为正在采砂或已实施采砂行为的船只；
步骤1.2、预处理：图片尺寸归一化到h*w的三通道rgb图片i，其中h为图片高度，w为图片宽度；
步骤1.3、数据标注：对三类图片，分别以红色目标框标注船只区域、砂土区域和采砂船区域，如图4所示。
在步骤二中，构建基于深度学习的船只识别神经网络，利用步骤一中采集的船只图片进行网络训练；
本发明所述的船只识别神经网络，包括输入层、卷基层、激活层、池化层、全连接层和输出层，从输入到输出，卷积神经网络层与层之间通过不同的计算神经节点建立关系，逐层传递输入信息，连续的卷积-池化结构将原始数据的特征信号解码、演绎、汇聚，映射到隐层特征空间，之后的全连接层根据提取的特征进行分类输出。
在图像处理中，一副数字图像可以看作是一个二维空间的离散函数，记为f（x，y）。假设存在二维卷积函数g（x，y），则会生成输出图像z（x，y），则可表示为：
z（x，y）=f（x，y）*g（x，y）
这样，便利用卷积运算来实现对图片特征的提取。同样在深度学习应用中，当输入船只图片是一副包含rgb三通道的彩色图像时，图像由多个像素点组成，则这样的输入便是一个3*图像宽度*图像长度的高维数组，相应地，卷积核作为计算参数，同样也是一个高维数组。在二维图像作为输入时，相应地卷积运算可以表达为：
其积分形式为：
如果给定一个尺寸为h*w的卷积核，则有：
其中，f代表输入图像，g代表卷积核，h和w为核的大小。
实际上，在运算过程中，卷积运算的实现，通常由矩阵的乘积来表示。假设船只尺寸为m*m，卷积核的尺寸为n*n，在计算时，卷积核与图像的每个n*n大小的图像区域相乘，相当于把n*n的图像区域提取出来，表示成一个长度为n*n的列向量。在0个零填充，步进为1的滑动操作中，一共可以得到（m-n+1）*（m-n+1）个计算结果。当把这些小图像区域均表示为n*n的列向量时，则原始图像可由矩阵[n*n*（m-n+1）*（m-n+1）]来表示。假设卷积核的个数为k，则原始图像经上述卷积操作后得到的输出为k*（m-n+1）*（m-n+1），即输出为：卷积核的个数*卷积后的图像宽度*卷积后的图像长度。
同样地，在步骤三中，构建基于深度学习的砂土图片神经网络，利用步骤一中采集的砂土图片进行网络训练，其计算过程如步骤二相同，输入由原来的船只图片修改为砂土图片。
同样地，在步骤四中，构建基于深度学习的采砂船只神经网络，利用步骤一中采集的采砂船只进行网络训练，其计算过程如步骤二相同，输入由原来的采砂船只修改为砂土图片。
在步骤五中，监控设备对监控水域进行实时图像采样和预处理。本发明采用的高清摄像机进行水域监控，高清摄像机一般每秒采集25帧图像，每帧1080p格式图像尺寸为1920×1080，具有207万个像素点，而每个像素点用3个字节表示彩色rgb分量，因此在1秒钟之内需要处理1.5亿字节，对图像处理的实时性要求极高。为了能快速、高效地处理数据，本发明采用了分模块和多线程并行处理技术。具体方法见中国专利cn201611262691.8，此处不再赘述。
图像预处理，即如步骤1.2所述：将采集到的图片尺寸归一化到h*w的三通道rgb图片i，其中h为图片高度，w为图片宽度。
在步骤六中，利用训练好的识别采砂船只的神经网络，分析步骤五采样图像中是否有采砂船只。
在此步骤中，包括如下步骤：
（1）首先根据步骤二~步骤四的学习方法，构建用于检测的深度网络：包括三个检测任务，即，识别图片中的船只区域，建立船只识别深度网络
（2）在此基础上，三个深度网络
（3）从热图
本发明所述扫描识别盗砂船的方法，在sep6中，根据北斗定位和/或gps定位确定其坐标，并对坐标进行修订，采用载波相位测量及载波相位定位或实时差分定位进行修订。
载波相位测量是测定gps卫星载波信号到接收机天线之间的相位延迟。gps卫星载波上调制了测距码和导航电文，接收机接收到卫星信号后，先将载波上的测距码和卫星电文去掉，重新获得载波，称为重建载波。gps接收机将卫星重建载波与接收机内由振荡器产生的本振信号通过相位计比相，即可得到相位差。
实时差分定位是在已有的精确地心坐标点上安放gps接收机（称为基准站），利用已知的地心坐标和星历计算gps观测值的校正值，并通过无线电通信设备（称为数据链）将校正值发送给运动中的gps接收机（称为流动站）。流动站利用校正值对自己的gps观测值进行修正，以消除上述误差，从而提高实时定位精度。gps动态差分方法有多种，主要有位置差分、伪距差分(rtd)、载波相位实时差分(rtk)和广域差分等。
如图2所示，为本发明所述单向相阵控扫描识别盗砂船示意图；图3为本发明所述反向相阵控扫描识别盗砂船示意图。自然水域中包括左侧1及相对应的右侧2，在左侧1、右侧2之间的水域上有多个船只3，雷达4沿a向或b向进行单向扫描，即图2中沿a向对左侧1进行扫描，在图3中沿b向对右侧2进行扫描，采集并识别所有船只3是否为盗砂船，并记录其坐标定位。
以上内容是结合具体的实施例对本发明所作的详细说明，不能认定本发明具体实施仅限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明保护的范围。
- 还没有人留言评论。精彩留言会获得点赞！