本申请涉及智能化识别,尤其涉及一种基于1dcnn-lstm的渔船作业行为识别方法。
背景技术:
1、海洋捕捞作业是水产品供给的主要方式,对于保障渔业经济发展具有重要的意义。由于渔船违规捕捞、船证不符、作业不规范等问题导致海洋渔业资源衰退,海洋生态系统也遭到了严重破坏。如何加强渔船监管能力,有效保护渔业资源是急需解决的重要问题。
2、根据渔业管理部门要求,渔船必须安装船舶监控系统(vessel monitoringsystem,vms)、船舶自动识别系统(automatic identification system,ais)以及渔船北斗设备,这些设备可以获取渔船的艏向、航速以及位置等轨迹信息,这些数据使得采用数据挖掘的方式实现渔船行为识别变为可能。
3、目前采用轨迹数据进行渔船作业行为识别的方法主要包括机器学习和深度学习。其中,机器学习需要手动提取特征,其过程非常繁琐,且需要一定的先验知识。近年来,深度学习因具有自主学习能力,在模式识别领域取得了巨大成功。虽然深度学习在学习渔船行为识别中取得了一定的研究成果,但仍然存在检测精度不高的问题。
4、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、本申请提供一种基于1dcnn-lstm的渔船作业行为识别方法,其结合一维卷积神经网络(1d cnn)和长短期记忆神经网络(lstm)建立1dcnn-lstm渔船作业行为判断模型,以充分利用1d cnn提取渔船轨迹的相关特征,并利用lstm能够反映输入时间序列的历史信息的能力,对渔船作业轨迹信息进行作业行为判断。这样,实现对渔船作业类型的准确识别。
2、本申请还提供了一种基于1dcnn-lstm的渔船作业行为识别方法,其包括:
3、获取渔船轨迹数据;
4、提取所述渔船轨迹数据的轨迹特征以得到渔船轨迹特征图;
5、提取所述渔船轨迹特征图的语义关联特征以得到渔船轨迹语义编码特征向量;
6、基于所述渔船轨迹语义编码特征向量,确定渔船的作业类型。
7、在上述基于1dcnn-lstm的渔船作业行为识别方法中,提取所述渔船轨迹数据的轨迹特征以得到渔船轨迹特征图,包括:利用深度学习网络模型对所述渔船轨迹数据进行特征提取以得到所述渔船轨迹特征图。
8、在上述基于1dcnn-lstm的渔船作业行为识别方法中,所述深度学习网络模型为基于卷积层的渔船轨迹特征提取器。
9、在上述基于1dcnn-lstm的渔船作业行为识别方法中,所述基于卷积层的渔船轨迹特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
10、在上述基于1dcnn-lstm的渔船作业行为识别方法中,利用深度学习网络模型对所述渔船轨迹数据进行特征提取以得到所述渔船轨迹特征图,包括:将所述渔船轨迹数据通过所述基于卷积层的渔船轨迹特征提取器以得到所述渔船轨迹特征图。
11、在上述基于1dcnn-lstm的渔船作业行为识别方法中,提取所述渔船轨迹特征图的语义关联特征以得到渔船轨迹语义编码特征向量,包括:对所述渔船轨迹特征图进行特征分布优化以得到优化后渔船轨迹特征图;调整所述优化后渔船轨迹特征图的维度以得到渔船轨迹局部特征向量的序列;将所述渔船轨迹局部特征向量的序列通过基于lstm模型的序列编码器以得到所述渔船轨迹语义编码特征向量。
12、在上述基于1dcnn-lstm的渔船作业行为识别方法中,调整所述优化后渔船轨迹特征图的维度以得到渔船轨迹局部特征向量的序列,包括:使用特征展平层将所述优化后渔船轨迹特征图的沿通道维度的各个特征矩阵进行特征展平化以得到所述渔船轨迹局部特征向量的序列。
13、在上述基于1dcnn-lstm的渔船作业行为识别方法中,基于所述渔船轨迹语义编码特征向量,确定渔船的作业类型,包括:将所述渔船轨迹语义编码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渔船的作业类型。
14、在上述基于1dcnn-lstm的渔船作业行为识别方法中,将所述渔船轨迹语义编码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渔船的作业类型,包括:使用所述分类器的多个全连接层对所述渔船轨迹语义编码特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
15、与现有技术相比,本申请提供的基于1dcnn-lstm的渔船作业行为识别方法,其结合一维卷积神经网络(1d cnn)和长短期记忆神经网络(lstm)建立1dcnn-lstm渔船作业行为判断模型,以充分利用1d cnn提取渔船轨迹的相关特征,并利用lstm能够反映输入时间序列的历史信息的能力,对渔船作业轨迹信息进行作业行为判断。这样,实现对渔船作业类型的准确识别。
1.一种基于1dcnn-lstm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1dcnn-lstm的渔船作业行为识别方法,其特征在于,提取所述渔船轨迹数据的轨迹特征以得到渔船轨迹特征图,包括:
3.根据权利要求2所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,所述深度学习网络模型为基于卷积层的渔船轨迹特征提取器。
4.根据权利要求3所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,所述基于卷积层的渔船轨迹特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
5.根据权利要求4所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,利用深度学习网络模型对所述渔船轨迹数据进行特征提取以得到所述渔船轨迹特征图,包括:
6.根据权利要求5所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,提取所述渔船轨迹特征图的语义关联特征以得到渔船轨迹语义编码特征向量,包括:
7.根据权利要求6所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,调整所述优化后渔船轨迹特征图的维度以得到渔船轨迹局部特征向量的序列,包括:
8.根据权利要求7所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,基于所述渔船轨迹语义编码特征向量,确定渔船的作业类型,包括:
9.根据权利要求8所述的基于1dcnn-lstm的渔船作业行为识别方法,其特征在于,将所述渔船轨迹语义编码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渔船的作业类型,包括: