本發(fā)明屬于圖像識別，具體是一種基于ai人工智能的航標故障智能識別系統(tǒng)。

背景技術(shù)：

1、在海洋經(jīng)濟日益繁榮的今天，航海安全保障作為海洋事業(yè)發(fā)展的基石，其重要性不言而喻。航標作為航海中的重要導航設(shè)施，為船舶提供著精準的導航信息，是船舶安全航行的有力保障。

2、隨著航?；顒拥脑龆嗪秃綐藬?shù)量的快速增長，航標巡視巡檢工作面臨著巨大的挑戰(zhàn)。傳統(tǒng)的人工巡檢方式效率低下、成本高昂，且難以實現(xiàn)對航標狀態(tài)的實時監(jiān)控，這在一定程度上影響了航海安全保障的水平。隨著人工智能技術(shù)的迅猛發(fā)展，為解決航標巡視巡檢的難題提供了新的思路和方法。ai技術(shù)，特別是計算機視覺、機器學習和深度學習等領(lǐng)域的突破，使得航標巡視巡檢的自動化、智能化成為可能。

3、綜上所述，傳統(tǒng)的人工巡檢方式效率低下、成本高昂和難以實現(xiàn)實時監(jiān)控已經(jīng)成為該領(lǐng)域技術(shù)人員急需解決的問題，為此有必要提出一種基于ai人工智能的航標故障智能識別系統(tǒng)。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明的目的是提供一種基于ai人工智能的航標故障智能識別系統(tǒng)，通過ai技術(shù)，可以實現(xiàn)對航標狀態(tài)的實時監(jiān)測、自動識別和智能分析，從而大幅提高航標巡視巡檢的效率和準確性，降低人力和物力成本，提升航海安全保障水平。

2、為了實現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種基于ai人工智能的航標故障智能識別系統(tǒng)，包括若干用于實時拍攝航標影像數(shù)據(jù)的攝像頭、平臺層、算法層和用于系統(tǒng)配重的硬件層；平臺層包含如下模塊：

3、ai中臺：作為系統(tǒng)的基礎(chǔ)平臺，負責數(shù)據(jù)的輸入、處理、任務(wù)管理、算力調(diào)度、報警處理以及數(shù)據(jù)的處理和存儲。

4、數(shù)據(jù)輸入處理服務(wù)模塊：負責接收來自不同攝像頭拍攝的影像數(shù)據(jù)，對不同攝像頭視頻流接入，以及攝像頭控制接入提供支持。

5、任務(wù)管理模塊：根據(jù)預(yù)設(shè)的巡檢計劃，自動調(diào)度巡檢任務(wù)，并監(jiān)控任務(wù)執(zhí)行情況。

6、算力調(diào)度模塊：根據(jù)任務(wù)需求，分配計算資源。

7、ai報警處理服務(wù)模塊：用于當ai算法檢測到航標狀態(tài)異常時，系統(tǒng)自動生成報警信息，并發(fā)送給值班人員。

8、算法層包含如下模塊：

9、航標識別算法模塊：利用訓練后的卷積神經(jīng)網(wǎng)絡(luò)對航標圖像進行特征提取和分類，實現(xiàn)對航標的自動識別。

10、外觀狀態(tài)識別算法模塊：通過深度學習算法對航標外觀圖像進行特征提取和分類，實現(xiàn)對航標外觀狀態(tài)的自動識別，當識別出航標存在破損、傾斜和燈光昏暗情況超出預(yù)設(shè)范圍時標記為異常。

11、燈質(zhì)狀態(tài)識別算法模塊：利用圖像處理算法對航標燈質(zhì)圖像進行圖像處理及分析，對識別的狀態(tài)與已知的航標燈正確狀態(tài)進行對比分析，實現(xiàn)對航標燈光狀態(tài)的異常狀態(tài)判斷。

12、進一步，硬件層包括如下模塊：

13、服務(wù)器：部署ai中臺和算法層，提供計算能力和數(shù)據(jù)處理能力，根據(jù)任務(wù)需要，彈性增加gpu算力。

14、存儲設(shè)備：用于存儲攝像頭采集的數(shù)據(jù)以及ai中臺處理后的數(shù)據(jù)。

15、網(wǎng)絡(luò)設(shè)備：用于構(gòu)建網(wǎng)絡(luò)環(huán)境，實現(xiàn)數(shù)據(jù)的傳輸和共享。

16、輔助設(shè)備：用于采集預(yù)設(shè)區(qū)域內(nèi)的水波動頻率和強度輔助平臺層對航標進行實時監(jiān)測。

17、進一步，算法層中卷積神經(jīng)網(wǎng)絡(luò)基于航標圖像數(shù)據(jù)模型和航標特征數(shù)據(jù)模型進行訓練。

18、進一步，算法層中圖像數(shù)據(jù)使用前進行清洗與標注工作。

19、進一步，算法層中收集航標圖像后,再收集負樣本數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)用于基于負樣本數(shù)據(jù)模型進行訓練以提高在實際場景中的泛化能力。

20、進一步，算法層中對訓練后的算法模型進行評估和測試，使用準確率和召回率指標來衡量模型的性能。

21、進一步，算法層中圖像數(shù)據(jù)通過數(shù)據(jù)收集與清洗標注后，使用目標檢測算法模型yolov8對航標數(shù)據(jù)進行姿態(tài)檢測與損壞檢測。

22、進一步，算法層中采用網(wǎng)格搜索和隨機搜索方法，通過調(diào)整訓練樣本數(shù)、學習率和批次大小參數(shù)，搜索出參數(shù)組合。

23、進一步，外觀狀態(tài)識別算法模塊還用于獲取輔助設(shè)備采集水波動頻率和強度數(shù)據(jù)，外觀狀態(tài)識別算法模塊識別航標傾斜狀況時，基于水波動頻率和強度數(shù)據(jù)將識別出的傾斜幅度縮小0％至30％后再基于預(yù)設(shè)范圍進行傾斜情況判斷。

24、進一步，網(wǎng)絡(luò)設(shè)備還用于通過網(wǎng)絡(luò)獲取公開的氣象預(yù)測信息，當航標處于低可見度的惡劣氣象下時，基于氣象預(yù)測信息的惡劣氣象時段中可見度在預(yù)設(shè)值以上的時間節(jié)點，將惡劣氣象時段分為若干檢測段，每個檢測段內(nèi)均收集各輔助設(shè)備采集的水波動頻率和強度數(shù)據(jù)，生成以時間為x軸波動強度為y軸的波動函數(shù)；攝像頭用于在每個檢測段結(jié)束的時間節(jié)點，以各輔助設(shè)備的波動函數(shù)的積分計算值大小順序進行輔助設(shè)備對應(yīng)區(qū)域的圖像采集。

25、采用上述方案后實現(xiàn)了以下原理以及有益效果：

26、1、本發(fā)明的系統(tǒng)通過利用北海航標處視頻資源和高清攝像機實時采集海上視頻，基于ai圖像分析技術(shù)建立深度學習算法，對攝像頭的視頻圖像進行分析與識別，智能識別出海上的航標，并通過ai算法提供識別航標外觀狀態(tài)、發(fā)光燈質(zhì)、發(fā)光頻率及顏色的服務(wù)。在結(jié)合配套ai中臺，可對發(fā)現(xiàn)的航標外觀異常事件進行記錄、報警、審核及反饋，實現(xiàn)航標狀態(tài)的閉環(huán)化管理。攝像頭硬件設(shè)備實時采集航標及其周圍環(huán)境的圖像數(shù)據(jù)。收集的數(shù)據(jù)包括正常狀態(tài)和異常狀態(tài)的航標圖像，以及非航標物體的負樣本數(shù)據(jù)。對收集到的圖像數(shù)據(jù)進行清洗與標注，確保數(shù)據(jù)質(zhì)量，為后續(xù)算法訓練提供可靠的數(shù)據(jù)集。通過ai技術(shù)實現(xiàn)航標的實時監(jiān)測、自動識別和智能分析，大幅提高了航標巡視巡檢的效率和準確性。

27、2、本發(fā)明中的算法處理：航標識別，利用卷積神經(jīng)網(wǎng)絡(luò)對航標圖像進行特征提取和分類，實現(xiàn)航標的自動識別。外觀狀態(tài)識別，通過深度學習算法對航標外觀圖像進行特征提取和分類，判斷航標外觀是否完好。燈質(zhì)狀態(tài)識別，利用圖像處理算法對航標燈光圖像進行分析，與標準燈光狀態(tài)對比，判斷燈光是否異常。使用目標檢測算法yolov8進行姿態(tài)檢測與損壞檢測，提高識別的準確性和效率。最終通過網(wǎng)格搜索和隨機搜索方法優(yōu)化算法參數(shù)，確保算法性能最優(yōu)。通過收集和分析大量數(shù)據(jù)，為航標管理和維護提供數(shù)據(jù)支持，有助于制定更加科學合理的決策。系統(tǒng)及時發(fā)現(xiàn)并處理航標故障，提高了航海安全保障水平，減少了因航標故障導致的航海事故。

28、3、本發(fā)明中的系統(tǒng)調(diào)度與管理：ai中臺作為系統(tǒng)核心，負責數(shù)據(jù)處理、任務(wù)管理、算力調(diào)度和報警處理。系統(tǒng)根據(jù)預(yù)設(shè)的巡檢計劃自動調(diào)度巡檢任務(wù)，并監(jiān)控任務(wù)執(zhí)行情況。系統(tǒng)根據(jù)任務(wù)需求動態(tài)分配計算資源，提高系統(tǒng)運行效率。當系統(tǒng)檢測到航標狀態(tài)異常時，自動生成報警信息并發(fā)送給值班人員。自動化監(jiān)測減少了人工巡檢的需求，降低了人力和物力成本。

29、4、本發(fā)明中外觀狀態(tài)識別算法模塊不僅依賴傳統(tǒng)的圖像來判斷航標傾斜，還創(chuàng)新性地引入了水波動頻率和強度數(shù)據(jù)。這些數(shù)據(jù)通過輔助設(shè)備采集，能夠反映水流對航標的影響。在識別傾斜狀況時，算法首先基于水波動數(shù)據(jù)對初步識別的傾斜幅度進行0％至30％的縮小調(diào)整，這一步驟旨在減少因水流波動導致的誤判，提高傾斜識別的準確性。隨后，算法將調(diào)整后的傾斜幅度與預(yù)設(shè)范圍進行比較，以判斷航標是否處于異常傾斜狀態(tài)。

30、5、本發(fā)明中網(wǎng)絡(luò)設(shè)備實時獲取公開的氣象預(yù)測信息，特別是針對低可見度惡劣氣象的預(yù)測。當預(yù)測到航標可能處于低可見度環(huán)境時，算法根據(jù)氣象預(yù)測中可見度在預(yù)設(shè)值以上的時間節(jié)點，將惡劣氣象時段細分為多個檢測段。每個檢測段內(nèi)，系統(tǒng)收集各輔助設(shè)備的水波動數(shù)據(jù)，并生成波動函數(shù)，以時間為x軸、波動強度為y軸，直觀展示水波動情況。在每個檢測段結(jié)束時，攝像頭不直接進行全區(qū)域掃描，而是根據(jù)各輔助設(shè)備波動函數(shù)的積分計算值大小順序，優(yōu)先采集波動較大的區(qū)域圖像。這種策略能夠更有效地利用攝像頭資源，優(yōu)先關(guān)注可能因水流或風浪影響而更需關(guān)注的區(qū)域，提高監(jiān)測效率和準確性。