Resumen

La infraestructura de detección basada en vídeo es crucial para promover el desarrollo del transporte marítimo conectado y autónomo (CAS), que proporciona datos críticos sobre el tráfico in situ para los participantes marítimos. El análisis del comportamiento de los buques, una de las tareas fundamentales para completar la infraestructura de detección inteligente basada en vídeo, se ha convertido en un tema activo en la comunidad CAS. Los estudios anteriores se centraban en el análisis del comportamiento de los buques explorando la información espaciotemporal de los datos del sistema de identificación automática (AIS), y se prestaba menos atención a los vídeos de vigilancia marítima. Para colmar esta laguna, propusimos un marco de conjunto "sólo se mira una vez" (YOLO, por sus siglas en inglés) para el análisis del comportamiento de los buques. En primer lugar, empleamos la red neuronal convolucional en el modelo YOLO para extraer características multiescala del buque a partir de las imágenes de entrada. En segundo lugar, el marco propuesto generó muchos recuadros delimitadores (es decir, posiciones potenciales del barco) basados en el nivel de confianza del objeto. En tercer lugar, suprimimos las interferencias de los recuadros delimitadores de fondo y determinamos los resultados de la detección de barcos con el criterio de intersección sobre unión (IOU), obteniendo así las posiciones de los barcos en cada imagen. En cuarto lugar, analizamos el comportamiento espaciotemporal de los buques en imágenes marítimas consecutivas basándonos en la información cinemática de los buques. Los resultados experimentales han demostrado que los buques se detectan con precisión (es decir, tanto la tasa media de recuperación como la de precisión fueron superiores al 90%) y que los comportamientos históricos de los buques se reconocen con éxito. El marco propuesto puede desplegarse de forma adaptativa en el sistema de detección de vehículos conectados y autónomos en la terminal automatizada con el fin de explorar las interacciones acopladas entre la variación del flujo de tráfico y las infraestructuras de detección heterogéneas, y mejorar así la capacidad y la seguridad de la red de tráfico de la terminal.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:análisis del comportamiento de los buques, marco, infraestructura de detección, sistema autónomo de detección de vehículos, capacidad de la red de tráfico de terminales, análisis del comportamiento de los buques, sistema automático de identificación, imágenes marítimas consecutivas, red neuronal convolucional, detección de buques determinados
• Keywords:ship behavior analysis, framework, detection infrastructure, autonomous vehicle detection system, terminal traffic network capacity, ship behavior analysis, automatic identification system, consecutive maritime images, convolutional neural network, determined ship detection