[发明专利]一种基于改进YOLOv3的多场景船员不安全行为检测方法

说明书

本发明提出了一种基于改进YOLOv3的多场景船员不安全行为检测方法。人为因素直接或间接引起的水运交通事故约占水运交通事故总数的80％。本发明利用改进YOLOv3网络来检测不同场景下船员的脱离岗、抽烟、玩手机、漫谈、睡觉、瞭望疏忽六类不安全行为，并对检测到的不安全行为进行标定并提醒。首先在数据增强部分加入了CLAHE算法；其次将原有的三尺度检测改为四尺度检测并在特征融合网络部分引入了负反馈机制，更好的融合了各尺度特征；最后改进了非极大值抑制算法对候选框进行高斯加权得到更精确的结果。本发明可以准确的检测到船员的不安全行为并对船员进行提醒，降低人为因素导致的海上事故发生率，提升船舶的安全航行能力。

技术领域

本发明涉及计算机视觉和航运安全领域，具体涉及一种基于改进YOLOv3的多场景船员不安全行为检测方法。

技术背景

船员职业特殊，船员的心理素质、航行的恶劣环境、船员培训的疏忽、船员的素质不高、经验不足等都会造成航行时的不安全行为。在海上，船员的不安全行为可能会引起人员伤亡、财产损失、环境污染等。统计数据表明，在水运交通事故中，人为因素直接或间接导致的事故约占80％。

船员不安全行为是指船员在自己意识的支配下，违反法律法规或安全操作规则或规章制度，使事故有可能或有机会发生，以致危及船舶安全的过错行为。不安全行为具有盲目性以及破坏性，直接威胁船员和船舶的安全，因此提出对船员不安全行为进行有效检测识别的方法具有重要意义。

目前在航运领域内关于船员行为的研究集中于结合船员工作环境进行综合评判或可靠性分析，且主要是理论分析和安全行为的划分。将计算机视觉相关方法应用到检测识别船员不安全行为的研究目前较少，原因主要在于基于船舶驾驶环境的船员行为数据集较难获取与构建，导致后续研究无法跟进。如今YOLO系列在行为识别领域发展相对成熟，行为识别能力突出，因此构建有效的船员不安全行为数据集并利用YOLOv3的检测优势对于提升航运安全具有重要意义。

发明内容

本发明的目的在于有效检测识别船舶驾驶台上人员脱离岗、抽烟、玩手机、漫谈、睡觉、瞭望疏忽六类船员不安全行为并及时进行报警，解决航行过程中船员不安全行为的检测识别问题，提高船舶整体的安全航行能力。

本发明提供的一种基于改进YOLOv3的多场景船员不安全行为的检测识别方法是这样实现的，主要包括以下步骤：

步骤一：构建船员不安全行为数据集。

首先确定研究的船员不安全行为类型即脱离岗、抽烟、玩手机、漫谈、睡觉、瞭望疏忽六类不安全行为；

收集船舶事故案例，收集的船舶历史数据主要是事故发生时的船舶监控录像，并将事故发生时的录像进行逐帧分解，截取其中人员进行了不安全行为的图像作为船员不安全行为数据集的第一部分；

用船舶驾驶模拟器模拟洋山港水域，场景包括：离泊、靠泊、能见度不良、船舶会遇、船舶追越五种场景进行模拟驾驶航行实验，选取实验视频中人员进行了不安全行为的图像作为船员不安全行为数据集的第二部分。

步骤二：对所构建的船员不安全行为数据集进行数据标注。

按照确定的不安全行为类型，每个类别的船员不安全行为至少采集2000张真实有效的图片并对获得的数据使用深度学习图片标注工具labelImg逐个进行不安全行为的人工标注；

标定完成后的数据标签主要包括数据的类别信息、每个目标标定框的左上角坐标、每个目标标定框的右下角坐标，将制得数据集按照8:2的比例划分为训练集和测试集。

步骤三：在特征提取层之前增加数据增强层。

对数据以双线性插值为方法、中心点为轴、顺时针为方向、90度为角度的旋转和左右翻转两种方式进行增强；