Обзор современных технологий мониторинга судов на акваториях ВВП с использованием средств видеонаблюдения

Темой работы является исследование проблемы обеспечения мониторинга движения судов, в том числе маломерных на внутренних водных путях, расположенных в границах крупных населенных пунктов. Отмечается, что такая ситуация обусловлена в первую очередь ограничениями в применении радиолокационных систем и радиотехнических средств, работающих в ультракоротковолновом частотном диапазоне в черте города. Акцентируется внимание на том, что в крупных городах Российской Федерации внедрены и успешно используются системы видеонаблюдения. Рассмотрена система, действующая в г. Москве для наблюдения за акваторией в черте города в рамках системы управления движением транспорта. В зону действия камер попадает большинство участков внутренних водных путей, расположенных в черте г. Санкт-Петербурга. Рассмотрены возможные подходы использования городской системы видеонаблюдения для мониторинга акватории в черте г. Санкт-Петербурга. Описаны технологии на основе искусственных нейронных сетей потенциально пригодные для идентификации судов и определения их точного местонахождения в заданный момент времени. Проанализированы преимущества и недостатки рассмотренных методов, а также предложен вариант решения обратной задачи пеленга судов (с берега) с применением систем видеонаблюдения, состоящее из двух камер. Предложен алгоритм работы системы для идентификации и определения параметров движения судов. Проанализирован отечественный и зарубежный опыт решения проблем идентификации судна с использованием систем видеонаблюдения, а также определения параметров движения судов. В качестве решения предложены следующие нейронные сети: поиск объекта и распознавание текста как основа для дальнейшего изучения исследуемой проблемы.

1. Hyla T. Ships detection on inland waters using video surveillance system / T. Hyla, N. Wawrzyniak // IFIP International Conference on Computer Information Systems and Industrial Management. — 2019. — С. 39‒49. DOI: 10.1007/978-3-030-28957-74.

2. Wawrzyniak N. Vessel detection and tracking method based on video surveillance / N. Wawrzyniak, T. Hyla, A. Popik // Sensors. — 2019. — Vol. 19. — Is. 23. — Pp. 5230.

3. Stępień G. Method of Improving Incomplete Spatial-Temporal Data in Inland Navigation, on the Basis of Industrial Camera Images — West Oder River Case Study / G. Stępień, et al. // Transport and Telecommunication. — 2022. — Vol. 23. — Is. 1. — С. 48‒61. DOI: 10.2478/ttj2022-0005.

4. Горячкин Б. С. Компьютерное зрение / Б. С. Горячкин, М. А. Китов // E-scio — 2020. — № . 9 (48). — С. 317–345.

5. Гаврилов Д. А. Нейросетевой алгоритм автоматического обнаружения и сопровождения объекта интереса в видеосигнале / Д. А. Гаврилов // Шестнадцатая Национальная конференция по искусственному интеллекту с международным участием КИИ2018–2018. — С. 188‒195.

6. Ерохин Д. Ю. Современные сверточные нейронные сети для обнаружения и распознавания объектов / Д. Ю. Ерохин, М. Д. Ершов // Цифровая обработка сигналов — 2018. — Т. 3. — С. 64‒69.

7. Hong X. Research on multi-ship target detection and tracking method based on camera in complex scenes / X. Hong, et al. // Journal of Marine Science and Engineering. — 2022. — Vol. 10. — Is. 7. — Pp. 978. DOI: 10.3390/jmse10070978.

8. Kim K. Probabilistic ship detection and classification using deep learning / K. Kim [et al.] // Applied Sciences. — 2018. — Vol. 8. — Is. 6. — Pp. 936.

9. Zhao H. Embedded deep learning for ship detection and recognition / H. Zhao [et al.] // Future Internet. — 2019. — Vol. 11. — Is. 2. — Pp. 53.

10. Zhao P. A real-time ship detector via a common camera / P. Zhao [et al.] // Journal of Marine Science and Engineering. — 2022. — Vol. 10. — Is. 8. — Pp. 1043. DOI: 10.3390/jmse10081043.

11. Cheng S. Deep learning based efficient ship detection from drone-captured images for maritime surveillance / S. Cheng, Y. Zhu, S. Wu // Ocean Engineering. — 2023. — Vol. 285. — Pp. 115440.

12. Sun Y. Global Mask R-CNN for marine ship instance segmentation/ Y. Sun [et al.] // Neurocomputing. — 2022. — Vol. 480. — Pp. 257–270.

13. Chang Y. L. Ship detection based on YOLOv2 for SAR imagery / Y. L. Chang [et al.] // Remote Sensing. — 2019. — Vol. 11. — Is. 7. — Pp. 786.

14. Wawrzyniak N. Vessel identification based on automatic hull inscriptions recognition / N. Wawrzyniak, T. Hyla, I. Bodus-Olkowska // Plos one. — 2022. — vol. 17. — Is. 7. — Pp. e0270575. DOI: 10.1371/journal.pone.0270575.

15. Jacob, T. Marine Vessel Tracking using a Monocular Camera / T. Jacob, R. Galliera, M. Ali, S. Bagui, // In Proceedings of the 2nd International Conference on Deep Learning Theory and Applications — DeLTA. — Setubal: SciTePress, 2021. — Pp. 17‒28. DOI: 10.5220/0010516000170028.