基于雷达通信和AIS的海洋渔业智能化监管策略研究

关键词：雷达；AIS；深度学习

一、研究背景

雷达是目前海洋渔业广泛使用的主动监控设备，主要用于定位、导航等，它能通过自主探测目標，得到近水区域的全景交通图像，在维护海域安全交通航线方面有着十分重要的作用，但传统雷达有着一定的局限性，诸如精度不高、信息较少、易受干扰等。

自动识别系统（Automatic Identification System，AIS）是一种新型的广播式自动识别应答器系统，集合了现代网络通信信息技术的助航系统和海上安全系统。AIS 能提供船只的固有静态信息及航线的相关动态信息，具有信息量大、精度高的优势。因此，海洋渔业监控雷达与AIS 相融合，对海洋渔业的监控与管理具有极为重要的意义。

近年来，海洋渔业蓬勃发展，不断进行信息化建设，丰富内容，推动产业结构升级，但渔业信息系统的决策支持能力难以应对海洋渔业在发展中面临的非法捕捞常态化监管、渔船渔民实时安全保障等需求。监管真空现象始终无法根治，违规造船现象屡禁不止，渔业资源被大量破坏，渔船安全事故及环境污染现象频发，这些现象冲击着我国海上交通管理政策，给我国在国际海洋交通管理的发展带来了很大的负面影响，给渔业生产安全带来了极大的隐患，给海上交通管理带来了很大难度[1]。

深度学习、大数据和大规模并行计算是推动这一轮人工智能蓬勃发展的三大引擎，其中又主要以深度学习为核心[2]。深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来，深度学习算法在物体识别和定位、语音识别等人工智能领域，取得了飞跃性进展[3]，已经成功应用于人工智能的各个领域，例如图像识别、分类、检测、分割、语音识别、自然语言处理、目标检测、机器人等。由于散射成像机理以及相干斑噪声的存在，雷达图像的解译比视觉图像困难得多。

随着雷达图像分辨率日益提高，传感器模式增加，工作波段和极化方式的多样化导致雷达图像中的信息急剧增加，超出了人工判断的极限，导致人工判读存在主观和理解上的错误，且难以避免，因此，研究雷达图像数据自动分析解译技术显得尤为关键。随着人工智能技术的发展，雷达识别也在不断进步，从模式识别、机器学习到近年来发展迅猛的深度学习、迁移学习等，在雷达识别中都有较多研究成果[4]。

二、国内外研究现状

海洋管理智能化是渔业经济和现代渔业的重要组成部分，是实现渔业现代化的重要技术支撑，对加快转变渔业增长方式、促进渔业跨越式发展具有重要的作用[5]。AIS 与传统雷达相结合的方式是智能化管控的重要途径，在带来的巨大信息量的同时，也给传统人工判断带来了巨大的挑战。近些年发展迅速的深度学习给处理信息带来了思路，将深度学习技术应用于海洋渔业无线通信的目标、定位与异常检测，能够助力渔业信息化，对推动渔业健康有序发展起着重要作用。

常用的深度学习技术包括卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）、注意力机制等。其中，CNN 是最常采用的针对图像数据的算法，并在图像分类领域已经取得了一系列突破。在2012 年ImageNet 大规模视觉挑战赛， Krizhevsky 等人采用深度卷积网络，将错误率降至15.3%，这一成果大幅度超越了以往的最好水平。随后在2014 年，Szegedy等人提出了一个包含22 层的网络，将前五项错误率降至6.67%。而在2015 年，He 等人提出了152 层的残差网络（ResNet），并将整体错误率降至3.57%[6-8]。

与传统的静态数据相比，雷达监控数据是时间序列数据，这类数据体现出一些新特征，比如时间序列数据中的数据是流动的，有实时性且数据量庞大；随时间变化，时间序列数据中数据的分布及标签可能发生变化或出现异常现象。针对时间序列异常检测问题，有很多学者提出了解决方法，可大致分为两类：

①基于数据的异常检测方法，只对观测数据的变化进行监控，通过检测数据变化是否异常；

②基于物理意义的异常检测方法，对所处理的问题进行分析，找到数据中影响事物变化的特性，通过该特性的变化判断时间序列是否发生异常。

三、基于深度学习的智能化管理策略

由于深度学习在经典彩色图像领域取得了极大的成功，本节将介绍如何利用深度学习技术处理时间序列雷达数据，实现海洋渔业管理的智能化。基于深度学习的海洋渔业管理策略主要包含三个主要部分，即基于深度学习的海洋渔业数据特征提取、复杂海洋环境下目标检测与定位、面向海洋渔业的异常检测。

（一）基于深度学习的海洋渔业数据特征提取

有别于传统的手工特征提取方式，本研究旨在利用深度学习的方法对海洋渔业雷达监控数据进行特征提取。考虑到雷达图像的稀缺性以及海洋渔业监控研究的挑战性，本研究针对海洋渔业数据特征提取工作主要包括以下两个方面：

①针对辽宁海域海洋渔业环境，构建海洋渔业目标数据库。在为辽宁海洋渔业研究提供智力支持的同时，为雷达图像科学研究提供面向海洋渔业目标的数据库，方便该领域的科学研究；

②利用深度卷积神经网络学习海洋渔业数据特征，同时为了提高特征表示的性能，利用DenseNet 的设计结构，将海洋渔业目标类别信息回传到深度卷积神经网络的每一层，提高网络对雷达图像中关键判别信息的抓取能力，有效提升特征表示的性能。

（二）复杂海洋环境下目标检测与定位方法研究

实时的雷达监控数据为渔业养殖、捕捞等提供了数据保障，但目前海洋渔业监控数据大都是人工处理，全自动的复杂海洋环境下目标检测任务仍没有得到很好的应用。由于海洋场景中环境多变，因此对其中不同物体进行检测、识别是复杂海洋场景中目标检测与跟踪的前提。面对复杂的海洋场景，如何构建模型，准确地检测多目标位置，是本项目基本的研究内容之一。

渔业雷达监控数据是由一系列具有时间序列信息的帧组成，雷达数据处理需要将时序信息考虑在内，以達到更优的处理性能。本研究旨在针对雷达监控数据，将时序信息纳入算法，利用深度学习优越的学习性能并结合时钟机制，将时序信息纳入训练过程，获得比传统的RCNN、Fast-RCNN 与Faster-RCNN 等算法更好的目标检测与定位效果。

（三）面向海洋渔业的异常检测方法研究

对海洋渔业进行监控，以确保海产品养殖、捕捞等工作的顺利进行，是海洋渔业管理工作中的重中之重。因此，准确发现海洋渔业监控数据中的异常（例如：洋流活动异常、捕捞船非法捕捞等），对海洋渔业发展和地方经济建设具有极为重要的意义。但复杂的海洋情况给海洋渔业异常检测带来极大挑战，如何提升异常检测的准确性是异常检测重要的研究方向。

本研究针对海洋智能化管控的雷达时间序列监控数据，利用数据在原始空间中分布的变化，例如原始空间数据曲率变化[9]、度量距离变化 [10]、类别信息变化（聚类信息）等，及时发现数据异常，并从中总结规律发现海洋渔业环境异常。本研究旨在提升海洋渔业异常检测的准确性并降低异常检测的误报率，节省海洋渔业管理中的支出。

四、海洋渔业智能化监控管理效用分析

（一）经济效益分析

开展日常管理和应急指挥的服务，有利于保护海洋渔业资源，维护海洋经济的可持续发展；实现对渔业信息资源充分地、有效地开发；能够对海上作业实施有效管控，合理规划海产品的放养和捕捞，对渔民增加收入具有积极意义；及时有效地应急救助，在保障渔民生命财产安全的同时，也大大减少了渔民的经济损失；建立起海陆一体的信息网络，大幅降低渔业管理的成本。目前，海洋智能化管控已经在实际运用中起到了突出作用。

（二）社会效益分析

加速推进渔船管理信息化建设，不仅可以促进渔业管理制度与工作方式的有效创新和改革，还可以提高整个渔业的管理水平和生产效率，同时也显著提高渔港相关管理方式和生产方式的安全性，进而推动渔业高质量发展。通过显著提高海洋渔业通信的可靠性，可以有效地降低渔船碰撞和其他事故的发生率，增强渔业的防灾减灾能力，并提高渔船事故救援的成功率，更好地保护渔民的利益和生命财产安全，进一步推动海洋生态文明建设；通过不断提高海上通信效率，对海洋渔业生产和海洋牧场建设起到了积极的推动作用；可实现对渔船动态监管和主动监控，大幅度提高海上对执法管理能力，保障了海洋渔业的有序发展，将极大增强渔民安全生产意识，提高安全生产技术水平、海上风险保障能力和生产能力，以此提高渔民生产生活水平。

总之，渔船管理信息化建设对于推动海洋渔业高质量发展、保障海洋生态文明建设、增强渔民的安全生产意识和提高生活水平，具有非常重要的作用。

五、结束语

利用深度学习的办法剖析AIS 与雷达系统回传的雷达信息回拨显像特征，将人工智能应用于海洋渔业无线通信的目标定位与异常检测，建立和完善渔业信息化管理机制，增强渔业信息化服务保障能力，加强渔船、渔港动静态监管信息装备建设，提高数据安全备灾和信息交互能力，解决通信监控盲区的问题，建立起高效的通信网络，为渔业渔政信息化网络的建设打下坚实的基础。

作者单位：王奕 中国铁塔股份有限公司大连市分公司