海上平台智能防入侵检测算法研究

摘要：为了保障海上平台及其周边海域的安全，需采用智能防入侵检测算法，自动识别各类海上作业区域的入侵情况，以有效遏制外部船只对海上作业的影响并提升生产安全管理水平。该文构建了海上平台防入侵安全管控系统的架构，基于CNN与YOLO-Fastest融合的模型用于入侵目标的监测，提升对目标入侵检测的性能，防止各类目标入侵到作业区域，保障海上作业的安全。

关键词：海上平台；智能监测；防入侵算法

doi：10.3969/J.ISSN.1672-7274.2024.07.005

中图分类号：TP 393.08 文献标志码：A 文章编码：1672-7274（2024）07-00-03

Research on Intelligent Intrusion Prevention Detection Algorithms for Offshore Platforms

ZHANG Zhonglin

（CNOOC Information Technology Co.， Ltd.， Shenzhen 518000， China）

Abstract： In order to ensure the safety of offshore platforms and their surrounding waters， intelligent intrusion detection algorithms need to be adopted to automatically identify intrusion situations in various offshore operation areas， effectively curb the impact of external vessels on offshore operations and improve production safety management level. This article constructs the architecture of an intrusion prevention and security control system for offshore platforms. A model based on the fusion of CNN and YOLO Fastest is used for monitoring intrusion targets， improving the performance of target intrusion detection， preventing various targets from invading the work area， and ensuring the safety of offshore operations.

Keywords： offshore platforms; intelligent monitoring; anti intrusion algorithm

1 研究背景

为了保障开采区域作业安全，海上石油开采需要边界防入侵，以达到确保生产设施正常运作的目的。石油开采设施包括钻井平台、海底管道等，维护这些设施的安全对于保障石油开采作业的正常开展至关重要。未经授权的船只或其他设备可能会意外损坏这些设施，导致泄漏事故或设备故障，危及作业人员的生命安全，影响生产作业的开展。并且未经授权的船只进入海上石油作业区域，可能引发石油泄漏或其他污染，危害海洋生态系统和周边地区的环境。而边界防入侵能够减少意外事件发生，保障海上石油作业的顺利开展。为此，本文对海上平台智能防入侵检测算法进行研究。

2 防入侵智能检测算法基本情况

海上平台防入侵算法包括入侵识别与分类，通过雷达、卫星或其他传感器追踪识别船只，并对其进行分类，确定船只类型和行为类别。通过监控船只的航行路径，检测是否有接近作业区域的异常航行行为，全天候、实时地监控海域内船只的活动和位置。算法需要识别非法入侵、潜在威胁或异常行为，发出警报信息。算法基于预设参数，发出预警通知，提醒相关人员进行进一步调查和处置[1]。

算法的数据来源主要通过各类传感器，搜集作业区域的数据，通过智能摄像机等设备采集数据，将数据传输到后台安防主机，用于对入侵行为进行识别，同时联动各类报警设备。利用先进的数据采集技术，广泛运用多种传感器，如声纳、雷达、红外线传感器等，以确保数据的全面搜集和准确监测。同时算法能够快速地识别入侵的物体，并进行预警。

3 智能防入侵检测算法构建

为提高入侵安全管控系统的智能性，提出基于YOLO及CNN模型的智能防入侵检测算法。基于智能摄像机拍摄的图像信息，对入侵的船只等目标进行检测。其中，YOLO-Fastest是基于YOLO系列模型的一个改进版本，在保持较高检测精度的同时，提高目标检测的速度和效率。YOLO-Fastest使用了轻量级的骨干网络结构，以减少计算量和参数数量。该模型采用了Ghost模块，利用深度可分离卷积等技术来提高计算效率。与其他YOLO版本一样，YOLO-Fastest也使用了多尺度的预测方法，在不同尺度下进行目标检测，能够有效地检测到不同大小的目标。该算法的位置损失函数如公式（1）所示：

（1）

该算法的网络结构如图1所示。

卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，适用于处理具有网格结构的数据，如图像或声音。CNN的基本组件包括卷积层、池化层和全连接层。其中，卷积层是CNN的核心部分，通过使用卷积操作提取输入数据的特征。每个卷积层由多个过滤器组成，每个过滤器与输入数据进行卷积操作，生成特征图，特征图捕获不同位置和特征的信息。池化层用于减少特征图的维度，并保留最重要的信息。常见的池化操作是最大池化和平均池化，分别在局部区域中选择最大值或平均值作为池化操作结果。全连接层用于将卷积和池化层提取的特征转换为最终的输出。CNN广泛应用于图像识别、目标检测、语义分割等领域，在计算机视觉任务中取得了巨大成功，并且不断被改进和扩展以适应不同的应用场景[2]。

在进行入侵检测时，采用CNN构建SC层对图像特征进行处理，如图2所示。

图2 CNN构建特征处理层SC

基于SC层，将其应用于YOLO网络结构中，如图3所示。

图3 YOLO与CNN网络结合

图3中，将卷积神经网络与YOLO结合，用于提高目标检测的准确性。YOLO本身就是基于CNN的目标检测模型，但可以通过优化CNN的骨干网络或引入提前特征提取模型来进一步提高YOLO的性能。通过优化YOLO的骨干网络，提高特征提取的能力，能够更好地理解和捕获目标的特征。将SC层引入YOLO中，构建多尺度特征金字塔，能够检测不同尺寸的目标，并改善对小目标的检测效果。还可以引入注意力机制来增强模型对目标的关注，提高目标检测的准确性，特别是在拥挤场景或目标尺寸较小时。CNN在多个卷积层中提取了多层次、多尺度的抽象特征，能够捕获图像的细节和语义信息。卷积层通过卷积核对图像进行局部特征提取，这些特征可以表示目标的纹理、边缘等细节信息。将CNN提取的多尺度特征与YOLO结构进行融合，例如，利用CNN提取的浅层特征和YOLO中的深层特征进行级联或融合，以丰富模型对目标的表示能力。将CNN提取的不同层级、不同尺度的特征整合到YOLO的多尺度检测中，能够提高对不同尺寸目标的检测能力。并且，利用CNN提取的特征引入注意力机制，使模型能够更集中地关注重要区域和特征，从而提高目标检测的精度和鲁棒性[3]。

综合来看，结合CNN与YOLO能够有效地利用CNN网络优越的特征提取能力，并将这些特征融合到YOLO的结构中。可以提高模型对目标的理解和表征能力，从而提升目标检测的准确性、鲁棒性和泛化能力，如图3所示，通过检测图像，自动识别入侵的船只。同时，基于海上平台入侵安全管控系统搜集的训练样本，对不同算法进行对比，得到表1的性能对比结果。

如表1所示，基于CNN与YOLO-Fastest融合的模型，进一步提升了对目标入侵检测的性能。卷积神经网络在图像处理中有着强大的特征提取能力，能够逐层地提取图像中的抽象特征。这些特征包括边缘、纹理、颜色、形状等，能够更好地表示和理解目标。本模型通过将CNN网络提取的丰富特征无缝地整合到YOLO-Fastest的检测流程中，进一步提高了模型对目标的理解和表征能力。通过在YOLO-Fastest中引入CNN网络的特征，该模型在保持快速推理速度的同时，能够更准确地检测目标，尤其是在目标边界清晰度、细节信息和复杂场景中表现更好。基于CNN与YOLO-Fastest融合的模型可以在许多场景下发挥作用，特别是对于需要快速而精确的目标检测任务。它充分利用了两种方法的优势，在目标检测领域取得了更为出色的性能。

4 结束语

本文构建了一种海上平台防入侵安全管控系统的架构，基于CNN与YOLO-Fastest融合的模型用于入侵目标的监测，进一步提升了对目标入侵检测的性能，有助于海上平台作业时，防止各类目标入侵到作业区域，保障海上平台作业的安全。

参考文献

[1] 刘广睿，张伟哲，李欣洁．基于边缘样本的智能网络入侵检测系统数据污染防御方法[J]．计算机研究与发展，2022，1（10）：59-63．

[2] 傅荟瑾，史天运，王瑞．基于改进ByteTrack的高铁周界入侵监测方法研究[J]．仪器仪表学报，2023，44（4）：61-71．

[3] 王瑞峰，陈小屹．基于改进YOLOv5的轨道异物入侵检测算法研究[J]．云南大学学报：自然科学版，2023，45（4）：799-806．