摘要：為了保障海上平臺(tái)及其周邊海域的安全，需采用智能防入侵檢測(cè)算法，自動(dòng)識(shí)別各類海上作業(yè)區(qū)域的入侵情況，以有效遏制外部船只對(duì)海上作業(yè)的影響并提升生產(chǎn)安全管理水平。該文構(gòu)建了海上平臺(tái)防入侵安全管控系統(tǒng)的架構(gòu)，基于CNN與YOLO-Fastest融合的模型用于入侵目標(biāo)的監(jiān)測(cè)，提升對(duì)目標(biāo)入侵檢測(cè)的性能，防止各類目標(biāo)入侵到作業(yè)區(qū)域，保障海上作業(yè)的安全。

關(guān)鍵詞：海上平臺(tái)；智能監(jiān)測(cè)；防入侵算法

doi：10.3969/J.ISSN.1672-7274.2024.07.005

中圖分類號(hào)：TP 393.08 文獻(xiàn)標(biāo)志碼：A 文章編碼：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

為了保障開采區(qū)域作業(yè)安全，海上石油開采需要邊界防入侵，以達(dá)到確保生產(chǎn)設(shè)施正常運(yùn)作的目的。石油開采設(shè)施包括鉆井平臺(tái)、海底管道等，維護(hù)這些設(shè)施的安全對(duì)于保障石油開采作業(yè)的正常開展至關(guān)重要。未經(jīng)授權(quán)的船只或其他設(shè)備可能會(huì)意外損壞這些設(shè)施，導(dǎo)致泄漏事故或設(shè)備故障，危及作業(yè)人員的生命安全，影響生產(chǎn)作業(yè)的開展。并且未經(jīng)授權(quán)的船只進(jìn)入海上石油作業(yè)區(qū)域，可能引發(fā)石油泄漏或其他污染，危害海洋生態(tài)系統(tǒng)和周邊地區(qū)的環(huán)境。而邊界防入侵能夠減少意外事件發(fā)生，保障海上石油作業(yè)的順利開展。為此，本文對(duì)海上平臺(tái)智能防入侵檢測(cè)算法進(jìn)行研究。

2 防入侵智能檢測(cè)算法基本情況

海上平臺(tái)防入侵算法包括入侵識(shí)別與分類，通過雷達(dá)、衛(wèi)星或其他傳感器追蹤識(shí)別船只，并對(duì)其進(jìn)行分類，確定船只類型和行為類別。通過監(jiān)控船只的航行路徑，檢測(cè)是否有接近作業(yè)區(qū)域的異常航行行為，全天候、實(shí)時(shí)地監(jiān)控海域內(nèi)船只的活動(dòng)和位置。算法需要識(shí)別非法入侵、潛在威脅或異常行為，發(fā)出警報(bào)信息。算法基于預(yù)設(shè)參數(shù)，發(fā)出預(yù)警通知，提醒相關(guān)人員進(jìn)行進(jìn)一步調(diào)查和處置[1]。

算法的數(shù)據(jù)來源主要通過各類傳感器，搜集作業(yè)區(qū)域的數(shù)據(jù)，通過智能攝像機(jī)等設(shè)備采集數(shù)據(jù)，將數(shù)據(jù)傳輸?shù)胶笈_(tái)安防主機(jī)，用于對(duì)入侵行為進(jìn)行識(shí)別，同時(shí)聯(lián)動(dòng)各類報(bào)警設(shè)備。利用先進(jìn)的數(shù)據(jù)采集技術(shù)，廣泛運(yùn)用多種傳感器，如聲納、雷達(dá)、紅外線傳感器等，以確保數(shù)據(jù)的全面搜集和準(zhǔn)確監(jiān)測(cè)。同時(shí)算法能夠快速地識(shí)別入侵的物體，并進(jìn)行預(yù)警。

3 智能防入侵檢測(cè)算法構(gòu)建

為提高入侵安全管控系統(tǒng)的智能性，提出基于YOLO及CNN模型的智能防入侵檢測(cè)算法?；谥悄軘z像機(jī)拍攝的圖像信息，對(duì)入侵的船只等目標(biāo)進(jìn)行檢測(cè)。其中，YOLO-Fastest是基于YOLO系列模型的一個(gè)改進(jìn)版本，在保持較高檢測(cè)精度的同時(shí)，提高目標(biāo)檢測(cè)的速度和效率。YOLO-Fastest使用了輕量級(jí)的骨干網(wǎng)絡(luò)結(jié)構(gòu)，以減少計(jì)算量和參數(shù)數(shù)量。該模型采用了Ghost模塊，利用深度可分離卷積等技術(shù)來提高計(jì)算效率。與其他YOLO版本一樣，YOLO-Fastest也使用了多尺度的預(yù)測(cè)方法，在不同尺度下進(jìn)行目標(biāo)檢測(cè)，能夠有效地檢測(cè)到不同大小的目標(biāo)。該算法的位置損失函數(shù)如公式（1）所示：

（1）

該算法的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種深度學(xué)習(xí)模型，適用于處理具有網(wǎng)格結(jié)構(gòu)的數(shù)據(jù)，如圖像或聲音。CNN的基本組件包括卷積層、池化層和全連接層。其中，卷積層是CNN的核心部分，通過使用卷積操作提取輸入數(shù)據(jù)的特征。每個(gè)卷積層由多個(gè)過濾器組成，每個(gè)過濾器與輸入數(shù)據(jù)進(jìn)行卷積操作，生成特征圖，特征圖捕獲不同位置和特征的信息。池化層用于減少特征圖的維度，并保留最重要的信息。常見的池化操作是最大池化和平均池化，分別在局部區(qū)域中選擇最大值或平均值作為池化操作結(jié)果。全連接層用于將卷積和池化層提取的特征轉(zhuǎn)換為最終的輸出。CNN廣泛應(yīng)用于圖像識(shí)別、目標(biāo)檢測(cè)、語(yǔ)義分割等領(lǐng)域，在計(jì)算機(jī)視覺任務(wù)中取得了巨大成功，并且不斷被改進(jìn)和擴(kuò)展以適應(yīng)不同的應(yīng)用場(chǎng)景[2]。

在進(jìn)行入侵檢測(cè)時(shí)，采用CNN構(gòu)建SC層對(duì)圖像特征進(jìn)行處理，如圖2所示。

圖2 CNN構(gòu)建特征處理層SC

基于SC層，將其應(yīng)用于YOLO網(wǎng)絡(luò)結(jié)構(gòu)中，如圖3所示。

圖3 YOLO與CNN網(wǎng)絡(luò)結(jié)合

圖3中，將卷積神經(jīng)網(wǎng)絡(luò)與YOLO結(jié)合，用于提高目標(biāo)檢測(cè)的準(zhǔn)確性。YOLO本身就是基于CNN的目標(biāo)檢測(cè)模型，但可以通過優(yōu)化CNN的骨干網(wǎng)絡(luò)或引入提前特征提取模型來進(jìn)一步提高YOLO的性能。通過優(yōu)化YOLO的骨干網(wǎng)絡(luò)，提高特征提取的能力，能夠更好地理解和捕獲目標(biāo)的特征。將SC層引入YOLO中，構(gòu)建多尺度特征金字塔，能夠檢測(cè)不同尺寸的目標(biāo)，并改善對(duì)小目標(biāo)的檢測(cè)效果。還可以引入注意力機(jī)制來增強(qiáng)模型對(duì)目標(biāo)的關(guān)注，提高目標(biāo)檢測(cè)的準(zhǔn)確性，特別是在擁擠場(chǎng)景或目標(biāo)尺寸較小時(shí)。CNN在多個(gè)卷積層中提取了多層次、多尺度的抽象特征，能夠捕獲圖像的細(xì)節(jié)和語(yǔ)義信息。卷積層通過卷積核對(duì)圖像進(jìn)行局部特征提取，這些特征可以表示目標(biāo)的紋理、邊緣等細(xì)節(jié)信息。將CNN提取的多尺度特征與YOLO結(jié)構(gòu)進(jìn)行融合，例如，利用CNN提取的淺層特征和YOLO中的深層特征進(jìn)行級(jí)聯(lián)或融合，以豐富模型對(duì)目標(biāo)的表示能力。將CNN提取的不同層級(jí)、不同尺度的特征整合到Y(jié)OLO的多尺度檢測(cè)中，能夠提高對(duì)不同尺寸目標(biāo)的檢測(cè)能力。并且，利用CNN提取的特征引入注意力機(jī)制，使模型能夠更集中地關(guān)注重要區(qū)域和特征，從而提高目標(biāo)檢測(cè)的精度和魯棒性[3]。

綜合來看，結(jié)合CNN與YOLO能夠有效地利用CNN網(wǎng)絡(luò)優(yōu)越的特征提取能力，并將這些特征融合到Y(jié)OLO的結(jié)構(gòu)中?？梢蕴岣吣Ｐ蛯?duì)目標(biāo)的理解和表征能力，從而提升目標(biāo)檢測(cè)的準(zhǔn)確性、魯棒性和泛化能力，如圖3所示，通過檢測(cè)圖像，自動(dòng)識(shí)別入侵的船只。同時(shí)，基于海上平臺(tái)入侵安全管控系統(tǒng)搜集的訓(xùn)練樣本，對(duì)不同算法進(jìn)行對(duì)比，得到表1的性能對(duì)比結(jié)果。

如表1所示，基于CNN與YOLO-Fastest融合的模型，進(jìn)一步提升了對(duì)目標(biāo)入侵檢測(cè)的性能。卷積神經(jīng)網(wǎng)絡(luò)在圖像處理中有著強(qiáng)大的特征提取能力，能夠逐層地提取圖像中的抽象特征。這些特征包括邊緣、紋理、顏色、形狀等，能夠更好地表示和理解目標(biāo)。本模型通過將CNN網(wǎng)絡(luò)提取的豐富特征無縫地整合到Y(jié)OLO-Fastest的檢測(cè)流程中，進(jìn)一步提高了模型對(duì)目標(biāo)的理解和表征能力。通過在YOLO-Fastest中引入CNN網(wǎng)絡(luò)的特征，該模型在保持快速推理速度的同時(shí)，能夠更準(zhǔn)確地檢測(cè)目標(biāo)，尤其是在目標(biāo)邊界清晰度、細(xì)節(jié)信息和復(fù)雜場(chǎng)景中表現(xiàn)更好。基于CNN與YOLO-Fastest融合的模型可以在許多場(chǎng)景下發(fā)揮作用，特別是對(duì)于需要快速而精確的目標(biāo)檢測(cè)任務(wù)。它充分利用了兩種方法的優(yōu)勢(shì)，在目標(biāo)檢測(cè)領(lǐng)域取得了更為出色的性能。

4 結(jié)束語(yǔ)

本文構(gòu)建了一種海上平臺(tái)防入侵安全管控系統(tǒng)的架構(gòu)，基于CNN與YOLO-Fastest融合的模型用于入侵目標(biāo)的監(jiān)測(cè)，進(jìn)一步提升了對(duì)目標(biāo)入侵檢測(cè)的性能，有助于海上平臺(tái)作業(yè)時(shí)，防止各類目標(biāo)入侵到作業(yè)區(qū)域，保障海上平臺(tái)作業(yè)的安全。

參考文獻(xiàn)

[1] 劉廣睿，張偉哲，李欣潔．基于邊緣樣本的智能網(wǎng)絡(luò)入侵檢測(cè)系統(tǒng)數(shù)據(jù)污染防御方法[J]．計(jì)算機(jī)研究與發(fā)展，2022，1（10）：59-63．

[2] 傅薈瑾，史天運(yùn)，王瑞．基于改進(jìn)ByteTrack的高鐵周界入侵監(jiān)測(cè)方法研究[J]．儀器儀表學(xué)報(bào)，2023，44（4）：61-71．

[3] 王瑞峰，陳小屹．基于改進(jìn)YOLOv5的軌道異物入侵檢測(cè)算法研究[J]．云南大學(xué)學(xué)報(bào)：自然科學(xué)版，2023，45（4）：799-806．