本发明涉及海洋领域计算机图像识别，特别涉及一种基于人工智能的渔船上冰监测方法。
背景技术：
1、当前，计算机图像识别技术针对使用场景广泛、使用人数众多的目标监测已有使用，如车牌识别、人员监测等，相关技术规范也已制定，如：《机动车号牌图像自动识别技术规范》。这些功能所依赖的深度学习模型日渐成熟。
2、但在海洋领域，还没有产生普遍的通用识别技术或技术规范。例如渔船的识别、船上行为的识别等，均存在相关技术的缺失。
3、渔船上冰，是指船员将冰块运输至渔船船舱，参照图1理解，从而保证在一周的出海时间，最大程度保障海鲜的鲜美品质。但该行为应该受到渔港的管控，不可私自上冰，因此对渔船上冰行为的识别便成为了渔港管理人员急需的技术。但由于使用场景较窄、专业性较强，在该方面的技术研究还没有太完善。
技术实现思路
1、本发明目的是提供一种基于人工智能的渔船上冰监测方法，用于识别渔船上冰行为，解决上述技术问题。
2、具体技术方案是一种基于人工智能的渔船上冰监测方法，步骤如下，
3、s01、视频流数据的获取：通过opencv库实现视频流的对接，循环读取视频帧，
4、s02、渔船识别：搭建深度学习模型，进行模型的训练，然后对视频帧进行渔船的识别，
5、s03、根据渔船识别结果，提取渔船及周围图像，渔船识别结果是一个长方形，以长方形中心不变，长扩大1.1-2倍、宽扩大1.1-2倍，截取图片，将截取的图片用作违规上冰识别，
6、s04、船舶上冰识别：搭建深度学习模型，进行船舶上冰的识别。
7、进一步，步骤s02和步骤s04中深度学习模型为yolov3模型。
8、进一步，yolov3模型训练轮数270轮，学习率0.000125，衰减点为216及243，衰减系数为0.1，学习率初始值取0，线性增长步长取4000。
9、进一步，yolov3模型使用算法为momentum的优化器，l2正则，正则系数取0.0005。
10、进一步，在步骤s01中，视频流的读取频率为1-5帧/秒。
11、进一步，识别中使用彩色图片。
12、进一步，步骤s02中使用灰度图。
13、与现有技术相比，本发明可以实现针对视频监控中的渔船上冰这一行为的精准识别，解决渔船上冰行为不便于管理的问题；该方案是对监控获得的视频流进行反复提取识别，先进行渔船识别，再进行上冰行为识别，分级识别，综合效率高。
1.一种基于人工智能的渔船上冰监测方法，其特征在于，步骤如下，
2.根据权利要求1所述的基于人工智能的渔船上冰监测方法，其特征在于，步骤s02和步骤s04中深度学习模型为yolov3模型。
3.根据权利要求2所述的基于人工智能的渔船上冰监测方法，其特征在于，yolov3模型训练轮数270轮，学习率0.000125，衰减点为216及243，衰减系数为0.1，学习率初始值取0，线性增长步长取4000。
4.根据权利要求3所述的基于人工智能的渔船上冰监测方法，其特征在于，yolov3模型使用算法为momentum的优化器，l2正则，正则系数取0.0005。
5.根据权利要求1-4任一所述的基于人工智能的渔船上冰监测方法，其特征在于，在步骤s01中，视频流的读取频率为1-5帧/秒。
6.根据权利要求5所述的基于人工智能的渔船上冰监测方法，其特征在于，识别中使用彩色图片。
7.根据权利要求6所述的基于人工智能的渔船上冰监测方法，其特征在于，步骤s02中使用灰度图。
