《IEEE Open Journal of Intelligent Transportation Systems》:Automated Real-Time Localized Sea State Estimation During Navigation Based on the Beaufort Scale
编辑推荐:
本研究针对传统人工海况评估主观性强的问题,开发了一种基于单目摄像头的自动化实时海况估计系统。研究人员通过构建包含真实航行数据和合成数据的UNIRI-SeaState数据集,采用DeiT III等视觉Transformer架构进行模型训练,结合时序投票框架,最终实现了96%的within-1-class准确率和62%的F1分数,将最大误差从7级降至2级Beaufort尺度。该技术为智能航运系统提供了可靠的环境感知能力,对提升航行安全和能效管理具有重要意义。
在智能航运快速发展的今天,准确的海况评估对航行安全和能效管理至关重要。传统的Beaufort海况尺度依赖船员目视评估,存在主观性强、一致性差的问题,特别是在恶劣天气条件下,人工判断的局限性更加明显。随着自动驾驶船舶概念的兴起,开发可靠的海况自动识别系统成为亟待解决的技术难题。
针对这一挑战,研究人员在《IEEE Open Journal of Intelligent Transportation Systems》上发表了一项创新研究,提出了一种基于单目摄像头的实时海况自动估计方法。该研究通过结合真实航行数据和精心生成的合成数据,训练深度神经网络模型,实现了从1到8级Beaufort尺度的准确分类。
研究团队首先构建了UNIRI-SeaState数据集,包含从远洋液化天然气运输船桥楼拍摄的海面图像。为解决高海况样本稀缺的问题,他们开发了SeaStateSynth合成数据生成流程,使用SideFX Houdini工具模拟不同光照条件和波浪参数,生成了12,000张合成图像。通过FAISS和FID指标评估显示,合成数据与真实数据保持了良好的视觉一致性。
在模型架构选择上,研究人员系统比较了ResNet-101d、CoAtNet、XCiT、Swin Transformer和DeiT III等先进架构。结果表明,DeiT III模型在384×384输入尺寸下表现最佳,其交叉协方差注意力机制能有效捕捉海面的全局特征。
关键技术方法包括:1)基于TMA谱的波浪生成技术,模拟1-8级海况的波浪特征;2)光学校准流程,确保虚拟相机与真实相机参数匹配;3)多框架时序投票策略,通过20帧连续预测的平均值或众数来提升稳定性;4)灰度图像转换,减少光照变化对模型的干扰。
研究结果显示,采用R750+S1500灰度数据集训练的DeiT III模型达到了50%的准确率和89%的within-1-class准确率。引入时序投票框架后,性能进一步提升:20帧均值投票使within-1-class准确率达到96.32%,最大误差降至2.05级Beaufort,均方根误差降至0.7348。
特别值得注意的是,合成数据的引入使模型在中等海况(4-6级)的分类性能得到显著改善。混淆矩阵分析表明,混合数据集训练的模型误分类更加集中于对角线附近,说明模型能更好区分相邻海况等级。
讨论部分指出,该研究的创新点在于首次将视觉Transformer架构应用于海况识别任务,并通过域自适应方法解决了海洋环境数据采集的挑战。时序投票框架的引入有效利用了海况变化的连续性特征,降低了单帧分析的随机误差。
然而,研究也存在一定局限性。目前模型仅适用于固定相机视角和裁剪尺寸,对极端海况(9-12级)的识别能力尚未验证。未来工作将探索模型在不同船舶配置下的泛化能力,并进一步优化合成数据生成流程。
这项技术为智能航运系统提供了可靠的环境感知解决方案,不仅可用于自动驾驶船舶的决策支持,还能为航线优化、燃油管理等应用提供数据支撑。随着海事产业向数字化、智能化转型,此类基于计算机视觉的海况监测技术将在提升航行安全性和运营效率方面发挥重要作用。