基于海事遠程監督系統的“船舶檢查AI助手”設計

田 煬,幸弘慧

(1.洋浦海事局船舶監督處,海南 儋州 578001;2.洋浦海事局神頭海事處,海南 儋州 578001)

0 引言

《中華人民共和國海上交通安全法》第八十八條規定:“海事管理機構對在中華人民共和國管轄海域內從事航行、停泊、作業以及其他與海上交通安全相關的活動,依法實施監督檢查。海事管理機構依照中華人民共和國法律、行政法規以及中華人民共和國締結或者參加的國際條約對外國籍船舶實施港口國、沿岸國監督檢查”。第八十九條規定:“海事管理機構實施監督檢查可以采取登船檢查、查驗證書、現場檢查、詢問有關人員、電子監控等方式”。

除去總則、法律責任、附則,海安法主體的88個條款中,有43個條款的監管事項需要以船舶監督檢查的方式來實現,占比達半數,足以見得船舶安全監督檢查工作在海事監管中的重要性。而目前船舶監督檢查存在許多問題。一方面,基層人手不足的情況尤為突出:(1)執法力量不充足,覆蓋不夠廣;(2)知識更新快、充電時間少;(3)基層資深安檢員較少;(4)數量和質量難兼顧,忙中易出錯。另一方面,疫情影響下遠程檢查的質量受限于網絡等條件,質量難以保證。

1 當前檢查方式的弊端

當前一般的現場檢查模式為:海事執法人員對符合檢查條件的船舶登輪檢查,對發現不符合規定的情況,在報告單上逐條記錄(即“開缺陷”),并給出每個缺陷的處理意見。船方整改完成后海事執法人員登輪進行復查,在原報告中記錄缺陷關閉情況。

海事執法人員遠程檢查方式為:(1)提前與船方電話聯系,添加微信好友;(2)利用微信視頻通話,海事執法人員指揮船方前往船上指定區域通過視頻所見開具缺陷;(3)海事局打印檢查單簽章并掃描后發給船方打印簽章再掃描后發回給海事局。由此可見,現有的遠程檢查過程十分煩瑣復雜,且由于手機攝像頭像素和安檢人員電腦分辨率的影響,會導致安檢效果大打折扣。

目前所有的檢查仍以人員目視、操作試驗等傳統方法進行,完全依憑檢查人員個人的知識儲備和經驗來判斷缺陷。在海事系統中,培養一名合格的安檢員需要長時間的學習和經驗積累,周期較長[1];公司檢查則需要花費很高的人力成本,且面臨著非定線船舶無法有效達到檢查頻次的困難;船員自查也僅以個人的工作經驗為導向,存在不規范、不全面的問題。

與此同時,缺陷數據對船舶檢查的指導有非常重要的價值,可以有效反映船舶技術、船員適任、公司體系運行等情況。恰巧,海事擁有十分豐富的缺陷數據資源,僅東京備忘錄PSC日均就產生缺陷數據超百條,亞太地區PSC近3年來積累下約28萬條的缺陷數據,然而目前卻沒有對缺陷數據進行進一步深入發掘運用。因此,充分發掘海事缺陷數據在船舶檢查智能化方面的作用,研究便利智能的輔助規范化檢查設備有著很大的必要性和市場需求[2]。

因此,筆者考慮運用海事船舶檢查缺陷數據庫,訓練AI學習缺陷判定,以達到如下效果:

(1)自動檢測監控畫面中違規行為進行提示。

(2)現場檢查中,智能識別設備,提示檢查要點,預判缺陷風險。

(3)通過云計算對缺陷大數據進行邏輯分析,指示隱患,精確預警。

2 核心數據庫功能模塊設計

圍繞“海事缺陷數據”這個核心數據庫,筆者開發設計了包含5大功能模塊、具有人工智能特性的“船舶體檢助手”,讓其通過學習海事已有的缺陷數據以及相應的設備圖片,達到自動智能識別、判定的效果,并由此為海事執法、航運企業和船員自查提供針對性技術服務。

2.1 海事監管中的應用

2.1.1 “檢查要點提示”功能

如圖1所示,海事船舶安全監督過程中,執法人員使用“檢查要點提示”功能,只需要將安裝有“船舶體檢助手”的手機或者智能設備對準被檢查的設施設備,“船舶體檢助手”將會實時識別,并顯示“檢查要點提示”。

圖1 “檢查要點提示”功能示意界面

2.1.2 “缺陷預判”功能

如圖2所示,“船舶體檢助手”會對實時捕捉到的缺陷進行截圖記錄,標注相應的缺陷代碼、缺陷描述、依據和建議的處理決定,由執法人員綜合考慮后選擇采納。

圖2 “缺陷預判”功能示意界面

2.1.3 “遠程快檢”模式

針對船況較好的低風險船舶,或者因受疫情等影響無法登輪檢查的船舶,執法人員可以采取“遠程快檢”模式,通過“船舶體檢助手”向船舶發布檢查項目,由船員拍攝操作過程,“船舶體檢助手”實時進行缺陷分析,將可能存在缺陷的項目視頻片段截取保存并標注上相應的缺陷信息,提交給執法人員進行快速審核。這個模式預計能將單船檢查時間縮減至0.5 h左右,大大減少了船舶等待時間,最大限度地為航運企業節約運營成本,進一步提升營商環境。

“船舶體檢助手”的以上功能能夠幫助執法人員大幅提高檢查的效率和質量。此外,在加速新進執法人員積累執法經驗,加快人才培養方面也效果顯著。在使用“船舶體檢助手”的情況下,檢查人員身邊就像時時陪伴著一位專業老師“手把手”指導,跟傳統的教學方法相比,在相同的時間內能進行比以往多數倍的項目來檢查學習,還能進行反復練習,并獲得由無數安檢員積累下來的案例指導,由此能夠加速推進海事人才隊伍的高水平建設。

2.2 在航運企業中的應用

2.2.1 “船舶實船檢測”功能

船員使用“船舶實船檢測”功能對船舶設施設備進行巡檢,實現實時缺陷分析,待全船的設施設備檢查完成后生成分析報告等數據。該數據可傳輸回公司,用來評估該船包括維護保養在內的管理體系執行情況,減少公司管理人員登輪的頻率,降低巨額的人力成本支出。

2.2.2 “地區高頻缺陷預檢”功能

在即將到達某個港口前,船員調用“地區高頻缺陷預檢”功能,分析近期針對類似本船屬性的船舶在該港口的高頻檢查缺陷,在正式接受該港的海事檢查前對高頻缺陷項目進行預檢,能夠幫助船員有針對性地做好檢查準備,有效降低船舶缺陷數量。

2.3 其他從業人員的應用

“船舶體檢助手”可對碼頭船岸安全檢查人員等其他從業人員提供技術指導,輔助開展現場檢查工作,或通過視頻監控等方式提供遠程實時智能預警。

3 “船舶體檢助手”可行性分析

3.1 數據來源

本方案所需的數據的獲取方法大致分為以下幾種來源。

(1)已有缺陷數據:主要為海事系統內部缺陷數據庫所記錄下的由各海事部門日常安檢工作中所查出的缺陷數據。

(2)法規公約文本:海事執法人員進行日常安檢工作所依據的相關法律公約,如《中華人民共和國船舶安全檢查規則》等。

(3)船體、設備信息(廠家、船廠):提取船舶參數信息,船體部分圖片等。

(4)互聯網:通過相關網站獲取海事檢查工作中的專業名詞和相關圖片信息等。

(5)船舶基礎數據:如船名、船舶種類、龍骨安放時間、噸位、配員要求等與判定邏輯有關信息等。

(6)船員身份信息:獲取制定船舶上的所有船員身份信息,如職務、適任狀況等。

(7)不斷生成的新缺陷數據:通過不斷生成新的缺陷數據來測試判定邏輯是否準確和判定正確率。

3.2 數據的初步處理

本方案所使用的數據中,除了上述(5)(6)2項,其他均為海事已經掌握的數據資源。第5項數據來源為船檢機構,船用產品數據庫、船舶結構數據庫等所需要的數據信息均是可公開查詢的,獲取難度不大。第6項數據來源為互聯網,目前專業名詞科普網站資源豐富,更能從阿里巴巴等網站上抓取市面上所有型號的產品圖片,為船舶設備AI圖像識別模型的建立提供可靠的資源。

綜上所述,本方案通過如表1所示數據的加工處理,能夠可靠得到缺陷判定模型、高頻缺陷計算模型和AI圖像識別模型3個基礎模型,并以此來作為“船舶體檢助手”的底層技術支持。且通過該方式建立起的模型環境適用性極強,不用持續聯網,“船舶體檢助手”軟件可以內置數據庫及模塊,絕大部分功能無需聯網,僅需要在有網絡的時候進行數據上傳、內容更新等,保障了船舶海上航行以及船舶艙室內網絡不佳等環境下的可靠使用[3]。

表1 數據初步處理

3.3 數據的使用

3.3.1 建立AI圖像識別模型

如圖3所示,建立AI圖像識別模型的流程如下:

圖3 AI圖像識別模型

(1)收集設備圖片,對圖片進行裁剪縮放格式化命名等簡單處理。

(2)使用標注工具對圖片進行標注,生成對應的xml文件。

(3)將標注好的數據集打包轉換成YOLO*的txt標記格式。

(4)在YOLOv5*中導入訓練數據集開始訓練。

(5)最后通過互聯網圖片對訓練的模型進行目標識別測試。

3.3.2 建立缺陷判定模型

如圖4所示,建立缺陷判定模型的流程如下:

圖4 缺陷判定模型

(1)輸入船舶名稱、AI圖像識別模型處理得到的圖片信息。

(2)連接船舶基礎數據庫讀取船舶信息,確定適用的法規公約。

(3)在判定規則庫中調取缺陷判斷標準。

(4)運用缺陷判定邏輯得出比對結果并輸出。

3.3.3 實際應用中的數據處理流程

如圖5所示,實際應用中的數據處理流程如下:

圖5 數據處理流程

(1)手機拍攝設備圖片,選擇船舶名稱,發送給海事智能終端。

(2)終端調用AI圖像識別模型處理圖片信息,對圖片中的設備進行識別,自動框選設備并標注設備信息。

(3)調用缺陷判定模型輸出預判結果。

(4)根據預判結果,讀取缺陷數據庫中的相關條目(相應的依據內容、處理建議)。

(5)顯示預判的缺陷、依據內容、處理建議。

4 結語

目前,在船舶檢查工作中智能化手段運用還較少,但是在全要素水上“大交管”執法模式建設的新形勢背景下,充分應用海事數據,優化船舶監督檢查的智能化水平,是有力提升海事監管效率和質量的必由之路。隨著智能船舶嶄露頭角、無人船舶技術日漸成熟,未來海事采取“船舶體檢助手”等新型智能檢查手段是適應航運業態發展的必然趨勢。