海上平臺智能防入侵檢測算法研究

摘要：為了保障海上平臺及其周邊海域的安全，需采用智能防入侵檢測算法，自動識別各類海上作業區域的入侵情況，以有效遏制外部船只對海上作業的影響并提升生產安全管理水平。該文構建了海上平臺防入侵安全管控系統的架構，基于CNN與YOLO-Fastest融合的模型用于入侵目標的監測，提升對目標入侵檢測的性能，防止各類目標入侵到作業區域，保障海上作業的安全。

關鍵詞：海上平臺；智能監測；防入侵算法

doi：10.3969/J.ISSN.1672-7274.2024.07.005

中圖分類號：TP 393.08 文獻標志碼：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

為了保障開采區域作業安全，海上石油開采需要邊界防入侵，以達到確保生產設施正常運作的目的。石油開采設施包括鉆井平臺、海底管道等，維護這些設施的安全對于保障石油開采作業的正常開展至關重要。未經授權的船只或其他設備可能會意外損壞這些設施，導致泄漏事故或設備故障，危及作業人員的生命安全，影響生產作業的開展。并且未經授權的船只進入海上石油作業區域，可能引發石油泄漏或其他污染，危害海洋生態系統和周邊地區的環境。而邊界防入侵能夠減少意外事件發生，保障海上石油作業的順利開展。為此，本文對海上平臺智能防入侵檢測算法進行研究。

2 防入侵智能檢測算法基本情況

海上平臺防入侵算法包括入侵識別與分類，通過雷達、衛星或其他傳感器追蹤識別船只，并對其進行分類，確定船只類型和行為類別。通過監控船只的航行路徑，檢測是否有接近作業區域的異常航行行為，全天候、實時地監控海域內船只的活動和位置。算法需要識別非法入侵、潛在威脅或異常行為，發出警報信息。算法基于預設參數，發出預警通知，提醒相關人員進行進一步調查和處置[1]。

算法的數據來源主要通過各類傳感器，搜集作業區域的數據，通過智能攝像機等設備采集數據，將數據傳輸到后臺安防主機，用于對入侵行為進行識別，同時聯動各類報警設備。利用先進的數據采集技術，廣泛運用多種傳感器，如聲納、雷達、紅外線傳感器等，以確保數據的全面搜集和準確監測。同時算法能夠快速地識別入侵的物體，并進行預警。

3 智能防入侵檢測算法構建

為提高入侵安全管控系統的智能性，提出基于YOLO及CNN模型的智能防入侵檢測算法。基于智能攝像機拍攝的圖像信息，對入侵的船只等目標進行檢測。其中，YOLO-Fastest是基于YOLO系列模型的一個改進版本，在保持較高檢測精度的同時，提高目標檢測的速度和效率。YOLO-Fastest使用了輕量級的骨干網絡結構，以減少計算量和參數數量。該模型采用了Ghost模塊，利用深度可分離卷積等技術來提高計算效率。與其他YOLO版本一樣，YOLO-Fastest也使用了多尺度的預測方法，在不同尺度下進行目標檢測，能夠有效地檢測到不同大小的目標。該算法的位置損失函數如公式（1）所示：

（1）

該算法的網絡結構如圖1所示。

卷積神經網絡（Convolutional Neural Network，CNN）是一種深度學習模型，適用于處理具有網格結構的數據，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據的特征。每個卷積層由多個過濾器組成，每個過濾器與輸入數據進行卷積操作，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，分別在局部區域中選擇最大值或平均值作為池化操作結果。全連接層用于將卷積和池化層提取的特征轉換為最終的輸出。CNN廣泛應用于圖像識別、目標檢測、語義分割等領域，在計算機視覺任務中取得了巨大成功，并且不斷被改進和擴展以適應不同的應用場景[2]。

在進行入侵檢測時，采用CNN構建SC層對圖像特征進行處理，如圖2所示。

圖2 CNN構建特征處理層SC

基于SC層，將其應用于YOLO網絡結構中，如圖3所示。

圖3 YOLO與CNN網絡結合

圖3中，將卷積神經網絡與YOLO結合，用于提高目標檢測的準確性。YOLO本身就是基于CNN的目標檢測模型，但可以通過優化CNN的骨干網絡或引入提前特征提取模型來進一步提高YOLO的性能。通過優化YOLO的骨干網絡，提高特征提取的能力，能夠更好地理解和捕獲目標的特征。將SC層引入YOLO中，構建多尺度特征金字塔，能夠檢測不同尺寸的目標，并改善對小目標的檢測效果。還可以引入注意力機制來增強模型對目標的關注，提高目標檢測的準確性，特別是在擁擠場景或目標尺寸較小時。CNN在多個卷積層中提取了多層次、多尺度的抽象特征，能夠捕獲圖像的細節和語義信息。卷積層通過卷積核對圖像進行局部特征提取，這些特征可以表示目標的紋理、邊緣等細節信息。將CNN提取的多尺度特征與YOLO結構進行融合，例如，利用CNN提取的淺層特征和YOLO中的深層特征進行級聯或融合，以豐富模型對目標的表示能力。將CNN提取的不同層級、不同尺度的特征整合到YOLO的多尺度檢測中，能夠提高對不同尺寸目標的檢測能力。并且，利用CNN提取的特征引入注意力機制，使模型能夠更集中地關注重要區域和特征，從而提高目標檢測的精度和魯棒性[3]。

綜合來看，結合CNN與YOLO能夠有效地利用CNN網絡優越的特征提取能力，并將這些特征融合到YOLO的結構中。可以提高模型對目標的理解和表征能力，從而提升目標檢測的準確性、魯棒性和泛化能力，如圖3所示，通過檢測圖像，自動識別入侵的船只。同時，基于海上平臺入侵安全管控系統搜集的訓練樣本，對不同算法進行對比，得到表1的性能對比結果。

如表1所示，基于CNN與YOLO-Fastest融合的模型，進一步提升了對目標入侵檢測的性能。卷積神經網絡在圖像處理中有著強大的特征提取能力，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。本模型通過將CNN網絡提取的豐富特征無縫地整合到YOLO-Fastest的檢測流程中，進一步提高了模型對目標的理解和表征能力。通過在YOLO-Fastest中引入CNN網絡的特征，該模型在保持快速推理速度的同時，能夠更準確地檢測目標，尤其是在目標邊界清晰度、細節信息和復雜場景中表現更好。基于CNN與YOLO-Fastest融合的模型可以在許多場景下發揮作用，特別是對于需要快速而精確的目標檢測任務。它充分利用了兩種方法的優勢，在目標檢測領域取得了更為出色的性能。

4 結束語

本文構建了一種海上平臺防入侵安全管控系統的架構，基于CNN與YOLO-Fastest融合的模型用于入侵目標的監測，進一步提升了對目標入侵檢測的性能，有助于海上平臺作業時，防止各類目標入侵到作業區域，保障海上平臺作業的安全。

參考文獻

[1] 劉廣睿，張偉哲，李欣潔．基于邊緣樣本的智能網絡入侵檢測系統數據污染防御方法[J]．計算機研究與發展，2022，1（10）：59-63．

[2] 傅薈瑾，史天運，王瑞．基于改進ByteTrack的高鐵周界入侵監測方法研究[J]．儀器儀表學報，2023，44（4）：61-71．

[3] 王瑞峰，陳小屹．基于改進YOLOv5的軌道異物入侵檢測算法研究[J]．云南大學學報：自然科學版，2023，45（4）：799-806．