本公开涉及图像处理技术领域，特别涉及一种全天候识别船舶的方法和系统。
背景技术：
海运的运输速度比航空运输慢，但是单次运输量远远大于航空运输，对货物的适应性较好，并且运输费用也比航空运输低，因此海运已成为国际贸易的主要运输方式。随着海运规模的不断扩大，大型港口城市和海运枢纽城市的港口每天都有大量的船只进入和离开，导致港口区域拥挤，船只之间存在碰撞的隐患。而且越来越多的超大型集装箱货轮投入使用，海运的安全问题逐渐凸显。
在能见度较好的日间，港口领航员可以指挥船只有序进港，加上船只舰桥的巡逻人员会观察周围的船只，因此船只的安全可以得到保障。但是在能见度较低的夜间，上述方法不再使用，船只的安全无法保障。虽然雷达可以扫描出周围船只，但是雷达的价格非常昂贵，无法普及在民用货船上。
技术实现要素：
本公开实施例提供了一种全天候识别船舶的方法和系统，可以利用成本较低的图像获取设备，并配合图像处理技术，有效识别周围船只，保障船只安全，特别适用于没有普及雷达的民用货船。所述技术方案如下：
一方面，本公开实施例提供了一种全天候识别船舶的方法，所述方法包括：
获取第一船舶周围的多张图像，所述多张图像的拍摄时间各不相同；
采用深度学习算法在各张所述图像中识别船舶，得到第二船舶在各张所述图像中的位置；
根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级；
根据所述第二船舶的危险等级，发出警报。
可选地，所述获取第一船舶周围的多张图像，包括：
获取所述第一船舶周围的环境信息；
根据所述环境信息，确定所述第一船舶周围的能见度等级；
当所述能见度等级达到设定标准时，控制摄像头连续拍摄所述第一船舶周围的多张图像；
当所述能见度等级没达到设定标准时，控制激光云台连续拍摄所述第一船舶周围的多张图像。
可选地，所述采用深度学习算法在各张所述图像中识别出第二船舶，包括：
从所述图像中提取图像特征；
根据所述图像特征，生成候选区域；
根据所述图像特征和所述候选区域，提取区域特征；
根据所述区域特征，确定所述候选区域的类别，得到所述第二船舶在所述图像中的位置。
可选地，所述根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级，包括：
根据所述第二船舶在所述图像中的位置，确定所述第二船舶在所述图像的拍摄时间与所述第一船舶之间的距离；
根据所述第二船舶在各张所述图像的拍摄时间与所述第一船舶之间的距离，确定所述第二船舶的航向和航速；
根据所述第二船舶的航向、航速、以及与所述第一船舶之间的距离，确定所述第二船舶的危险等级。
可选地，所述根据所述第二船舶的危险等级，发出警报，包括：
按照危险等级从高到低的顺序，依次输出多个所述第二船舶的航向、航速、以及与所述第一船舶之间的距离进行报警。
另一方面，本公开实施例提供了一种全天候识别船舶的系统，所述系统包括：
获取模块，用于获取第一船舶周围的多张图像，所述多张图像的拍摄时间各不相同；
识别模块，用于采用深度学习算法在各张所述图像中识别船舶，得到第二船舶在各张所述图像中的位置；
定级模块，用于根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级；
报警模块，用于根据所述第二船舶的危险等级，发出警报。
可选地，所述获取模块包括：
信息获取子模块，用于获取所述第一船舶周围的环境信息；
等级确定子模块，用于根据所述环境信息，确定所述第一船舶周围的能见度等级；
拍摄控制子模块，用于当所述能见度等级达到设定标准时，控制摄像头连续拍摄所述第一船舶周围的多张图像；当所述能见度等级没达到设定标准时，控制激光云台连续拍摄所述第一船舶周围的多张图像。
可选地，所述识别模块包括：
卷积层，用于从所述图像中提取图像特征；
区域建议网络，用于根据所述图像特征，生成候选区域；
池化层，用于根据所述图像特征和所述候选区域，提取区域特征；
分类器，用于根据所述区域特征，确定所述候选区域的类别，得到所述第二船舶在所述图像中的位置。
可选地，所述定级模块包括：
第一确定子模块，用于根据所述第二船舶在所述图像中的位置，确定所述第二船舶在所述图像的拍摄时间与所述第一船舶之间的距离；
第二确定子模块，用于根据所述第二船舶在各张所述图像的拍摄时间与所述第一船舶之间的距离，确定所述第二船舶的航向和航速；
第三确定子模块，用于根据所述第二船舶的航向、航速、以及与所述第一船舶之间的距离，确定所述第二船舶的危险等级。
可选地，所述报警模块用于，
按照危险等级从高到低的顺序，依次输出多个所述第二船舶的航向、航速、以及与所述第一船舶之间的距离进行报警。
本公开实施例提供的技术方案带来的有益效果是：
通过获取第一船舶周围在不同时间拍摄的多张图像，并采用深度学习算法在各张图像中识别船舶，可以得到第一船舶周围的第二船舶在各张图像中的位置。根据第二船舶在各张图像中的位置，可以得到第二船舶的危险等级，根据第二船舶的危险等级发出警报，有利于第一船舶避免与第二船舶碰撞，保障船舶的安全。而且图像获取设备和图像处理设备的价格远低于雷达，可以大幅度降低船舶识别系统的实现成本，特别适用于没有普及雷达的民用货船。
附图说明
为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种全天候识别船舶的方法的应用场景图；
图2是本公开实施例提供的一种全天候识别船舶的方法的流程图；
图3是本公开实施例提供的另一种全天候识别船舶的方法的流程图；
图4是本公开实施例提供的fasterrcnn算法模型的结构示意图；
图5是本公开实施例提供的卷积层的结构示意图；
图6是本公开实施例提供的区域建议网络的结构示意图；
图7是本公开实施例提供的分类器的结构示意图；
图8是本公开实施例提供的一种全天候识别船舶的系统的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚，下面将结合附图对本公开实施方式作进一步地详细描述。
图1为本公开实施例提供的一种全天候识别船舶的方法的应用场景图。参见图1，第一船舶10周围有多个第二船舶20，多个第二船舶20都存在与第一船舶10碰撞的隐患，需要第一船舶10识别出来并注意避开。由于多个第二船舶20的航向、航速、以及与第一船舶10之间的距离各不相同，因此多个第二船舶20与第一船舶10碰撞的几率大小不同。
本公开实施例提供了一种全天候识别船舶的方法。图2为本公开实施例提供的一种全天候识别船舶的方法的流程图。参见图2，该方法包括：
步骤101：获取第一船舶周围的多张图像，多张图像的拍摄时间各不相同。
在本实施例中，第一船舶为需要识别出周围船舶避免碰撞的船舶。第一船舶周围是指以第一船舶为圆心，设定距离(如15km)为半径的区域。
步骤102：采用深度学习算法在各张图像中识别船舶，得到第二船舶在各张图像中的位置。
在本实施例中，第二船舶为位于第一船舶周围的船舶。
步骤103：根据第二船舶在各张图像中的位置，确定第二船舶的危险等级。
步骤104：根据第二船舶的危险等级，发出警报。
本公开实施例通过获取第一船舶周围在不同时间拍摄的多张图像，并采用深度学习算法在各张图像中识别船舶，可以得到第一船舶周围的第二船舶在各张图像中的位置。根据第二船舶在各张图像中的位置，可以得到第二船舶的危险等级，根据第二船舶的危险等级发出警报，有利于第一船舶避免与第二船舶碰撞，保障船舶的安全。而且图像获取设备和图像处理设备的价格远低于雷达，可以大幅度降低船舶识别系统的实现成本，特别适用于没有普及雷达的民用货船。
本公开实施例提供了另一种全天候识别船舶的方法，是图2所示的全天候识别船舶的方法的一种可选的实现方式。图3为本公开实施例提供的另一种全天候识别船舶的方法的流程图。参见图3，该方法包括：
步骤201：获取第一船舶周围的环境信息。
在本实施例中，环境信息可以包括光照强度和湿度。光照强度的大小会直接影响到能见度的高低，同时湿度的大小会影响到雾的形成、以及灰尘等杂质的扩散，间接影响到能见度的高度。因此，获取光照强度和湿度作为环境信息，有利于准确确定能见度等级。
可选地，该步骤201可以包括：
采用光线感应器测量第一船舶周围的光照强度；
采用湿度传感器、水分测定仪和气象雷达中的一种测量第一船舶周围的湿度。
步骤202：根据环境信息，确定第一船舶周围的能见度等级。
在本实施例中，能见度等级可以包括非恶劣环境和恶劣环境。在实际应用中，可以直接采用是否达到设定标准来划分能见度等级。能见度等级达到设定标准，此时能见度较高，属于非恶劣环境；能见度等级没达到设定标准，此时能见度较低，属于恶劣环境。
可选地，该步骤202可以包括：
当第一船舶周围的光照强度在设定强度以上，且第一船舶周围的湿度在设定湿度以下时，确定第一船舶周围的能见度等级达到设定标准；
当第一船舶周围的光照强度在设定强度以下，或第一船舶周围的湿度在设定湿度以上时，确定第一船舶周围的能见度等级没达到设定标准。
当光照强度和湿度同时达到要求时才判定能见度等级达到设定标准，对能见度等级的要求较高，有利于保证摄像头拍摄图像的清晰度。
示例性地，设定强度可以为100lux，设定湿度可以为50％；设定标准可以为光照强度在100lux以上，且湿度在50％以下。
步骤203：当能见度等级达到设定标准时，控制摄像头连续拍摄第一船舶周围的多张图像，多张图像的拍摄时间各不相同。
在实际应用中，摄像头可以为广角摄像头，以满足不同区域的拍摄需要。
步骤204：当能见度等级没达到设定标准时，控制激光云台连续拍摄第一船舶周围的多张图像，多张图像的拍摄时间各不相同。
在本实施例中，依次执行步骤201、步骤202和步骤203，或者依次执行步骤201、步骤202和步骤204，可以实现获取第一船舶周围的多张图像。
在实际应用中，上述过程可以由设备自动控制，也可以人为切换图像获取设备拍摄第一船舶周围的图像。图像获取设备可以设置在第一船舶的桅杆上，也可以第一船舶的船体周围，如每个侧面都设置至少一个图像获取设备。对于船体较长的第一船舶，可以在侧面按照一定的间隔设置多个图像获取设备。
本公开实施例通过获取第一船舶周围的环境信息，确定第一船舶周围的能见度等级，并根据能见度等级是否达到设定标准，在第一船舶周围的能见度较低时控制适用于恶劣环境的激光云台拍摄第一船舶周围的图像，保证拍摄图像的清晰度能够识别出船舶，而在第一船舶周围的能见度较高时控制摄像头拍摄第一船舶周围的图像，保证拍摄图像的清晰度能够识别出船舶的情况下，避免激光云台长时间工作，延长激光云台的使用寿命。
步骤205：采用深度学习算法在各张图像中识别船舶，得到第二船舶在各张图像中的位置。该步骤205在步骤203或者步骤204之后执行。
在本实施例中，可以采用快速局域卷积神经网络(英文：fasterregionconvolutionalneuralnetworks，简称：fasterrcnn)算法在图像中识别船舶，有效提高检测速度，能够及时发现碰撞威胁进行报警，保障船舶的安全。
可选地，该步骤205可以包括：
从图像中提取图像特征；
根据图像特征，生成候选区域；
根据图像特征和候选区域，提取区域特征；
根据区域特征，确定候选区域的类别，得到第二船舶在图像中的位置。
上述步骤可以在现有fasterrcnn算法的基础上实现，实现比较方便。
图4为本公开实施例提供的fasterrcnn算法模型的结构示意图。参见图4，fasterrcnn算法的模型包括卷积层(英文：convlayers)31、区域建议网络(英文：regionproposalnetworks，简称：prn)32、池化层(英文：roipooling)33和分类器(英文：classification)34。卷积层31从图像(英文：image)30中提取出图像的特征信息(英文：imagefeaturemaps)，分别输出到区域建议网络32和池化层33。区域建议网络32根据图像特征，生成候选区域(英文：regionproposals)并输出到池化层33。池化层33根据图像的特征信息和候选区域，提取出候选区域的特征信息(英文：proposalfeaturemaps)并输出到分类器34。分类器34根据候选区域的特征信息，确定候选区域的类别，从而目标在图像中的位置。
图5为本公开实施例提供的卷积层的结构示意图。参见图5，卷积层31可以包括多个卷积核41、多个激活函数(英文：rectifiedlinearunit，简称：relu)42和多个池化层43。卷积核41可以感知局部特征；激活函数42可以增加神经网络模型的非线性；池化层43可以对特征进行聚合统计。示例性地，如图5所示，卷积层31可以包括13个卷积核41、13个激活函数42和4个池化层43，按照图像的处理顺序，依次为卷积核41、激活函数42、卷积核41、激活函数42、池化层43、卷积核41、激活函数42、卷积核41、激活函数42、池化层43、卷积核41、激活函数42、卷积核41、激活函数42、卷积核41、激活函数42、池化层43、卷积核41、激活函数42、卷积核41、激活函数42、卷积核41、激活函数42、池化层43、卷积核41、激活函数42、卷积核41、激活函数42、卷积核41、激活函数42。
图6为本公开实施例提供的区域建议网络的结构示意图。参见图6，区域建议网络32先采用卷积核41和激活函数42进行处理，并生成大量的候选框(英文：anchors)之后分成两路：一路经过卷积核41之后，采用softmax逻辑回归函数44进行分类，判定候选框属于前景(英文：positive)还是后景(英文：negative)，而softmax逻辑回归函数前后设置重塑层(英文：reshapelayer)45是为了便于softmax逻辑回归函数分类；另一路经过卷积核41之后，通过边框回归(英文：boundingboxregression)计算候选框的偏移量。建议层(英文：proposallayer)46基于候选框的分类结果和偏移量，得到候选区域。
图7为本公开实施例提供的分类器的结构示意图。参见图7，分类器34可以包括全连接层47，全连接层47可以建立上一层的各个神经元与下一层的所有神经元的连接。示例性地，如图7所示，分类器34先依次采用全连接层47、激活函数42、全连接层47、激活函数42处理之后分成两路：一路经过全连接层47之后，作为结果输出；另一路经过全连接层47之后，采用softmax逻辑回归函数44进行分类，并通过边框回归计算候选框的偏移量，以提高候选区域的精度。
可选地，在步骤205之前，该方法还可以包括：
获取已标注船舶所在位置的多张图像；
采用已标注船舶所在位置的多张图像，对深度学习算法的模型进行训练。
在实际应用中，可以采用反向传播算法对深度学习算法模型中的参数进行迭代更新，直到迭代次数达到设定次数或者损失函数在设定范围内。
可选地，在步骤205之后，该方法还可以包括：
对第一船舶周围的多张图像进行存储；
根据第一船舶周围的多张图像，对深度学习算法的模型进行更新。
利用实际应用过程中获取的图像，再次训练深度学习算法，使更新后的深度学习算法更符合实际情况，提高识别的准确度。
在实际应用中，多张图像可以存储在工业硬盘中，以在高盐度、高湿度、高温或者低温等恶劣环境下工作，并且可以存储海量的数据。
在实际应用中，采用第一船舶周围的多张图像对深度学习算法的模型进行训练的过程，与采用已标注船舶所在位置的多张图像对深度学习算法的模型进行训练的过程类似，在此不再详述。
可选地，该方法还可以包括：
采用深度学习算法确定第二船舶的类型。
采用深度学习算法在图像中识别船舶出的同时，还可以确定出船舶的类型，不需要人为根据雷达扫描出的障碍物形状进行判断。
在实际应用中，还可以根据第二船舶的类型，确定第二船舶的危险等级。例如，在其它参数都相同的情况下，按照吨位从大到小的顺序对第二船舶进行排序。
步骤206：根据第二船舶在各张图像中的位置，确定第二船舶的危险等级。
可选地，该步骤206可以包括：
第一步，根据第二船舶在图像中的位置，确定第二船舶在图像的拍摄时间与第一船舶之间的距离；
第二步，根据第二船舶在各张图像的拍摄时间与第一船舶之间的距离，确定第二船舶的航向和航速；
第三步，根据第二船舶的航向、航速、以及与第一船舶之间的距离，确定第二船舶的危险等级。
根据第二船舶在各张图像中的位置，可以得到第二船舶的航向、航速、以及与第一船舶之间的距离，进而分析出第二船舶与第一船舶碰撞的几率，得到的第二船舶的危险等级符合实际情况，准确率较高。
在实际应用中，第一步可以包括：
根据第二船舶在图像中的位置，得到第二船舶与第一船舶在图像中的距离；
根据图像中的距离和图像的缩放比例，得到第二船舶与第一船舶之间的实际距离。
例如，第二船舶与第一船舶在图像中的距离为10cm，图像的比例为1：10000，则第二船舶与第一船舶之间的实际距离为1km。
示例性地，第二步可以包括：
当第二船舶与第一船舶之间的距离减小时，确定第二船舶的航向朝向第一船舶；
当第二船舶与第一船舶之间的距离增大时，确定第二船舶的航向背离第一船舶。
例如，第二船舶与第一船舶之间的距离从10km减小到5km，则第二船舶的航向朝向第一船舶；又如，第二船舶与第一船舶之间的距离从5km增大到10km，则第二船舶的航向背离第一船舶。
在实际应用中，第二步可以包括：
根据第二船舶与第一船舶之间的距离变化和图像的拍摄间隔，计算第二船舶的航速。
例如，根据第二船舶与第一船舶之间的距离减小0.1km，图像的拍摄间隔为5s，则第二船舶的航速为72km/h。
可选地，在第三步可以包括：
根据第二船舶与第一船舶之间的距离和多个档位的距离范围，确定第二船舶所属的档位；
确定第二船舶的航向和航速，对同一档位的第二船舶进行排序。
示例性地，在高级威胁的档位中，第二船舶与第一船舶之间的距离在5km以下；在中级威胁的档位中，第二船舶与第一船舶之间的距离在5km～10km之间；在低级威胁的档位中，第二船舶与第一船舶之间的距离在10km～15km之间；在无威胁的档位中，第二船舶与第一船舶之间的距离在15km以上。
在同一档位的第二船舶中，朝向第一船舶的第二船舶排在背向第一船舶的第二船舶的前面。
在同一档位且朝向相同的第二船舶中，按照航速从大到小的顺序排列。
步骤207：根据第二船舶的危险等级，发出警报。
可选地，该步骤207可以包括：
按照危险等级从高到低的顺序，依次输出多个第二船舶的航向、航速、以及与第一船舶之间的距离进行报警。
按照危险等级从高到低的顺序依次报警，有利于第一船舶第一时间避开碰撞几率最大的第二船舶，有效保障船舶的安全。
在实际应用中，发出警报的设备可以单独设置在第一船舶的舰桥内，也可以设置在第一船舶的警报系统内。
本公开实施例提供了一种全天候识别船舶的系统，适用于实现图2或图3所示的全天候识别船舶的方法。图8为本公开实施例提供的一种全天候识别船舶的系统的结构示意图。参见图8，该系统包括：
获取模块301，用于获取第一船舶周围的多张图像，多张图像的拍摄时间各不相同；
识别模块302，用于采用深度学习算法在各张图像中识别船舶，得到第二船舶在各张图像中的位置；
定级模块303，用于根据第二船舶在各张图像中的位置，确定第二船舶的危险等级；
报警模块304，用于根据第二船舶的危险等级，发出警报。
本公开实施例
可选地，获取模块301可以包括：
信息获取子模块，用于获取第一船舶周围的环境信息；
等级确定子模块，用于根据环境信息，确定第一船舶周围的能见度等级；
拍摄控制子模块，用于当能见度等级达到设定标准时，控制摄像头连续拍摄第一船舶周围的多张图像；当能见度等级没达到设定标准时，控制激光云台连续拍摄第一船舶周围的多张图像。
可选地，识别模块302可以包括：
卷积层，用于从图像中提取图像特征；
区域建议网络，用于根据图像特征，生成候选区域；
池化层，用于根据图像特征和候选区域，提取区域特征；
分类器，用于根据区域特征，确定候选区域的类别，得到第二船舶在图像中的位置。
可选地，定级模块303可以包括：
第一确定子模块，用于根据第二船舶在图像中的位置，确定第二船舶在图像的拍摄时间与第一船舶之间的距离；
第二确定子模块，用于根据第二船舶在各张图像的拍摄时间与第一船舶之间的距离，确定第二船舶的航向和航速；
第三确定子模块，用于根据第二船舶的航向、航速、以及与第一船舶之间的距离，确定第二船舶的危险等级。
可选地，报警模块304可以用于，
按照危险等级从高到低的顺序，依次输出多个第二船舶的航向、航速、以及与第一船舶之间的距离进行报警。
可选地，获取模块301还可以用于，
获取已标注船舶所在位置的多张图像。
相应地，该系统还可以包括：
训练模块，用于采用已标注船舶所在位置的多张图像，对深度学习算法的模型进行训练。
可选地，该系统还可以包括：
存储模块，用于对第一船舶周围的多张图像进行存储；
更新模块，用于根据第一船舶周围的多张图像，对深度学习算法的模型进行更新。
需要说明的是：上述实施例提供的全天候识别船舶的系统在全天候识别船舶时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的全天候识别船舶的系统与全天候识别船舶的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
上述本公开实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本公开的可选实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
1.一种全天候识别船舶的方法，其特征在于，所述方法包括：
获取第一船舶周围的多张图像，所述多张图像的拍摄时间各不相同；
采用深度学习算法在各张所述图像中识别船舶，得到第二船舶在各张所述图像中的位置；
根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级；
根据所述第二船舶的危险等级，发出警报。
2.根据权利要求1所述的方法，其特征在于，所述获取第一船舶周围的多张图像，包括：
获取所述第一船舶周围的环境信息；
根据所述环境信息，确定所述第一船舶周围的能见度等级；
当所述能见度等级达到设定标准时，控制摄像头连续拍摄所述第一船舶周围的多张图像；
当所述能见度等级没达到设定标准时，控制激光云台连续拍摄所述第一船舶周围的多张图像。
3.根据权利要求1或2所述的方法，其特征在于，所述采用深度学习算法在各张所述图像中识别出第二船舶，包括：
从所述图像中提取图像特征；
根据所述图像特征，生成候选区域；
根据所述图像特征和所述候选区域，提取区域特征；
根据所述区域特征，确定所述候选区域的类别，得到所述第二船舶在所述图像中的位置。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级，包括：
根据所述第二船舶在所述图像中的位置，确定所述第二船舶在所述图像的拍摄时间与所述第一船舶之间的距离；
根据所述第二船舶在各张所述图像的拍摄时间与所述第一船舶之间的距离，确定所述第二船舶的航向和航速；
根据所述第二船舶的航向、航速、以及与所述第一船舶之间的距离，确定所述第二船舶的危险等级。
5.根据权利要求1或2所述的方法，其特征在于，所述根据所述第二船舶的危险等级，发出警报，包括：
按照危险等级从高到低的顺序，依次输出多个所述第二船舶的航向、航速、以及与所述第一船舶之间的距离进行报警。
6.一种全天候识别船舶的系统，其特征在于，所述系统包括：
获取模块，用于获取第一船舶周围的多张图像，所述多张图像的拍摄时间各不相同；
识别模块，用于采用深度学习算法在各张所述图像中识别船舶，得到第二船舶在各张所述图像中的位置；
定级模块，用于根据所述第二船舶在各张所述图像中的位置，确定所述第二船舶的危险等级；
报警模块，用于根据所述第二船舶的危险等级，发出警报。
7.根据权利要求6所述的系统，其特征在于，所述获取模块包括：
信息获取子模块，用于获取所述第一船舶周围的环境信息；
等级确定子模块，用于根据所述环境信息，确定所述第一船舶周围的能见度等级；
拍摄控制子模块，用于当所述能见度等级达到设定标准时，控制摄像头连续拍摄所述第一船舶周围的多张图像；当所述能见度等级没达到设定标准时，控制激光云台连续拍摄所述第一船舶周围的多张图像。
8.根据权利要求6或7所述的系统，其特征在于，所述识别模块包括：
卷积层，用于从所述图像中提取图像特征；
区域建议网络，用于根据所述图像特征，生成候选区域；
池化层，用于根据所述图像特征和所述候选区域，提取区域特征；
分类器，用于根据所述区域特征，确定所述候选区域的类别，得到所述第二船舶在所述图像中的位置。
9.根据权利要求6或7所述的系统，其特征在于，所述定级模块包括：
第一确定子模块，用于根据所述第二船舶在所述图像中的位置，确定所述第二船舶在所述图像的拍摄时间与所述第一船舶之间的距离；
第二确定子模块，用于根据所述第二船舶在各张所述图像的拍摄时间与所述第一船舶之间的距离，确定所述第二船舶的航向和航速；
第三确定子模块，用于根据所述第二船舶的航向、航速、以及与所述第一船舶之间的距离，确定所述第二船舶的危险等级。
10.根据权利要求6或7所述的系统，其特征在于，所述报警模块用于，
按照危险等级从高到低的顺序，依次输出多个所述第二船舶的航向、航速、以及与所述第一船舶之间的距离进行报警。
技术总结