张凯悦，张 鸿

（1.武汉科技大学计算机科学与技术学院，武汉 430081；2.智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学），武汉 430081）

0 引言

深度学习和计算机视觉技术的发展让智能监控的应用越来越广泛，航运监控图像识别是对江海上运输能源的船舶的状态进行实时判断，是深度学习在能源运输领域的应用。当航运识别服务判断出作业中的船舶处于异常状态时，可以及时地向指挥中心发出预警，实现对异常状态船舶的快速定位。这极大地减轻了人力的负担，切实地保障了运输能源的安全。

航运监控图像识别不仅具有通用图像识别的难点，而且具有航运领域特有的困难和挑战。江海上的雾气、水面反射的阳光会干扰对识别主体有效特征的提取。在实际应用过程中，由于摄像头放置角度的问题，处于同一状态类别的船舶的视觉特征差异很大。运输的煤炭沾上雨水热值会损失，在运输过程中需要覆盖雨布，为了规范覆盖雨布的行为，航运图像识别服务需要判断船上的雨布是否完全盖好，黑色的雨布和煤炭很容易混淆，因此，处于不同状态类别的船舶视觉特征差异很小。经过上面的讨论可知，航运监控图像识别具有类间差异小、类内差异大和噪声干扰多的问题。

已有的航运监控图像识别模型C3D（Convolutional 3D）［1］是传统的图像识别模型，其将连续的图片处理成一段视频后输入到三维卷积神经网络，由于过多地关注时空特征且对图像有效特征的提取能力较弱，识别结果容易受到天气、背景、摄像头角度的影响，识别性能较差。……