構建岸基雷達網輔助海上執法智能平臺的關鍵技術分析

黃妙芬 ，楊光照 ，邢旭峰，黃 山 ，楊 鋒，卓永強

（1.廣東海洋大學，廣東 湛江 524088；2.湛江海蘭寰宇海洋科技信息有限公司，廣東 湛江 524088；3.湛江市海洋與漁業環境監測站，廣東 湛江 518052）

為提升海洋綜合管理信息化水平、保障海洋經濟發展環境，2014年12月9日，原國家海洋局印發了《全國海洋觀測網規劃（2014-2020年）》，其主要任務之一就是強化岸基觀測能力，并提出了在我國管轄海域的沿岸和島礁布局岸基海洋觀測站（點）、岸基雷達站和海嘯預警觀測臺等具體任務[1]。為此，廣東省構建了“岸基雷達網綜合監控系統”，可對全省近海20 nmile以內的海上目標及其分布態勢進行探測與跟蹤。

岸基雷達系統具有捕獲海上目標的信息量大、且能解決無船舶身份自動識別系統（Automatic Identification System，AIS）數據的目標探測與跟蹤問題等優勢[2]，成為海上目標實時動態數據收集的一種有效的技術手段。另外，雷達目標數據具有更新快的特點，實時入數據庫時對響應速度、穩健性和整體性能都有較高的要求，若頻繁地建立與關閉連接會極大地降低系統的性能。線程池（Thread Pool）和數據庫連接池（Connection Pool）技術是保證雷達目標數據動態入庫的有效手段之一[3]，這些技術已在遙感衛星系統衛星數據的下傳、雷達數據處理、交通領域等方面得到了廣泛的應用[4-6]。

導航雷達的工作原理是通過回波獲取小目標信息，然后實時地全部推送到屏幕上，由此會存在許多無效或冗余目標，因此進行數據預清洗是保證構建的智能平臺高效運行的前提。數據清洗是大數據領域常用的一種技術手段，得到了廣泛應用[7]。目前，數據清洗技術提供了檢測并消除數據異常、檢測并消除近似重復記錄、特定領域的數據清洗等功能[8-10]。

船舶態勢估計（Situation Assessment,SA）技術的發展比較迅速，通過態勢覺察、態勢理解和態勢預測等方式[11]，可實現對近海小型船舶的有效監測。近年來，隨著學者們對態勢估計基礎理論的深入研究，概率圖、模板匹配算法、黑板算法、證據理論算法、貝葉斯網絡等被引入到船舶態勢估計的研究中[12-16]，為輔助海上執法奠定了基礎。隨著人工智能技術的發展，越來越多的相關算法應用于船舶行為識別模型的建立[17-21]，從而提高了復雜海洋環境下監管船舶行為的效率。

現有的“岸基雷達網綜合監控系統”為實時目標監測系統。由于系統實時推送的目標數據量非常龐大，因而僅靠人工分析很難充分發揮作用，另外為保障其安全與可靠、高效運行，系統構架相對封閉，難以拓展多樣化的涉海部門與機構業務應用。為此需要通過綜合運用動態數據庫、數據清洗和人工智能分析等技術，充分挖掘雷達網的應用與信息服務潛力，達到近海船舶作業、安全生產的智能化監管，使管理人員更快、更準確地獲取近海小型船舶作業模式與分布態勢，輔助現場監管與執法決策。本文將圍繞開發智能平臺涉及的相關關鍵技術展開分析與討論。

1 現有岸基雷達綜合監控系統

1.1 硬件組成

廣東省“岸基雷達網綜合監控系統”由50多座岸基雷達系統構成，每座雷達站由X波段導航雷達、光電觀察設備、船舶身份自動識別系統AIS接收天線等組成，如圖1所示。圖中，A為X波段雷達傳感器，B為光電觀察設備，C為AIS接收天線，通過先進的雷達信號處理算法及獨特的自適應門限設計[16-17]，實現對近海20 nmile以內的海域目標（特別是海上極小目標，即雷達截面積（Radar Cross-Section,RCS）≥0.1 m2和高度≥1 m的物體的全自動探測、跟蹤和識別，提供海上目標態勢信息。該系統不依賴于船舶自身定位與船位上報設備，就能實現對海上所有目標的實時監控。

圖1 雷達系統

岸基雷達網中單個雷達站能夠有效探測、跟蹤3 000批以上目標，探測概率達到90%以上。對于小型漁業船舶、竹排、舢板，乃至網箱、浮標、漁網浮球、浮冰和海上漂浮垃圾等，均能實現探測跟蹤，可以滿足近岸海域所有作業船只，包括小型“三無”船舶（即無船名船號、無船舶證書、無船籍港的船舶）監管的需求。圖2為通過雷達、光電、AIS等設備獲取的廣東省近海目標信息圖。圖中圓圈為雷達傳感器獲取的小目標，這些小目標或是未安裝AIS，或是關閉了AIS的船只，或者為RCS≥0.1 m2以上的其他物體；三角形符號為裝有AIS信息的船只。

圖2 廣東省岸基雷達系統觀測目標態勢分布圖

1.2 軟件系統架構

系統軟件架構分為數據采集、數據融合、中心顯示三級，如圖3所示。整個系統架構主要包括8個軟件模塊，其中數據采集層主要包括雷達處理軟件（RadPro）、雷達控制軟件（RadControl）、AIS接收軟件（AIS）、光電控制軟件（TVCtrl）4部分；數據融合層主要包括雷達電源管理器（RelayAdapter）、數據處理軟件Collector兩部分；中心顯示層主要包括終端顯示軟件（GeoViewer）、系統管理器（Systemconsole）。各軟件的主要功能描述如表1所示。

圖3 雷達系統軟件系統構架

表1 雷達系統軟件功能描述

1.3 系統功能提升需求分析

由表1可見，終端顯示軟件GeoViewer為用戶直觀地展示近海實時監控的全部信息。但在實際應用過程中，發現其不能覆蓋全面客戶應用需求，主要表現在兩方面：（1）缺少數據的預處理（大數據清洗）?，F有的雷達網單站3 000目標，整個雷達網按50個站計算可達15萬個目標，其中包括了一些靜態目標、重復目標、目標不連續情況下ID不統一、虛假目標等。（2）缺少目標行為的智能挖掘與分析功能。雷達系統主要提供實時目標數據，船舶行為需要值班人員利用經驗來判斷，工作量大，容易出現疑似違法目標的判斷與跟蹤疏漏。

這些問題的存在限制了岸基雷達網對海上船舶的輔助執法、行政監管、安全生產等方面的業務應用與信息服務能力的提升，為此需要開發一套基于岸基雷達網的輔助海上執法智能平臺，以便提升雷達網業務應用效能。

2 構建智能平臺的關鍵技術分析與實現

2.1 線程池與連接池的應用

對于雷達探測的目標和AIS接收到的信息，其工作流程為：（1）雷達探測到的數據先通過雷達卡，采用tcpip鏈接模式，將雷達系統的目標數據流送入Collector；（2）AIS接受軟件將接收到的AIS信號，按照國標進行解碼，解碼后的AIS信息也送入Collector；（3）Collector接收各個雷達站目標數據和AIS數據后進行目標融合；對融合后的數據按照區域、目標特性分發，再輸送到Gateway軟件，通過Gateway送到數據服務器，最后提供一個http接口連到數據服務器。Gateway主要功能是接收Collector內部的數據，其基本內核與客戶端Geoviewer一致，相當于一個固定接入且身份特殊的客戶，但它沒有顯示功能，沒有地圖服務或用戶輸入，只是將所獲取的目標數據、報警事件、光電列表等所需導出的數據按一定的時間間隔（默認值是6 s）發送給指定地址。

在構建智能平臺時，將通過兩個HTTP從數據服務器獲取目標數據，其中一個是下載所有目標，另外一個是下載每個目標的所有詳細信息。要保證10 s數據動態更新入庫，會頻繁地建立、關閉連接，這樣極大地降低了系統的性能，如果不用線程池就會與數據服務器有成百上千條連接，耗費數據服務器資源。HTTP協議基于TCP協議，每發起一個獨立的請求，TCP都需要經過3次握手的過程，而釋放連接需要經過4次握手的過程，效率不高。連接池技術最基本的思想就是預先建立一些連接，放置于內存對象中以備使用。當程序中需要建立連接時，只須從內存中取一個來用而不用新建。同樣,使用完畢后,只需放回內存即可。而通過重用已經連接過的Socket（HTTP1.1支持），連接過程將會省去大量連接建立與釋放的時間，減少對系統資源的占用。因而采用線程池和連接池技術，可實現全省近海5萬海上目標數據10 s實時更新，確保目標數據實時動態入庫。

為此，對于所有目標的入庫采用連接池技術，而對于每個目標的所有詳細信息的入庫同時采用連接池和線程池。圖4為獲取所有目標信息的技術流程，圖5為獲取單個目標詳細信息的技術流程。分析圖4～圖5可見，具體的技術實現為：（1）啟動主線程：查詢目標列表→寫入日志→轉換成json數組→循環數組獲取目標id，扔給線程池→休眠60 s。（2）線程池：查詢單個目標→寫入日志、查詢單個目標→寫入日志、查詢單個目標→寫入日志、……，共20個。

圖4 獲取所有目標信息的技術流程

圖5 獲取單個目標詳細信息的技術流程

2.2 雷達網數據清洗策略的確定

對于構建岸基雷達智能平臺所涉及的數據清洗（Data Cleaning/cleansing）內容主要包括：（1）確定靜態目標的去除算法。岸基雷達系統探測到的網箱、浮標、漁網浮球、竹排等屬于靜態目標，會占用大量數據空間。（2）目標斷續ID不統一的數據唯一性入庫算法。由于雷達工作機理是通過回波獲取小目標信息，并立即分配一個ID號，那么存在的問題是只要該目標存在這個ID號就一直伴隨，但是信號捕捉中斷后，同一個目標再次出現時就會重新獲得一個ID號。（3）虛假目標的去除算法。例如發生大波浪時，具有一定規模的浪花都會獲得ID號然后消失，由此足夠大的浪花會占用較多的ID。（4）針對時效性強與時效性弱情況下雷達網獲取的數據的歸類算法。對于非實時應用來說，原始的雷達網目標數據過密，不利于建立行為智能分析算法；對于實時應用來說，例如海上交通事故、應急處置等實時監控，大量目標信息是不需要的，因而需要進行數據清洗。圖6為數據清洗流程，由圖6可見，確定清洗檢測算法是關鍵技術。

圖6 數據清洗流程

在對2019年廣東省岸基雷達網雷達目標數據分析的基礎上，確定了目標類型檢測算法。通過數據分析發現，靜態固定目標的特點是隨著漲落潮的變化，有一個固定的漂移范圍，所以設定在36 h內，目標長度小，漂移距離閾值為20 m以內的為靜態目標；對于目標斷續ID不統一的情況，往往出現在有遮擋，或者從一個雷達監控區進入到另外一個雷達監控區時，此時采用的檢測策略是根據軌跡變化的連續性或者AIS的MMSI號，可以將其統一起來；對于虛假目標，主要特征是ID號存在的時間短,一定時間間隔讀取數據時（例如設為1 min時長），其在第一組數據中有，在第二組數據中沒有，就認為是無效目標。表2列出了不同目標類型清洗所采取的策略。針對時效性強與時效性弱情況下雷達網獲取的數據的歸類算法，采用表3的檢測算法。清洗后的數據就可進入到系統中，為后續海上目標數據智能挖掘與分析模型的建立提供有效的數據源。

表2 不同目標類型清洗檢測算法

表3 考慮時效性的目標數據檢測算法

2.3 船舶態勢估計模型的建立

態勢估計是在一定時間與空間范圍內，對特定環境中相關元素理解并預測未來變化趨勢的智能處理過程。船舶態勢估計模型中的運動態勢代表下一刻船舶的航行趨勢，通過態勢推理計算船舶當前時刻不同航向的概率分布來體現[22]。

為了得到船舶的運動態勢，首先需要對模型中的態勢要素進行選取，其次是將態勢要素及其屬性輸入到態勢推理機中，最后根據模型輸出態勢結果。態勢要素的選取主要包括4部分：雷達數據、AIS數據、天氣數據、海浪數據。其中雷達數據、AIS數據由廣東省岸基雷達網觀測得到，經過數據清洗后的入庫數據庫。海浪數據來自國家海洋環境預報中心（http://www.nmefc.cn/），天氣數據來自中國天氣網（http://www.weather.com.cn/）。結合態勢察覺、態勢理解的需求進行選擇，最終確定態勢要素由船舶類型、船舶速度、船舶航向、船舶所在區域、船舶與觀測點的距離、天氣、風浪和航行態勢組成，并對每個要素賦予屬性值，如表4所示。表4中的船舶航行態勢要素為模型的輸出，由所建立的船舶態勢分析模型計算得到[11]。

表4 態勢要素和屬性列表

態勢推理機所涉及的具體推理方法有很多，本研究要構建的智能平臺主要采用基于概率論的概率圖推理方法。概率圖能夠用圖結構的形式將復雜的概率模型可視化，并計算模型的輸入與輸出。概率圖的表達式為：

式中：G表示概率圖；N表示圖中所有節點的集合；E表示圖中節點間關系的集合。具體的節點集合如表4的態勢要素所示，一共有8個節點。

對于式（1）所示的概率圖，采用的是有向圖模型，即貝葉斯網絡算法。貝葉斯網絡采用聯合條件概率方法描述事件之間的因果關系，且構建的決策網絡模型具備處理不確定性問題的能力。令X=Xi為節點i代表的隨機變量，則節點X的聯合概率表示為[23]：

式中：pa(i)代表父節點，對于任意的隨機變量，其聯合概率可由局部條件概率的乘積表示：

概率圖的推理問題屬于后驗概率問題，故對其推理采用聯合樹算法。聯結樹算法將有向圖模型轉化為一種二次結構（Second Structure,SS），并在這個結構上執行置信傳播，從而完成有向圖的推理。由于篇幅所限制，模型輸出態勢結果在此不贅述。

3 結語

基于現有的廣東省“近岸雷達網綜合監控系統”所提供的實時目標數據，攻克了全省近海海域5萬以上海上目標數據2 s實時更新的動態數據庫技術和針對不同應用目的雷達網大數據的清洗技術，并建立了針對不同應用需求的多源海上目標數據船舶航行態勢智能挖掘與分析模型，在此基礎上，開發了“廣東省岸基雷達網輔助海上執法智能平臺”，能拓展現有雷達網的應用范圍，真正實現近海目標的智能化24 h實時/非實時的業務化自動監控，并輔助現場（執法船）行政監管和執法。

引入線程池和連接池的技術，可實現全省近海海域5萬以上海上目標數據2 s實時更新；針對不同雷達目標特性建立不同的清洗檢測算法和清洗策略，可為后續海上目標數據智能挖掘與分析模型的建立提供可靠的數據源。引入智能數據挖掘技術，結合航行態勢分析知識庫，通過態勢覺察、態勢理解和態勢預測等方式，構建近海小型船舶航行態勢估算模型，從而實現對海上船舶的非法單拖/雙拖、非法采砂、違規拋錨、違規進入/滯留/穿越等行為進行自動判斷、告警、軌跡跟蹤等。