基于改進(jìn)YOLOv5深度學(xué)習(xí)的海上船舶識(shí)別算法

張曉鵬，許志遠(yuǎn)，曲勝，邱文軒，翟澤宇

(大連海洋大學(xué) 航海與船舶工程學(xué)院，遼寧 大連 116023)

準(zhǔn)確有效的海上船舶識(shí)別技術(shù)對(duì)于提高船舶航行安全是非常重要的，同時(shí)也是船舶智能化發(fā)展的關(guān)鍵技術(shù)。傳統(tǒng)的船舶識(shí)別主要依靠船舶自動(dòng)識(shí)別系統(tǒng)(Automatic identification system,AIS)和雷達(dá)等通信導(dǎo)航設(shè)備完成。船舶雷達(dá)主要用于航行避讓、船舶定位和狹水道引航等，是船舶航行必要的導(dǎo)航設(shè)備，但其也存在目標(biāo)誤識(shí)別、目標(biāo)丟失和易受環(huán)境噪聲影響等缺點(diǎn)。船舶自動(dòng)識(shí)別系統(tǒng)能夠準(zhǔn)確獲得船舶基本信息，可輔助識(shí)別船只、協(xié)助追蹤目標(biāo)、簡化信息交流和提供其他輔助信息，以避免碰撞發(fā)生，但對(duì)于未裝配該系統(tǒng)或終端關(guān)機(jī)的船舶則無法獲取相關(guān)信息。上述基于通信導(dǎo)航設(shè)備的船舶識(shí)別方法有其優(yōu)點(diǎn)，但因無法獲取船舶直觀圖像，在港口等交通密集水域有較大的局限性。

目前，基于深度學(xué)習(xí)的船舶識(shí)別方法的研究已取得了一定進(jìn)展，通過自動(dòng)提取船舶圖像特征及不斷學(xué)習(xí)與訓(xùn)練，實(shí)現(xiàn)對(duì)海上交通視頻和圖像中船舶的識(shí)別，其代表模型有CNN、R-CNN、Faster R-CNN、SSD和YOLO等。其中，針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的船舶識(shí)別結(jié)果易受到圖像背景干擾的問題，楊亞東等[1]提出了“中心-擴(kuò)散池化”和“前景-擴(kuò)散池化”兩種改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)方法，徐志京等[2]將循環(huán)注意卷積神經(jīng)網(wǎng)絡(luò)與多特征區(qū)域進(jìn)行融合。上述兩個(gè)模型雖取得了較好成效，但由于CNN需要對(duì)多個(gè)區(qū)域進(jìn)行精準(zhǔn)預(yù)測(cè)，消耗了大量的計(jì)算時(shí)間。為縮短CNN模型的運(yùn)行時(shí)間，崔巍等[3]、趙振強(qiáng)等[4]在CNN的基礎(chǔ)上采用Faster RCNN模型進(jìn)行船舶檢測(cè)，用Region proposal network替換選擇性搜索，趙江洪等[5]利用深度殘差網(wǎng)絡(luò)ResNet替代現(xiàn)有VGG-16網(wǎng)絡(luò)，并對(duì)Faster R-CNN進(jìn)行改進(jìn)，均取得了不錯(cuò)的效果。為進(jìn)一步提升模型效率，王言鵬[6]在SSD單次多框檢測(cè)器基礎(chǔ)上應(yīng)用遷移學(xué)習(xí)技術(shù)，劉碩等[7]在傳統(tǒng)SSD網(wǎng)絡(luò)的第七層增加L2正則化對(duì)其進(jìn)行改進(jìn)，馬健等[8]在SSD基礎(chǔ)上提出了基于特征融合的輕量級(jí)目標(biāo)識(shí)別模型，均取得了較好的檢測(cè)效果，但SSD模型網(wǎng)絡(luò)中先驗(yàn)框的基礎(chǔ)大小和形狀不能直接通過學(xué)習(xí)獲得，而是需要手工設(shè)置，導(dǎo)致調(diào)試過程過度依賴經(jīng)驗(yàn)。為解決這一問題，于洋等[9]通過將目標(biāo)框維度聚類和尺度變換等方法融入YOLOv2模型中，提高了船舶的識(shí)別能力。YOLOv3在YOLOv2的基礎(chǔ)上添加殘差網(wǎng)絡(luò)，對(duì)于訓(xùn)練較深層的網(wǎng)絡(luò)，可以解決梯度消失等問題。張煜等[10]提出的YOLOv3-MIoU模型、劉博等[11]提出的Darknet YOLOv3模型和張佳欣等[12]提出的改進(jìn)YOLOv3模型的SAR圖像艦船目標(biāo)檢測(cè)方法，都進(jìn)一步優(yōu)化了船舶識(shí)別模型的檢測(cè)性能。為提高YOLOv3模型的精度，孔劉玲等[13]在YOLOv4基礎(chǔ)上采用改進(jìn)的 K-means+聚類方法重新設(shè)計(jì)先驗(yàn)錨框以提高船舶檢測(cè)準(zhǔn)確性。YOLOv5模型的目標(biāo)檢測(cè)模型可以通過自身學(xué)習(xí)提取有效信息，相較于YOLOv4，部署容易且速度快。譚顯東等[14]通過改進(jìn)YOLOv5檢測(cè)框損失函數(shù)和特征提取方式，提高了對(duì)SAR圖像中艦船目標(biāo)的檢測(cè)效果，但是算法試驗(yàn)數(shù)據(jù)量相對(duì)較少，不同方位的艦船目標(biāo)對(duì)IoU取值存在影響。為解決上述問題，需要探究多目標(biāo)檢測(cè)方法，以進(jìn)一步加強(qiáng)模型對(duì)船舶特征的提取能力，提高復(fù)雜環(huán)境下的船舶檢測(cè)準(zhǔn)確率。

本研究中，針對(duì)不同環(huán)境下海上船舶檢測(cè)準(zhǔn)確率低的問題，提出了一種基于改進(jìn)YOLOv5深度學(xué)習(xí)的海上船舶識(shí)別模型(SE-NMS-YOLOv5)，該模型通過改進(jìn)NMS模型增強(qiáng)網(wǎng)絡(luò)的識(shí)別能力，增加注意力機(jī)制模塊以提取更多船舶特征，并采用暗通道原理提高霧天海上船舶識(shí)別的準(zhǔn)確率，在不同環(huán)境下對(duì)船舶圖像進(jìn)行測(cè)試，以期解決多目標(biāo)和霧天條件下海上船舶檢測(cè)準(zhǔn)確率低的問題。

1 相關(guān)理論

1.1 激活函數(shù)

YOLOv5模型中引入激活函數(shù)以解決線性不可分問題。在神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層間加入激活函數(shù)，增強(qiáng)神經(jīng)網(wǎng)絡(luò)的表達(dá)能力和學(xué)習(xí)能力。Mish激活函數(shù)的計(jì)算公式為

Mish=x×tanh[ln(1+ex)]。

(1)

1.2 CIoU

目標(biāo)檢測(cè)模型采用CIoU，該模型考慮了重疊面積、中心點(diǎn)距離和長寬比等幾何函數(shù)，解決了后續(xù)訓(xùn)練中的發(fā)散問題。CIoU計(jì)算公式為

CIoU=IoU-d/l2-av，

(2)

a=v/(1-IoU+v)，

(3)

(4)

其中：d為預(yù)測(cè)框與真實(shí)框中心點(diǎn)的歐式距離；l為覆蓋預(yù)測(cè)框與真實(shí)框的最小閉合框的對(duì)角線長度；a為權(quán)重函數(shù)；v為長寬比的相似性；gt為真實(shí)框；h為框的高度。

1.3 注意力機(jī)制(SE)模塊

為使網(wǎng)絡(luò)能夠更好地?cái)M合通道間的相關(guān)性，增加更重要通道特征的權(quán)重，引入了SE(squeeze-and-excitation)模塊，注意機(jī)制[15]是一種神經(jīng)網(wǎng)絡(luò)資源分配方案，用于將計(jì)算資源分配給更重要的任務(wù)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 SE注意力模塊結(jié)構(gòu)Fig.1 SE attention mechanism module

壓縮Squeeze(壓縮操作)是通過全局平均池化來完成，將每個(gè)通道的H×W個(gè)像素值壓縮為一個(gè)實(shí)數(shù)Fsq(uc)，獲得并輸出每個(gè)特征通道的權(quán)重。計(jì)算公式為

(5)

其中：W、H為特征圖的寬、高；u為特征層；c為通道數(shù)。

Scale模塊是通過通道權(quán)重相乘得到的結(jié)果，即原有特征向量為W×H×C,用SE模塊計(jì)算出的各通道權(quán)重值分別與原特征圖對(duì)應(yīng)通道的二維矩陣相乘。

1.4 暗通道原理

相機(jī)距離成像物體有遠(yuǎn)有近，當(dāng)霧霾濃度分布均勻時(shí)，近處的物體成像受到霧霾影響較小，色彩還原較高，而遠(yuǎn)處的物體成像色彩還原度就較低，因此，遠(yuǎn)處物體呈現(xiàn)白色亮度較高，而近處物體則相反，亮度較低。故參考近處物體亮度對(duì)大氣光強(qiáng)及透射率進(jìn)行建模，實(shí)現(xiàn)去霧功能。像素成像建模公式為

I(x)=J(x)t(x)+A[1-t(x)]。

(6)

其中：I(x)為霧天圖像；J(x)為要恢復(fù)的無霧圖像；A為全球大氣光成分；t(x)為透射率。通過已知條件I(x)，求目標(biāo)值J(x)，為減少復(fù)原后圖像噪聲，設(shè)t0為0.1。最終的恢復(fù)公式為

(7)

2 改進(jìn)的YOLOv5船舶識(shí)別模型

YOLOv5模型使用Pytorch框架，框架友好，訓(xùn)練數(shù)據(jù)效率高。但網(wǎng)絡(luò)中存在大量參數(shù)，如果直接訓(xùn)練可能會(huì)出現(xiàn)精度提升慢及梯度下降等問題。為防止這種情況發(fā)生，本研究中提出了一種多階段訓(xùn)練方法，采用SE模塊結(jié)合改進(jìn)的NMS對(duì)YOLOv5模型進(jìn)行改進(jìn)。

根據(jù)我國發(fā)電廠污染物排放的相關(guān)法規(guī)限定，發(fā)電廠燃機(jī)的NOX排放量需要限制為低于50mg/m3，任何火電廠的NOX排放量都必須嚴(yán)格遵守這一標(biāo)準(zhǔn)。然而在實(shí)際生產(chǎn)過程當(dāng)中，以西門子9F燃機(jī)為例，雖然該燃機(jī)機(jī)型裝配有低濃度NOX混合燃燒裝置，在9F燃機(jī)工作過程當(dāng)中，會(huì)在內(nèi)燃機(jī)工作載荷超過一半時(shí)自動(dòng)開啟進(jìn)氣導(dǎo)葉片，使得內(nèi)燃機(jī)的工作方式變?yōu)榫囝A(yù)混，進(jìn)而將NOX排放量嚴(yán)格控制在規(guī)定范圍內(nèi)。在實(shí)際生產(chǎn)過程當(dāng)中，NOX的排放量并不是一個(gè)常態(tài)，可能會(huì)出現(xiàn)較大幅度的波動(dòng)，對(duì)工業(yè)生產(chǎn)造成很大的負(fù)面影響。

2.1 改進(jìn)的NMS

在船舶識(shí)別過程中，經(jīng)典NMS(非極大值抑制)模型容易受到遮擋問題的困擾，尤其是船與船之間距離較近時(shí)，網(wǎng)絡(luò)會(huì)過濾掉與最大值接近的邊框，導(dǎo)致誤刪。為解決這一問題，本研究中對(duì)NMS模型進(jìn)行改進(jìn)，步驟如下：

1)根據(jù)置信度得分進(jìn)行排序；

2)選擇置信度最高的邊界框添加到最終輸出列表中，將其從邊界框列表中刪除；

3)計(jì)算置信度得分最高的邊界框與其他邊框的IoU；

4)超過設(shè)定閾值時(shí)降低這個(gè)框的置信度，最后輸出時(shí)如果置信度低于閾值就會(huì)被過濾掉；

5)重復(fù)上述過程，直至邊界框列表為空。

圖2為遮擋船舶對(duì)比檢測(cè)結(jié)果，可見改進(jìn)的NMS模型不僅解決了遮擋情況下的漏檢問題，同時(shí)也提高了目標(biāo)的召回能力。

圖2 遮擋船舶檢測(cè)Fig.2 Occlusion ship detection

2.2 SE-NMS-YOLOv5模型

在數(shù)據(jù)輸入端，對(duì)船舶圖像的尺寸進(jìn)行自適應(yīng)縮放，模型會(huì)通過自身不斷學(xué)習(xí)去調(diào)整錨定框，從而更精確地預(yù)測(cè)船舶目標(biāo)的位置。模型Backbone由Focus和CSP模塊組成。Focus結(jié)構(gòu)對(duì)輸入目標(biāo)的維度進(jìn)行切片，不僅減少了目標(biāo)原始特征信息的丟失，還能提高模型的計(jì)算速度，然后通過一系列卷積運(yùn)算，得到不同大小的特征圖像。Neck特征融合結(jié)構(gòu)對(duì)不同大小的特征圖像進(jìn)行采樣，將特征圖像處理成相同大小，然后進(jìn)行特征融合和卷積，預(yù)測(cè)結(jié)構(gòu)通過損失函數(shù)計(jì)算目標(biāo)類別概率和位置坐標(biāo)，以獲得目標(biāo)預(yù)測(cè)結(jié)果。改進(jìn)的YOLOv5模型即SE-NMS-YOLOv5模型結(jié)構(gòu)，如圖3所示。

圖3 SE-NMS-YOLOv5模型結(jié)構(gòu)Fig.3 SE-NMS-YOLOv5 model structure

2.3 船舶識(shí)別算法流程

基于SE-NMS-YOLOv5深度學(xué)習(xí)的海上船舶識(shí)別算法主要包括建立船舶數(shù)據(jù)集、船舶圖像標(biāo)注、網(wǎng)絡(luò)訓(xùn)練和圖像去霧處理等環(huán)節(jié)，具體流程如圖4所示。

2.4 網(wǎng)絡(luò)訓(xùn)練

網(wǎng)絡(luò)訓(xùn)練時(shí)主要包含3個(gè)方面的損失：矩形框損失(lossbox)、置信度損失(lossobj)和分類損失(lossclc)?？傮w損失Loss為3個(gè)損失的加權(quán)和,即

Loss=a×lossobj+b×lossbox+c×lossclc。

(8)

其中，a、b、c為權(quán)重系數(shù)。通常置信度損失取最大權(quán)重，矩形框損失和分類損失的權(quán)重次之。由于本研究中未對(duì)船舶進(jìn)行分類，故只考慮置信度和矩形框損失。為了避免過擬合對(duì)數(shù)據(jù)集進(jìn)行多階段訓(xùn)練，圖5為訓(xùn)練過程中的損失變化情況，在Loss曲線圖中，橫坐標(biāo)為訓(xùn)練的迭代次數(shù)，縱坐標(biāo)為Loss值，圖5(a)、(b)是訓(xùn)練集損失，圖5(c)、(d)是測(cè)試集損失，可以看出，Loss曲線呈收斂趨勢(shì)。

圖4 算法流程圖Fig.4 Algorithm flow chart

圖5 損失函數(shù)圖Fig.5 Loss function diagram

3 海上船舶識(shí)別試驗(yàn)

3.1 試驗(yàn)環(huán)境及數(shù)據(jù)

本次試驗(yàn)運(yùn)行系統(tǒng)為Windows 10，CPU為AMD Ryzen7 1700，內(nèi)存32 G，硬盤1 T，顯卡為NVIDIA TIT-AN V，深度學(xué)習(xí)框架為Pytorch。訓(xùn)練測(cè)試通過爬蟲技術(shù)從網(wǎng)上收集了3 500張包含船舶信息的圖片，其中包括不同海域、不同角度下的船舶數(shù)據(jù)集。同時(shí)通過對(duì)船舶數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)、尺度變化和改變飽和度等操作對(duì)樣本數(shù)據(jù)集進(jìn)行了擴(kuò)充。訓(xùn)練集與測(cè)試集的比例為9∶1，即訓(xùn)練集為3 150張，測(cè)試集為350張。

3.2 評(píng)估標(biāo)準(zhǔn)

試驗(yàn)?zāi)Ｐ筒捎肞、R、F1作為網(wǎng)絡(luò)訓(xùn)練結(jié)果評(píng)價(jià)參數(shù)。其中，P為模型預(yù)測(cè)所有目標(biāo)中預(yù)測(cè)正確的比例，R為所有真實(shí)目標(biāo)中模型預(yù)測(cè)正確的目標(biāo)比例，F(xiàn)1為分類問題的一個(gè)衡量指標(biāo)，它是準(zhǔn)確率和召回率的調(diào)和平均數(shù)。P、R、F1計(jì)算公式分別為

P=NTP/(NTP+NFP)×100%，

(9)

R=NTP/(NTP+NFN)×100%，

(10)

F1=2P×R/(P+R)×100%。

(11)

其中：NTP為預(yù)測(cè)結(jié)果中正確預(yù)測(cè)船舶目標(biāo)的個(gè)數(shù)；NFP為預(yù)測(cè)結(jié)果中錯(cuò)誤預(yù)測(cè)船舶目標(biāo)個(gè)數(shù)；NFN為未被預(yù)測(cè)出的船舶目標(biāo)個(gè)數(shù)。

通過對(duì)各參數(shù)進(jìn)行預(yù)試驗(yàn)，P、R、F1隨著迭代次數(shù)(iterations)增長逐漸增加，經(jīng)過100多次迭代后各項(xiàng)指標(biāo)趨于穩(wěn)定。當(dāng)學(xué)習(xí)率為10-5時(shí)，模型的F1值仍有提升，但學(xué)習(xí)率過小會(huì)導(dǎo)致訓(xùn)練時(shí)間過長且收斂速度慢，故選取10-5作為模型的學(xué)習(xí)率。

3.3 不同模型的海上船舶識(shí)別對(duì)比試驗(yàn)

正常氣候條件下，采用YOLOv4、YOLOv5及SE-NMS-YOLOv5模型進(jìn)行船舶識(shí)別對(duì)比試驗(yàn)，部分試驗(yàn)識(shí)別結(jié)果如圖6所示。從圖6可見：YOLOv4模型測(cè)試中有漏檢的情況且識(shí)別率較低；YOLOv5模型總體識(shí)別準(zhǔn)確率較YOLOv4模型有提升，但對(duì)大型船舶仍不敏感；SE-NMS-YOLOv5模型單張圖像的平均檢測(cè)時(shí)間和識(shí)別準(zhǔn)確率，較前兩種方法均有提高，既提高了大目標(biāo)船舶的檢測(cè)效果，且對(duì)不同角度的船舶檢測(cè)效果更好，平均識(shí)別準(zhǔn)確率較YOLOv4、YOLOv5模型分別提高19.1%和6.3%，其識(shí)別效果對(duì)比數(shù)據(jù)如表1所示。

表1 識(shí)別效果對(duì)比Tab.1 Comparison of recognition effect

3.4 霧天海上船舶識(shí)別試驗(yàn)

霧天條件下海上交通能見度較低，船舶航行安全風(fēng)險(xiǎn)增大。特別在沿海和港口等船舶交通密集水域，碰撞風(fēng)險(xiǎn)更大。同時(shí)，由于船與船間或船與其他物體間的距離較近，雷達(dá)、AIS等導(dǎo)航設(shè)備較難達(dá)到良好的輔助作用，但依靠視覺識(shí)別則能解決這一問題。本研究中，采用暗通道原理對(duì)霧天海上船舶圖像進(jìn)行清晰化處理并進(jìn)行船舶識(shí)別。選取霧天某海域船舶圖片為試驗(yàn)對(duì)象，采用SE-NMS-YOLOv5模型結(jié)合暗通道去霧模型(Dark-channel)對(duì)圖片中的多個(gè)船舶目標(biāo)進(jìn)行識(shí)別，結(jié)果如圖7所示。從圖7可見，經(jīng)去霧處理后船舶圖像清晰度(特別是遠(yuǎn)處)明顯改善，同時(shí)船舶識(shí)別準(zhǔn)確率也相應(yīng)提高，改進(jìn)后的模型提高了霧天條件下的船舶識(shí)別效果，其平均識(shí)別準(zhǔn)確率如表2所示。

圖6 不同模型對(duì)海上船舶的識(shí)別效果Fig.6 Recognition effect of different models on marine ships

表2 霧天識(shí)別結(jié)果對(duì)比Tab.2 Comparison of recognition effect in fog %

4 討論

4.1 網(wǎng)絡(luò)模型識(shí)別效果分析

在基于深度學(xué)習(xí)的船舶檢測(cè)發(fā)展進(jìn)程中，先后誕生了一些深度學(xué)習(xí)框架和神經(jīng)網(wǎng)絡(luò)模型。本研究中提出的SE-NMS-YOLOv5海上船舶識(shí)別模型，聚焦于當(dāng)前任務(wù)更為關(guān)鍵的信息，并能夠解決船舶距離較近導(dǎo)致的遮擋問題。與徐志京[2]提出的基于RA-CNN模型在光電船舶數(shù)據(jù)集上的識(shí)別準(zhǔn)確率相比，本研究中模型的識(shí)別準(zhǔn)確率由90.2%提升至90.5%；與張佳欣[12]等提出的改進(jìn)YOLOv3模型在SAR船舶數(shù)據(jù)集上的識(shí)別準(zhǔn)確率相比，本研究中模型的識(shí)別準(zhǔn)確率、召回率和F1值分別提高了11.5%、6.2%、9.1%；與YOLOv5模型相比，本研究中模型的識(shí)別準(zhǔn)確率、召回率和F1值分別提高6.3%、4.8%、5.8%，識(shí)別效果有明顯提升。因此，本研究中提出的模型不僅提升了船舶檢測(cè)的精確度，且較好地解決了船舶的遮擋問題，同時(shí)模型的單圖平均檢測(cè)時(shí)間也有降低，更加滿足了船舶目標(biāo)檢測(cè)的要求。

4.2 霧天海上船舶識(shí)別效果

海上天氣復(fù)雜多變，容易形成云霧遮擋，對(duì)目標(biāo)識(shí)別造成影響，導(dǎo)致模型精度下降，故如何快速、精確地識(shí)別霧天海上船舶是目前需要解決的難題。本研究中，在模型檢測(cè)前對(duì)霧天船舶圖像進(jìn)行暗通道去霧處理，為后續(xù)YOLOv5模型特征提取提供了更多有效信息。試驗(yàn)選取霧天某海域船舶圖片為試驗(yàn)對(duì)象，采用SE-NMS-YOLOv5-Dark channel模型的準(zhǔn)確率、召回率和F1值分別為88.1%、87.2%、87.6%，識(shí)別效果明顯提升。與SE-NMS-YOLOv5模型相比，本模型的準(zhǔn)確率、召回率和F1值分別提升了13.8%、13.3%、13.5%，該模型通過圖像去霧處理，提高了霧天船舶的檢測(cè)效果。

圖7 SE-NMS-YOLOv5-Dark-channel模型對(duì)霧天海上船舶的識(shí)別效果Fig.7 Recognition effect of SE-NMS-YOLOv5-Dark-channel model on marine ships in fog

綜上所述，SE-NMS-YOLOv5-Dark channel方法是一種有效的霧天海上船舶識(shí)別方法，為提高霧天條件下船舶識(shí)別準(zhǔn)確率提供了一種新方法，也為其他領(lǐng)域圖像識(shí)別提供了一種新思路。

5 結(jié)論

1)以YOLOv5模型為基礎(chǔ)，通過添加SE注意力機(jī)制模塊及改進(jìn)NMS模型建立的SE-NMS-YOLOv5模型，對(duì)海上船舶的平均識(shí)別精度和檢測(cè)速度均較好。

2)通過暗通道方法對(duì)霧天條件下的船舶圖像進(jìn)行清晰化處理，再結(jié)合SE-NMS-YOLOv5模型進(jìn)行識(shí)別，建立的模型有效地提高了霧天條件下的海上船舶識(shí)別準(zhǔn)確率，對(duì)于提高船舶航行安全具有一定的輔助作用。

3)船舶數(shù)據(jù)集主要依靠網(wǎng)絡(luò)爬蟲技術(shù)獲取，雖然有一定的數(shù)量，但是船舶數(shù)據(jù)集背景以海面為主，相對(duì)簡單。今后的研究將進(jìn)一步豐富船舶數(shù)據(jù)集中海上交通要素，以確保在較為復(fù)雜的海上交通環(huán)境中也能準(zhǔn)確識(shí)別船舶。