方案介绍
广为·智港是基于昇腾的澎湃算力研发出来的面向智慧渔港的多模态大模型,将传统的AI算法与大模型技术深度结合,解决了船只号牌等目标识别率低、安全风险预警滞后、误报率高等多个现实问题,推动渔船渔港实现全面数字化监管。
产品功能:
图像分割:广为·智港大模型利用AI算法在复杂的渔港渔船等应用场景中,突破天气、角度、遮挡等因素的影响,可以对船只、人员、行为等不同类型目标进行精准的区域分割与记录,既可以分割渔船渔港图片,也可以分割渔船渔港相关的视频。在实际渔港应用场景中,图像分割无需人工输入点、曲线、矩形框等提示信息,可以对目标图像进行完整分割。
目标自动标注:大模型的无监督学习方法降低了对大量渔港数据的依赖,可以完整的识别目标并进行自动标注,包括但不限于渔船目标、人物目标、行为目标、水下生物目标等。
渔船船号识别:通过AI图像分割技术,广为·智港大模型可以对区域内多个复杂目标进行精准识别,包括渔船类型、船舷船号,并对渔港监控视频中移动的船只目标进行持续跟踪识别,融合AIS信息,记录渔船行动轨迹。
安全行为识别:船只人员安全是渔港管理工作中的重点,广为·智港通过图像识别技术,可以对安全行为进行有效识别,包括船只倾覆、碰撞行为、逆向行驶、人员落水等,并对潜在或已知的风险行为发出预警预报,有效强化渔港安全管理能力。
方案架构图
算法/关键配置
适配算法/关键配置名称 | 算法/关键配置描述 |
---|---|
SAM大模型 | SAM(Segment Anything Model)是一种由Meta开发的图像分割大模型,能够在不需要任何标注的情况下对任何图像中的任何物体进行分割。 |
yolov8 | YOLOv8是Ultralytics公司推出的基于对象检测模型的最新系列,它能够提供截至目前最先进的对象检测性能。 |
优势亮点
- 识别能力强:利用深度学习技术,如卷积神经网络(CNN)或循环神经网络(RNN),从大量数据中学习到复杂的模式和规律,更准确地进行渔船船只号牌识别、类型识别,新型渔港风险应对能力大幅提高。
- 交互能力和适应性强:可以将其他领域城市的模型迁移到渔船渔港管理中,通过与环境交互提高模型的性能和适应力。
- 渔港数据多模态融合:融合了渔港内部的监控视频、图片、声音、雷达和AIS数据等,在全面实现渔港的数字化、智能化管理上具有独特优势。
- 数据依赖程度低:广为智港采用了无监督学习方案,大幅降低了对渔港渔船数据的依赖,目标行为识别无需人工干预,有效降低了渔港管理的人工成本,提升渔港监管能力和效率。
资源下载
广为·智港大模型解决方案.pdf
下载技术认证书
Compatible认证证书.pdf