买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉武汉理工大学申请的专利一种船员异常行为识别方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120954086B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510975039.3，技术领域涉及：G06V40/20；该发明授权一种船员异常行为识别方法及系统是由熊盛武;李佳仪;段鹏飞;王宇设计研发完成，并于2025-07-15向国家知识产权局提交的专利申请。

本一种船员异常行为识别方法及系统在说明书摘要公布了：本发明涉及一种船员异常行为识别方法及系统，属于计算机视觉与人工智能技术领域，船员异常行为识别方法采用大规模动作识别数据集对构建的主干模型进行预训练，获得预训练好的主干模型；将轻量化适配器模块嵌入至预训练好的主干模型，以构建领域适配模型，基于获取的船员异常行为数据集对领域适配模型进行训练，获得训练好的领域适配模型；采用通道级剪枝对所述训练好的领域适配模型进行结构压缩，获得剪枝后的领域适配模型，基于剪枝后的领域适配模型获得船员异常行为识别模型；基于船员异常行为识别模型对获取的船舶实时监控视频流进行识别，以确定船员异常行为，提升了识别精度，保障了船舶安全作业。

本发明授权一种船员异常行为识别方法及系统在权利要求书中公布了：1.一种船员异常行为识别方法，其特征在于，包括： 采用大规模动作识别数据集对构建的主干模型进行预训练，获得预训练好的主干模型，其中，所述主干模型包括轻量局部块以及轻量全局块，所述主干模型的网络结构为LA-UniFormerV2，所述LA-UniFormerV2包括由多个轻量局部块与多个轻量全局块按层堆叠构成的12层功能单元模块、动态融合机制以及分类模块，所述12层功能单元模块包括前8层的轻量局部块以及后4层的轻量局部块与轻量全局块组合；所述采用大规模动作识别数据集对构建的主干模型进行预训练，包括： 将大规模动作识别数据集输入至LA-UniFormerV2中，对所述大规模动作识别数据集进行预处理，获得时空编码序列； 通过轻量局部块对所述时空编码序列进行特征提取，获得短时局部特征，所述轻量局部块包括T-SCA子模块、S-FCA子模块、FFN子模块；所述通过轻量局部块对所述时空编码序列进行特征提取，获得短时局部特征，包括： 将所述时空编码序列输入至轻量局部块，通过T-SCA子模块对所述时空编码序列进行划分，获得注意力子特征以及残余子特征，对所述注意力子特征进行局部时间单头注意力计算后，与所述残余子特征进行特征融合，获得T-SCA子模块的输出特征； 将所述时空编码序列与T-SCA子模块的输出特征进行残差连接，获得S-FCA子模块的输入特征，所述S-FCA子模块通过多头自注意力机制对所述S-FCA子模块的输入特征进行计算，获得全局空间维度特征； 将所述全局空间维度特征与所述T-SCA子模块的输出特征进行残差连接，获得FFN子模块的输入特征，通过FFN子模块的全连接层对FFN子模块的输入特征进行特征增强，将特征增强后的特征与FFN子模块的输入特征进行残差连接，获得短时局部特征； 通过轻量全局块对所述短时局部特征进行特征提取，获得全局视频特征，所述轻量全局块包括DPE子模块、ST-SCA子模块、FFN子模块，所述DPE子模块包括3D卷积层；所述通过轻量全局块对所述短时局部特征进行特征提取，获得全局视频特征，包括： 将所述短时局部特征输入至DPE子模块中，通过DPE子模块的3D卷积层对所述短时局部特征进行位置编码，将所述短时局部特征与位置编码后的特征进行残差连接，获得时空位置特征； 获取可学习向量，通过ST-SCA子模块分别对所述时空位置特征以及可学习向量进行划分，获得注意力信息子特征、注意力查询子特征、残余信息子特征以及残余查询子特征，对所述注意力信息子特征以及注意力查询子特征进行全局时空单头注意力计算后，与所述残余信息子特征进行特征融合，获得ST-SCA子模块的输出特征； 通过FFN子模块的全连接层对ST-SCA子模块的输出特征进行特征增强，将所述ST-SCA子模块的输出特征与特征增强后的特征进行残差连接，获得全局视频特征； 通过动态融合机制对所述局部特征以及全局视频特征进行融合，获得视频时空语义特征； 通过分类模块对所述视频时空语义特征进行分类预测，获得预测结果； 将轻量化适配器模块嵌入至所述预训练好的主干模型，以构建领域适配模型，基于获取的船员异常行为数据集对所述领域适配模型进行训练，获得训练好的领域适配模型，其中，所述轻量化适配器模块的网络结构为FST-Adapter，所述FST-Adapter包括降采样层、DPE层、偏移网络层、稀疏自注意力层、激活函数层、上采样层；所述将轻量化适配器模块嵌入至所述预训练好的主干模型，以构建领域适配模型，包括： 将所述轻量化适配器模块分别嵌入至轻量局部块中的T-SCA子模块之前以及轻量全局块的DPE子模块与ST-SCA子模块之间，以构建领域适配模型； 所述基于获取的船员异常行为数据集对所述领域适配模型进行训练，获得训练好的领域适配模型，包括： 基于船员异常行为数据集获得输入特征，将所述输入特征输入至轻量化适配器模块，通过降采样层对所述输入特征进行降采样以及归一化操作； 通过DPE层对归一化后的特征进行位置编码操作，将位置编码后的特征与归一化后的特征进行融合，对融合后的编码特征进行投影，获得查询特征； 对所述输入特征进行均匀采样，获得初始采样点，通过偏移网络层对所述查询特征进行学习，获得初始采样点的偏移量，基于所述初始采样点的偏移量对初始采样点进行移动，获得移动后的采样点集合，对所述移动后的采样点集合进行特征插值，获得移动后的采样点特征，其中，所述偏移网络层包括逐深度3D卷积层、GELU层和3D卷积层； 对所述移动后的采样点特征进行投影，获得多个键值特征，通过稀疏自注意力层对所述多个键值特征与所述查询特征进行稀疏自注意力计算，获得时空适配特征； 通过激活函数层对所述时空适配特征进行非线性变换，并采用上采样层对非线性变换后的时空适配特征进行上采样，获得上采样特征，将所述上采样特征与所述输入特征进行融合，获得输出特征； 采用通道级剪枝对所述训练好的领域适配模型进行结构压缩，获得剪枝后的领域适配模型，基于所述剪枝后的领域适配模型获得船员异常行为识别模型； 基于所述船员异常行为识别模型对获取的船舶实时监控视频流进行识别，以确定船员异常行为。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人武汉理工大学，其通讯地址为：430070 湖北省武汉市洪山区珞狮路122号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。