如果你去过大型港口，应该会对那种忙碌的景象有印象：几十台桥吊同时作业，拖轮和引航船在航道里穿梭，大型集装箱轮像浮动的摩天大楼一样靠离泊位。在这种高密度、高强度的作业环境下，如何快速、准确地“读懂”每条船的行为意图，就成了智慧港口建设的第一个技术关卡。今天我们就来聊聊，港口是怎么借助AI来做船舶类型检测和异常预警的。

一：传统手段的局限在哪里
过去，港口对船舶的识别主要依赖AIS（船舶自动识别系统）。它广播的信息包括船名、MMSI（水上移动通信业务标识码）、航向、航速等，按理说已经比较详细了。但实际工作中，AIS数据存在两个软肋：一是报文可能被篡改或误设，比如某条船在系统里显示的“货轮”，实际拖带着三条驳船，行为模式更接近拖轮；二是AIS更新频率有限，在船舶进出港的狭窄水域，几秒钟的时间差就可能让态势感知出现偏差。
雷达和CCTV虽然提供了视觉与回波信息，但雷达点迹容易受海面杂波干扰，视频数据则严重依赖天气和光照条件。于是很自然地，工程师们开始思考：能不能把这几类数据进行融合，让AI在后台自动完成船舶类型的二次识别，并且提前算出“这条船接下来的行为有没有风险”？

二：AI类型检测，从静态分类到行为聚类
目前主流的技术路线是“多源数据融合+轻量级神经网络”。具体来说，系统会从AIS中提取动态轨迹，从雷达获取精确的船首向和航迹向，再从CCTV图像里提取船舶的轮廓特征。这些异构数据在时间戳同步后，被送入一个基于CNN（卷积神经网络）和LSTM（长短期记忆网络）的混合模型。其中CNN负责处理图像层面的外形特征，LSTM负责处理时序上的轨迹特征。这样做的好处是，即便AIS信息缺失，系统依然能通过“外形+轨迹”的组合，推断出该船大概率是集装箱船、散货船、油轮还是工程作业船。
更进一步，有些港口已经在尝试“行为聚类”的思路。简单来说，就是不再预设船的类型标签，而是让算法根据历史轨迹自动归纳出若干典型运动模式——比如直线匀速航行、缓慢漂航、频繁小幅度转向等。然后，将当前船舶的实时行为与这些聚类中心做匹配。这种做法的优势在于，它能发现“这条船在位置上属于集装箱泊位区，但运动模式却更像锚泊船”，从而触发进一步核查。

三：异常船舶预警，规则引擎与预测模型结合
类型检测只是基础，真正的挑战在于异常预警。在实际操作中，异常通常分为三类：轨迹异常、速度异常和状态异常。轨迹异常指船舶偏离计划航线或进入禁航区；速度异常指在航道内突然减速或加速，不符合该船型的典型操作窗口；状态异常则包括AIS信号丢失、船首向与航迹向不一致等。
目前比较成熟的方案是“规则引擎+时序预测”的双层架构。规则引擎负责处理那些边界清晰的情形，比如“距离防波堤小于50米且航向指向防波堤”时立即报警。而对于渐变式风险，比如某条船在引航员登轮点附近反复绕行，或者航速呈现出规律性的锯齿状波动，则依靠时序预测模型来捕捉。这类模型通常采用Transformer或TCN（时间卷积网络），输入窗口为过去10分钟的轨迹点，输出未来2分钟的预测轨迹。一旦预测轨迹与当前实际轨迹的偏差超过阈值，系统就会生成预警信息，同时给出偏差最大的那个特征维度，供调度员快速判断原因。

四：实际落地中的一点体会
从实际测试数据来看，AI类型检测的准确率在晴天条件下可以达到96%以上，雨雾天会降到85%左右，这时候需要人工复核。异常预警的误报率则主要卡在“拖轮伴航”场景——拖轮本身轨迹多变，但都属于正常作业，系统很容易将其判定为漂航。目前的解决办法是在模型里加入“作业区域掩码”，即在不同水域设置不同的敏感度参数，泊位区内的随意转向不报警，航道内的微小偏离则需要提示。

说到底，这类系统的目标不是取代调度员，而是把人的注意力从大量重复判断中解放出来。当AI把“这条船大概率是油轮，预计会靠泊三号泊位，目前轨迹正常”这类信息默默地显示在屏幕上时，调度员就能把精力集中在那些真正异常的、需要人为决策的瞬间。这大概就是智慧港口最朴素的含义——让技术去处理确定性的“算”，让人来应对不确定性的“谋”。