如果你去过大型集装箱港口，大概见过这样的场景：一艘几万吨级的货轮缓缓驶入港池，岸边的引航员通过对讲机不断调整指令，拖轮在旁协助顶推，整个过程要持续半小时以上。这背后牵涉到一个关键问题——只有准确知道来船的类型和尺寸，调度中心才能分配最合适的泊位、安排对应高度的岸桥、协调足够的拖轮数量。
传统做法是靠人工判断。引航员用望远镜观察船体外观，查阅船舶自动识别系统（AIS）发来的报文，再结合经验确定船型。这个过程有几个明显短板：一是AIS数据可能延迟或误报，尤其在船舶密集的繁忙水域；二是恶劣天气下视野受限，目视识别变得困难；三是人工判断的主观性较强，不同引航员的经验差异可能导致结论不一致。针对这些问题，我们尝试将AI视觉识别技术引入船舶类型判定环节，作为辅助决策工具。
具体怎么实现？在港口入口航道和泊位前沿部署高清光学摄像头，配合红外成像设备，确保夜间和低能见度条件下也能采集有效图像。采集到的视频流实时传入后端AI推理服务器，系统会执行两阶段任务：第一阶段是目标检测，用改进的YOLOv8模型从画面中定位船舶轮廓，排除背景干扰；第二阶段是细粒度分类，通过自建的轻量级卷积神经网络（CNN）对船型进行细分，区分集装箱船、散货船、油轮、滚装船、LNG运输船等类别。
分类依据不仅看外观轮廓，还融合了多个特征维度。举例来说，集装箱船的甲板规整、上层建筑偏后，这些几何特征可以量化成结构参数；散货船中部通常有吊机设备；油轮的管汇区域和呼吸阀分布有明显规律。另外，系统还会结合AIS动态数据做交叉验证，比如航速异常偏低时，算法会判断是否存在拖轮伴航，反过来佐证船型推断。经过在宁波舟山港某泊位的实测，模型对主流商船类别的识别准确率达到了96.3%，单帧推理延迟控制在120毫秒以内，基本满足实时性要求。
准确识别船型之后，下一步就是自动引导泊位。这个环节的核心不是取代引航员，而是把识别结果转化为可执行的空间规划。算法根据船型匹配数据库中的尺度参数——船长、船宽、吃水深度、旋回半径——然后结合当前潮汐数据和泊位空闲状态，计算出最优靠泊路径和靠泊角度。
从实际效果来看，这套系统在试运行期间将船舶从进港到系缆的平均耗时压缩了约18%，泊位周转效率提升的同时，也降低了夜间靠泊时人为判断失误带来的刮蹭风险。目前该技术已在部分新建自动化码头纳入标准配置，后续计划结合港口数字平台做进一步优化，让泊位分配从“经验驱动”逐步转向“数据驱动”。