“雪龙号”极地考察船,是我国第三代极地破冰船和科学考察船,该船是目前我国最大的极地考察船。自1994年“雪龙号”首次执行科学考察任务以来,已先后24次完成对南极地区的科学考察,并组织开展了多项学科考察研究。“雪龙号”极地考察船在南极航行过程中,需要数次穿越浮冰区,在大范围的无冰水面和浮冰区海域交替航行,期间会受到环境因素、人为因素和运输工具因素的影响,而环境因素中的海上浮冰会对船舶的航速控制和航向调整产生很大的阻碍,是造成“雪龙号”极地考察船冰区航行最大的威胁。虽然我国遥感、雷达技术已经发展的非常成熟,并广泛地应用在海冰监测领域,但是由于遥感监测的时效性较差,雷达监测范围较广,这两种大尺度的海冰监测方式无法及时、准确地获取浮冰密集度、浮冰面积、浮冰数量、浮冰轮廓等数据信息,难以在实际航行过程中为船舶驾驶员判断浮冰区冰情提供可靠的参考依据。相较于遥感、雷达这两类大尺度的海冰监测方式,我国在小尺度方面的海冰监测技术手段还未完全成熟。现阶段,小尺度的海冰监测方式只能通过人眼和船载摄像头记录的海冰视频图像来判断船舶附近海域的浮冰情况。这种人工观测的方式无法准确获取具体的海冰信息数据,只能依靠驾驶员的观测经验判断浮冰区情况。同时,人工观测的方式,很容易产生视觉误差,长时间观测易疲惫,无法实时监测“雪龙号”极地考察船附近海域的浮冰变化情况,且无法准确获取具体的海冰信息数据,难以为驾驶员判断浮冰区冰情提供可靠的参考依据,即无法为船舶航速控制和航向偏差的调整提供准确的数据支持。基于上述问题,本文以“雪龙号”船载摄像头的视频图像为研究数据源,利用Mask R-CNN（深度卷积神经网络）模型,构建了一种基于Mask R-CNN的海冰监测方法,通过对海冰视频图像进行分析处理,以海冰俯瞰图的形式为驾驶员提供实时、动态的海冰信息图,并从海冰图中提取海冰信息数据,最后实现可视化效果。本方法的海冰识别效率为4FPS,识别准确率高达93%。本文基于Mask R-CNN的海冰监测方法,主要工作涉及以下几个方面:海冰视频图像处理、“雪龙号”船载摄像头角度矫正、Mask R-CNN模型训练与测试、海冰图数据分析以及如何通过Mask R-CNN海冰监测方法保障“雪龙号”冰区航行安全。其中主要运用了天际线拟合法、张正友标定法、透视变化法、对比分析法及Mask R-CNN神经网络模型,对海冰视频图像处理的全过程进行了分析。本方法监测的海冰信息数据包括浮冰密集度、浮冰数量、浮冰面积和浮冰轮廓等信息,同时比较了不同海域的浮冰密集度、浮冰数量、浮冰面积的变化情况,对1分钟内和1小时内的浮冰变化情况进行了分析。结合本方法的优势特点,与现有的海冰观测方式进行了比较分析,得出的结论表明Mask R-CNN海冰监测方法可以更好地辅助驾驶员判断浮冰区冰情。利用基于Mask R-CNN的海冰监测方法可使驾驶员更全面、更直观地了解船舶附近海域的浮冰变化情况,并实时获取浮冰信息数据。不仅可以为驾驶员判断浮冰区冰情提供可靠的参考依据,帮助驾驶员及时进行航速控制和航向偏差的调整,还可以有效减少海上浮冰的威胁,降低“雪龙号”极地考察船冰区航行的风险,进而保障“雪龙号”极地考察船冰区航行安全。同时,本方法从小尺度方向上改善了只能通过人工观测判断浮冰区冰情的情况,与卫星遥感、雷达等大尺度海冰监测方式形成互补,为我国构建全方位立体海冰监测系统提供了有效补充。