基于云边协同的船舶目标检测技术研究

李兆虎　佟力

摘要：传统船舶目标检测通常采用船舶侧部署固定算法的方式实现。文章提出并实现了一种利用云边协同技术，通过卫星网络通道进行船舶目标检测、视频传输以及算法动态更新的系统。该系统云端管理不同版本的目标检测算法模型以及所有边缘侧当前的算法版本，边缘侧接收云端下发的算法模型并进行模型热更新。系统支持依据检测结果按需传输识别数据信息，以有效利用网络带宽。实验表明，通过以上方法，在卫星网络资源有限的场景中，可以有效降低业务数据对卫星通道网络带宽的占用率，船舶管理机构能够及时获取船舶态势信息并进行实时决策。

关键词：船舶识别；视频传输；云边协同；卫星传输；AI模型管理

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2024）14-0026-03 开放科学（资源服务）标识码（OSID） ：

0 引言

目前在陆地目标检测场景中，平台采用将特定算法预制入终端设备中，远端的云平台通过廉价高带宽的地面网络可以实时提取不同端侧的原始与检测数据，继而进行相关决策。云边协同架构是一种新兴的计算模式，旨在将云计算和边缘计算融合，以实现更高效的数据处理和决策支持。然而，国内卫星网络带宽远远不及地面网络，陆地目标检测相关方法不能直接移植到海上船舶目标检测，同时对于出海航行的船舶，由于业务繁忙导致留给进港完成系统更新的时间窗口有限。船舶识别系统的主要功能就是识别船只、追踪目标、简化交流信息、避免碰撞发生[1]。在船端目前进行目标识别一般使用SSD算法与YOLO算法等。目前船舶目标检测与传输方面除了利用地面网络与高轨卫星外，北斗定位功能也可以实现对目标的轨迹追踪[2]。目前学术上将SDN 应用于边缘计算[3]，可支持数量众多的网络设备接入，通过RTMP协议进行视频传输[4]。以上方法侧重边缘检测与数据同步研究，缺乏云边数据协同与云边智能协同能力。为了提高资源利用率，一般通过采用分段传输[5]、优化路由算法以及利用多源异构数据融合[6]等方法。以上方法侧重网络侧数据优化，在资源裁剪上优化较少[7]，提出的方法更多是优化特定算法本身，没有对算法模块集进行统一管理与运用。

本文基于YOLOv8的船舶目标检测与云边视频数据流按需传输技术，提出并实现了具备云边协同的船舶目标检测系统。云端支持AI算法模型统一管理与动态更新，云端可将特定算法通过软件数据通道下发至边缘侧，边缘侧动态加载算法进行目标检测以及对检测结果进行处理，识别后的数据经过封装推送至云端服务器进行统一管理与展示使用。

1 系统设计与分析

本系统数据链路包含边缘侧视频采集设备、边缘数据处理服务系统、卫星网络通道、云端数据管理服务。系统分为船舶侧边缘服务、云端服务以及用户端服务。全系统数据链路如图1所示。

船舶侧边缘服务包含识别算法与边缘管控服务。边缘管控服务部署于带有GPU的计算板卡上，边缘管控服务接收来自摄像头的视频数据流，通过AI识别算法进行视频流的识别处理，识别后的视频流通过宽带终端利用卫星通道将视频流转发至云端服务。

云端服务包含视频流管理、AI算法管理以及边缘服务管理等服务能力。视频流管理提供汇聚管理不同边缘视频流信息，AI算法管理提供AI算法上架、版本维护、下架等功能，边缘服务管理提供边缘服务状态检测、边缘服务参数控制以及边缘算法更新等服务能力。云测与边缘服务间同时支持数据文件传输与RESTful API进行数据交互。

用户端服务提供Web访问、App访问与API能力开发方式供用户使用。

系统核心流程是云测通过YOLOv8训练船舶目标检测模型；云测将检测模型上架至云端；通过云端将检测模型下发至边缘侧，并使检测生效；摄像头采集图像和视频，对视频流数据进行取帧；检测模型对帧图片进行检测，并输出识别结论与识别后图片信息；识别后图片推送至云测视频流服务；云测通过云测视频流服务获取到检测后视频流信息以及检测结果信息。核心流程图如图2所示。

系统采用简化平台部署，平台的前后端服务均直接部署于服务器中，依赖运行中间件服务通过容器化部署。

2 关键技术与策略

2.1 支持算法热更新的服务技术

本文提出并实现了AI算法模块热更新的服务。云端进行算法模型调参训练，形成可用的算法模型。云端提供对算法模型的统一管理，支持用户创建、修改、删除一个算法项，用户可以将一个算法模型进行上传管理。

为了方便管理边缘服务算法模块使用状态，云端能够将特定算法模块与边缘服务进行映射对应。云端依据当前边缘服务检测结果调整使用的算法模块，可以使用更新版的算法模块修复前期检测中存在的瑕疵。

考虑到系统的安全性，算法库统一在云端进行维护，当某个边缘服务需要更新算法模块时，云测将算法文件传输至边缘服务侧。考虑到卫星通道网络带宽有限并且可能存在的网络不稳定情况，模块支持文件传输的速率设定，支持断点续传，并且在传输完成后利用MD5进行算法文件合法性检测。当文件传输完成后，云端通知边缘服务进行算法模块更新操作。边缘服务接收到指令后，依据指令中的文件路径去加载新的算法模块，进行算法模块验证，验证成功后进行使用该模块进行后续操作，并同步更新本地配置信息。整个操作边缘服务不需要重启，实现了算法模块的热更新。整个系统流程图如图3所示。

2.2 灵活配置视频流接入处理技术

目前主流摄像头如海康等已经支持RTSP数据流的直接获取。边缘服务侧支持通过RTSP数据流取出一串图片流信息。考虑到边缘侧图形处理对CPU资源的消耗，平台支持特定的视频流抽帧策略，对于船舶已靠港等场景中可以于云端远程配置边缘侧不进行目标检测，对于视频流信息也不进行传输的策略。

边缘侧将图片信息利用AI识别算法进行目标检测处理，AI识别处理会输出识别后目标图片信息与识别结果信息。考虑到卫星通道网络资费问题，将长期未进行识别的图像信息不进行处理。将识别成功的图像信息利用H.264编码，生成新的RTSP视频流，推送至视频流服务器中。

平台在视频检测过程中，云端通过边缘服务状态检测到边缘服务负载过重，云端通过下发停止检测指令，边缘侧停止进行视频流检测，平台可以通过摄像头开放的RTSP数据流直接获取到原始视频流数据。

2.3 支持多种能力开放策略技术

目前检测视频流数据存储于视频流服务器中，而检测结论存储于数据库中。为了满足差异化的使用需求，需要支持PC端与移动端对数据进行访问使用。PC 端提供浏览器进行数据访问与相关操作。由于RTSP与HTTP不兼容，传统播放需要浏览器插件支持，用户友好性差，本系统采用WebRTC技术，保证浏览器能够正常读取视频流信息。在移动端，采用Kot?lin 形成独立的App 应用，利用VideoView 进行视频播放。

3 实现效果

3.1 云边数据协同

为了验证云边算法数据协同，本文利用本系统做了一组算法模块更新实验。环境：准备两组利用Ultra?lytics V8训练出的算法模型，并在系统中进行版本管理，数据传输buffer大小4kB，网络总带宽1M。实验分两步：1） 利用算法1进行目标检测；2） 算法调至算法2 模块，进行算法模块动态更新。

参数配置如图4所示。

统计数据如表1所示。

识别效果图如表2所示。

通过实验数据分析：该系统支持算法模型动态加载，软件下发时延主要取决于网络带宽与当前系统资源使用状态。考虑到文件传输可能存在的缓存情况，实际使用时待文件拷贝完成后需要进行缓存的强制刷新，本系统设计采用5s延迟，才进行后续操作。算法切换时延一般较短，主要是验证算法模块是否可以被正确加载。加载不同的算法模块，只影响检测过程，对系统全流程不构成阻塞。

3.2 视频无效检测网络流量对比结果

为了验证视频无效检测对网络流量的影响，本文利用本系统做了一组模拟测试实验。环境：通过模拟视频进行测试。模拟视频中存在多片区域无船舶情况。平台设置1分钟未能识别船舶则停止视频传输。采用nethogs获取进程网络资源使用情况。nethogs是一个为互联网连接提供类似于htop或top的CPU和内存使用情况的程序。它会显示哪些进程正在访问网络的快照。整体结果如图5所示。

通过实验数据分析：该系统能够在未发现目标时，通过数据按需发送，可以有效减少网络带宽使用，对于视频流数据可以将正常传输消耗200kB/s带宽降低至在无检测目标发现时的0kB/s。

4 总结

本文提出并实现了基于云边协同技术的船舶目标检测方法与系统，能够很好利用云边数据协同低带宽环境进行灵活动态配置管理，实现船舶目标检测的高效性。相对于其他船舶目标检测与视频传输系统，本文提出的方法和实现的系统由于能够提供算法的动态加载，提高了系统使用的高效性，由于采用云边端协同机制，能够管理不同版本算法模型并能够管理多个边缘节点状态与算法版本，让传统的面向点的技术有更强的扩展性，偏于大规模船舶监控使用。当然，本文提供的方法也存在一些不足，如目前管理的算法过于单一，只能对YOLO系列图形算法与数据加解密进行统一管理，后续可能会增加类似雷达或者AIS相关数据进行统一规划使用。

参考文献：

[1] 徐芳，刘晶红，孙辉，等.光学遥感图像海面船舶目标检测技术进展[J].光学 精密工程，2021，29（4）：916-931.

[2] 曹宇，唐小波，宋育泽，等.北斗卫星导航系统在一体化智能安全头盔中的应用[J].全球定位系统，2021，46（3）：111-115.

[3] 诸茂华，关月芝，温玉波，等.边缘计算在优化远岛观测数据传输中的应用研究[J].海洋开发与管理，2021，38（6）：87-92.

[4] 刘美佳，张箐.基于分布式集群架构的遥感数据传输机制[J].计算机工程，2021，47（10）：180-185.

[5] 方科，刘景元，景新攀.低轨卫星高动态特性对星地数据传输影响分析研究[J].舰船电子工程，2021，41（3）：67-70.

[6] 李云峰.全景视觉多尺度图像在舰船目标跟踪定位系统中的应用[J].舰船科学技术，2020，42（18）：61-63.

[7] 朱铁林.卫星通信在无人机电力巡线中的应用分析[J].内蒙古电力技术，2020，38（3）：50-54.

【通联编辑：谢媛媛】