基于云邊協同的船舶目標檢測技術研究

李兆虎　佟力

摘要：傳統船舶目標檢測通常采用船舶側部署固定算法的方式實現。文章提出并實現了一種利用云邊協同技術，通過衛星網絡通道進行船舶目標檢測、視頻傳輸以及算法動態更新的系統。該系統云端管理不同版本的目標檢測算法模型以及所有邊緣側當前的算法版本，邊緣側接收云端下發的算法模型并進行模型熱更新。系統支持依據檢測結果按需傳輸識別數據信息，以有效利用網絡帶寬。實驗表明，通過以上方法，在衛星網絡資源有限的場景中，可以有效降低業務數據對衛星通道網絡帶寬的占用率，船舶管理機構能夠及時獲取船舶態勢信息并進行實時決策。

關鍵詞：船舶識別；視頻傳輸；云邊協同；衛星傳輸；AI模型管理

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2024）14-0026-03 開放科學（資源服務）標識碼（OSID） ：

0 引言

目前在陸地目標檢測場景中，平臺采用將特定算法預制入終端設備中，遠端的云平臺通過廉價高帶寬的地面網絡可以實時提取不同端側的原始與檢測數據，繼而進行相關決策。云邊協同架構是一種新興的計算模式，旨在將云計算和邊緣計算融合，以實現更高效的數據處理和決策支持。然而，國內衛星網絡帶寬遠遠不及地面網絡，陸地目標檢測相關方法不能直接移植到海上船舶目標檢測，同時對于出海航行的船舶，由于業務繁忙導致留給進港完成系統更新的時間窗口有限。船舶識別系統的主要功能就是識別船只、追蹤目標、簡化交流信息、避免碰撞發生[1]。在船端目前進行目標識別一般使用SSD算法與YOLO算法等。目前船舶目標檢測與傳輸方面除了利用地面網絡與高軌衛星外，北斗定位功能也可以實現對目標的軌跡追蹤[2]。目前學術上將SDN 應用于邊緣計算[3]，可支持數量眾多的網絡設備接入，通過RTMP協議進行視頻傳輸[4]。以上方法側重邊緣檢測與數據同步研究，缺乏云邊數據協同與云邊智能協同能力。為了提高資源利用率，一般通過采用分段傳輸[5]、優化路由算法以及利用多源異構數據融合[6]等方法。以上方法側重網絡側數據優化，在資源裁剪上優化較少[7]，提出的方法更多是優化特定算法本身，沒有對算法模塊集進行統一管理與運用。

本文基于YOLOv8的船舶目標檢測與云邊視頻數據流按需傳輸技術，提出并實現了具備云邊協同的船舶目標檢測系統。云端支持AI算法模型統一管理與動態更新，云端可將特定算法通過軟件數據通道下發至邊緣側，邊緣側動態加載算法進行目標檢測以及對檢測結果進行處理，識別后的數據經過封裝推送至云端服務器進行統一管理與展示使用。

1 系統設計與分析

本系統數據鏈路包含邊緣側視頻采集設備、邊緣數據處理服務系統、衛星網絡通道、云端數據管理服務。系統分為船舶側邊緣服務、云端服務以及用戶端服務。全系統數據鏈路如圖1所示。

船舶側邊緣服務包含識別算法與邊緣管控服務。邊緣管控服務部署于帶有GPU的計算板卡上，邊緣管控服務接收來自攝像頭的視頻數據流，通過AI識別算法進行視頻流的識別處理，識別后的視頻流通過寬帶終端利用衛星通道將視頻流轉發至云端服務。

云端服務包含視頻流管理、AI算法管理以及邊緣服務管理等服務能力。視頻流管理提供匯聚管理不同邊緣視頻流信息，AI算法管理提供AI算法上架、版本維護、下架等功能，邊緣服務管理提供邊緣服務狀態檢測、邊緣服務參數控制以及邊緣算法更新等服務能力。云測與邊緣服務間同時支持數據文件傳輸與RESTful API進行數據交互。

用戶端服務提供Web訪問、App訪問與API能力開發方式供用戶使用。

系統核心流程是云測通過YOLOv8訓練船舶目標檢測模型；云測將檢測模型上架至云端；通過云端將檢測模型下發至邊緣側，并使檢測生效；攝像頭采集圖像和視頻，對視頻流數據進行取幀；檢測模型對幀圖片進行檢測，并輸出識別結論與識別后圖片信息；識別后圖片推送至云測視頻流服務；云測通過云測視頻流服務獲取到檢測后視頻流信息以及檢測結果信息。核心流程圖如圖2所示。

系統采用簡化平臺部署，平臺的前后端服務均直接部署于服務器中，依賴運行中間件服務通過容器化部署。

2 關鍵技術與策略

2.1 支持算法熱更新的服務技術

本文提出并實現了AI算法模塊熱更新的服務。云端進行算法模型調參訓練，形成可用的算法模型。云端提供對算法模型的統一管理，支持用戶創建、修改、刪除一個算法項，用戶可以將一個算法模型進行上傳管理。

為了方便管理邊緣服務算法模塊使用狀態，云端能夠將特定算法模塊與邊緣服務進行映射對應。云端依據當前邊緣服務檢測結果調整使用的算法模塊，可以使用更新版的算法模塊修復前期檢測中存在的瑕疵。

考慮到系統的安全性，算法庫統一在云端進行維護，當某個邊緣服務需要更新算法模塊時，云測將算法文件傳輸至邊緣服務側。考慮到衛星通道網絡帶寬有限并且可能存在的網絡不穩定情況，模塊支持文件傳輸的速率設定，支持斷點續傳，并且在傳輸完成后利用MD5進行算法文件合法性檢測。當文件傳輸完成后，云端通知邊緣服務進行算法模塊更新操作。邊緣服務接收到指令后，依據指令中的文件路徑去加載新的算法模塊，進行算法模塊驗證，驗證成功后進行使用該模塊進行后續操作，并同步更新本地配置信息。整個操作邊緣服務不需要重啟，實現了算法模塊的熱更新。整個系統流程圖如圖3所示。

2.2 靈活配置視頻流接入處理技術

目前主流攝像頭如海康等已經支持RTSP數據流的直接獲取。邊緣服務側支持通過RTSP數據流取出一串圖片流信息。考慮到邊緣側圖形處理對CPU資源的消耗，平臺支持特定的視頻流抽幀策略，對于船舶已靠港等場景中可以于云端遠程配置邊緣側不進行目標檢測，對于視頻流信息也不進行傳輸的策略。

邊緣側將圖片信息利用AI識別算法進行目標檢測處理，AI識別處理會輸出識別后目標圖片信息與識別結果信息。考慮到衛星通道網絡資費問題，將長期未進行識別的圖像信息不進行處理。將識別成功的圖像信息利用H.264編碼，生成新的RTSP視頻流，推送至視頻流服務器中。

平臺在視頻檢測過程中，云端通過邊緣服務狀態檢測到邊緣服務負載過重，云端通過下發停止檢測指令，邊緣側停止進行視頻流檢測，平臺可以通過攝像頭開放的RTSP數據流直接獲取到原始視頻流數據。

2.3 支持多種能力開放策略技術

目前檢測視頻流數據存儲于視頻流服務器中，而檢測結論存儲于數據庫中。為了滿足差異化的使用需求，需要支持PC端與移動端對數據進行訪問使用。PC 端提供瀏覽器進行數據訪問與相關操作。由于RTSP與HTTP不兼容，傳統播放需要瀏覽器插件支持，用戶友好性差，本系統采用WebRTC技術，保證瀏覽器能夠正常讀取視頻流信息。在移動端，采用Kot?lin 形成獨立的App 應用，利用VideoView 進行視頻播放。

3 實現效果

3.1 云邊數據協同

為了驗證云邊算法數據協同，本文利用本系統做了一組算法模塊更新實驗。環境：準備兩組利用Ultra?lytics V8訓練出的算法模型，并在系統中進行版本管理，數據傳輸buffer大小4kB，網絡總帶寬1M。實驗分兩步：1） 利用算法1進行目標檢測；2） 算法調至算法2 模塊，進行算法模塊動態更新。

參數配置如圖4所示。

統計數據如表1所示。

識別效果圖如表2所示。

通過實驗數據分析：該系統支持算法模型動態加載，軟件下發時延主要取決于網絡帶寬與當前系統資源使用狀態。考慮到文件傳輸可能存在的緩存情況，實際使用時待文件拷貝完成后需要進行緩存的強制刷新，本系統設計采用5s延遲，才進行后續操作。算法切換時延一般較短，主要是驗證算法模塊是否可以被正確加載。加載不同的算法模塊，只影響檢測過程，對系統全流程不構成阻塞。

3.2 視頻無效檢測網絡流量對比結果

為了驗證視頻無效檢測對網絡流量的影響，本文利用本系統做了一組模擬測試實驗。環境：通過模擬視頻進行測試。模擬視頻中存在多片區域無船舶情況。平臺設置1分鐘未能識別船舶則停止視頻傳輸。采用nethogs獲取進程網絡資源使用情況。nethogs是一個為互聯網連接提供類似于htop或top的CPU和內存使用情況的程序。它會顯示哪些進程正在訪問網絡的快照。整體結果如圖5所示。

通過實驗數據分析：該系統能夠在未發現目標時，通過數據按需發送，可以有效減少網絡帶寬使用，對于視頻流數據可以將正常傳輸消耗200kB/s帶寬降低至在無檢測目標發現時的0kB/s。

4 總結

本文提出并實現了基于云邊協同技術的船舶目標檢測方法與系統，能夠很好利用云邊數據協同低帶寬環境進行靈活動態配置管理，實現船舶目標檢測的高效性。相對于其他船舶目標檢測與視頻傳輸系統，本文提出的方法和實現的系統由于能夠提供算法的動態加載，提高了系統使用的高效性，由于采用云邊端協同機制，能夠管理不同版本算法模型并能夠管理多個邊緣節點狀態與算法版本，讓傳統的面向點的技術有更強的擴展性，偏于大規模船舶監控使用。當然，本文提供的方法也存在一些不足，如目前管理的算法過于單一，只能對YOLO系列圖形算法與數據加解密進行統一管理，后續可能會增加類似雷達或者AIS相關數據進行統一規劃使用。

參考文獻：

[1] 徐芳，劉晶紅，孫輝，等.光學遙感圖像海面船舶目標檢測技術進展[J].光學 精密工程，2021，29（4）：916-931.

[2] 曹宇，唐小波，宋育澤，等.北斗衛星導航系統在一體化智能安全頭盔中的應用[J].全球定位系統，2021，46（3）：111-115.

[3] 諸茂華，關月芝，溫玉波，等.邊緣計算在優化遠島觀測數據傳輸中的應用研究[J].海洋開發與管理，2021，38（6）：87-92.

[4] 劉美佳，張箐.基于分布式集群架構的遙感數據傳輸機制[J].計算機工程，2021，47（10）：180-185.

[5] 方科，劉景元，景新攀.低軌衛星高動態特性對星地數據傳輸影響分析研究[J].艦船電子工程，2021，41（3）：67-70.

[6] 李云峰.全景視覺多尺度圖像在艦船目標跟蹤定位系統中的應用[J].艦船科學技術，2020，42（18）：61-63.

[7] 朱鐵林.衛星通信在無人機電力巡線中的應用分析[J].內蒙古電力技術，2020，38（3）：50-54.

【通聯編輯：謝媛媛】