在船舶分布较为密集区域，船舶在航行过程中需时刻获取其他船舶位置，以避免发生碰撞^[1]。基于此，该领域专家均设计了船舶多目标检测系统，如刘松涛等^[2]设计了航空侦察图像船舶目标检测系统，该系统基于图像显著性检测框架，使用特征增强方法提取船舶目标位置图像，再对该图像实施稀疏编码处理，然后利用信念传播算法获取船舶目标检测结果。但该系统在实际应用过程中，其获取到的船舶目标位置图像内含有背景杂波干扰，该系统并未对干扰杂波进行处理，导致其船舶多目标识别效果较差。仇荣超等^[3]设计了海面船舶目标检测系统，该系统利用红外波段获取船舶位置信息，利用该信息构建船舶多目标识别样本集，然后通过提取多波段的船舶特征向量，利用高斯混合模型对该向量进行融合，得出船舶多目标识别结果。但该系统对应用环境要求极高，其兼容性不强，因此应用范围较小。随着4G和5G技术的不断发展，无线网络现已成为设备间通信的主要形式。无线网络在通信过程中具备高速、安全等特点，且其不受架设环境影响^[4-5]。本文将无线网络应用到船舶多目标检测过程中，研究其在船舶多目标检测系统中应用。

以B/S架构为基础同时结合单元形式设计船舶多目标检测系统，该系统整体结构如图1所示。船舶多目标检测系统整体结构分为遥感图像采集单元和船舶多目标检测单元，其中遥感图像采集单元利用遥感平台获取可见光遥感图像后，通过ZigBee无线网络将其传输到用户端，用户端读取到遥感图像后对其进行缓存处理。然后船舶多目标检测单元内的遥感图像预处理子单元调取遥感图像后，对其进行降采样和高斯滤波处理，然后输入至海陆分离子单元内。海陆分离子单元对预处理后的遥感图像实施同质区分割、边缘检测后，将遥感图像进行融合并将属于陆地的区域和孤立的噪声干扰点去除。然后使用特征提取子单元对遥感图像的连通区域进行标记，并旋转后，提取遥感图像特征。将遥感图像特征作为输入，使用基于卷积神经网络的船舶多目标检测方法检测船舶目标并输出检测结果。至此完成船舶多目标识别过程。

图 1 船舶多目标检测系统整体结构示意图 Fig. 1 Overall structure diagram of ship multi-target detection system

船舶多目标检测系统硬件选取FPGA(现场可编程门阵列)和CPU(中央处理器)以及通用PCIE发图卡构成。其中通用PCIE发图卡将船舶遥感图像发送到FPGA处理平台内，该平台与CPU数据处理中心相连，利用CPU数据处理中心对遥感图像切片数据进行处理后，反馈到FPGA处理平台内，该平台内置船舶多目标检测软件程序，通过启动该船舶多目标检测软件程序获得船舶多目标检测结果后，将结果回传至通用PCIE发图卡内，该发图卡与用户端显卡相连^[6]，为用户展示船舶多目标检测结果。

ZigBee无线网络是船舶多目标检测系统获取船舶遥感图像的重要途径，该无线网络通信效果是否满足用户需求，其通信的传感节点设计尤为重要^[7-8]。

ZigBee无线网络传感器使用型号为CC2533的单片机作为主控芯片，该型号单片机芯片可在RemoTIEF4CE堆栈配置情况下提升网络通信传输时的收发功能^[9]，其在无线通信时的输出功率可达到4.5 dBm，且具备较强的兼容性和大容量数据缓存功能。单片机（CC2533）分别连接按键/LED模块、射频天线模块、传感器模块、时钟复位模块和电源稳压模块。利用电源稳压模块为单片机提供稳定电压供应，传感器模块负责感知是否由通信节点访问，当存在通信节点访问时，传感器模块将通信节点发送至单片机内，单片机控制射频天线模块发送通信节点，然后利用按键/LED模块将通信节点发送情况反馈给用户。时钟复位模块负责控制传感器感知通信节点的频次。

无线通信智能网关是负责控制ZigBee无线网络通信的组件之一。无线网络智能网关运行在无线网络通信协议栈的顶层，其将用户传输的信息或数据进行打包处理、解包处理后，依据通信协议传输到用户端的应用层，完成无线网络通信传输过程。

无线网络通信协议栈由物理层、应用层、网络层、任务管理组等功能构成。其中物理层负责确定网络通信传输形式，并对网络通信信号进行调制解调等操作^[10-11]；数据链路层负责对通信访问节点，建立数据通信帧，以保障无线通信时的数据流不发生中断；网络层则有若干个通信协议构成，其为无线网络通信选择合适的传输线路，保障数据收发成功；传输层则负责收集船舶遥感图像，负责连接外部移动设备；应用层则是由若干个传感器构成的协议，负责用户查询数据发送情况等。上述物理层、数据链路层等均可被划分为能源管理组、连接管理组和任务管理组，其中能源管理组负责对无线网络通信节点进行监控，并为该网络收发数据提供能量。连接管理组则负责建立无线网络节点关联关系并维护该关系，保证无线通信网络的连通性。任务管理组则负责执行船舶遥感图像收发任务。

获取到船舶可见光遥感图像后，对其进行预处理和海陆分离后，使用特征提取子单元对其实施连通区域标记和旋转，再使用阈值二值化方法提取船舶可见光遥感图像特征，其详细步骤如下：

步骤1　设定船舶可见光遥感图像边缘分割点阈值 $ {T_0} $ 。

步骤2　依据阈值 $ {T_0} $ 对船舶可见光遥感图像小波变换的极大值进行判断，当该极大值大于 $ {T_0} $ 时，则将船舶可见光遥感图像的像素点设置为1，反之设置为0。

步骤3　对数值为1的船舶可见光遥感图像像素点进行叠加并归一化处理，得到船舶可见光遥感图像的边缘点 $ {E_0} $ ，重复上述步骤，将所有的船舶可见光遥感图像边缘点进行连接，即得到其图像特征。

以船舶可见光遥感图像特征作为输入，使用卷积神经网络模型对船舶可见光遥感图像特征进行识别，输出船舶多目标检测结果。

卷积神经网络模型由5个卷积层、3×3卷积操作、2层池化层和两层全连接层构成，将船舶可见光遥感图像特征输入到卷积神经网络模型内后，其经过5次卷积操作和3×3次卷积映射后被输入至池化层。池化层对船舶可见光遥感图像特征进行合并后，将其传输到全连接层内。全连接层将船舶可见光遥感图像特征映射到其样本标记空间内^[12]，并利用分类器输出检测可见光遥感图像识别结果，该结果即为检测多目标检测结果。

使用卷积神经网络模型检测船舶多目标时，池化层需对船舶可见光遥感图像特征向量实施尺度转换处理，其表达公式如下：

式中： $ x $ 表示初始船舶可见光遥感图像特征向量； $ \hat x $ 表示尺度变换后的船舶可见光遥感图像特征向量； $ d $ 表示像素点距离； $ i $ 表示第 $ i $ 个像特征向量。

依据公式（1）结果，卷积神经网络模型输出的船舶多目标检测结果表达式如下：

式中， $ \zeta $ 表示尺度因子。

按照上述步骤，对卷积神经网络模型进行迁移迭代，即可实现船舶多目标检测。

以自回环读写船舶可见光遥感图像的形式测试本文方法无线网络通信传输能力，本文系统在传输船舶可见光遥感图像时传输的图像为5296247361 Bytes，其无线通信传输的速率为805 MB/s，而消耗时间仅为9 s。上述数值可充分表明：本文系统利用无线网络传输船舶可见光遥感图像时传输速度较快，传输图像耗时较短，具备较强的无线网络通信能力。

以IOU（Intersection over unions）交并比作为衡量本文系统识别船舶多目标结果可靠性指标，测试在不同船舶遥感图像特征数量情况下，本文系统IOU数值变化情况，结果如图2所示。分析可知，本文系统在检测船舶多目标时，其IOU数值随着船舶遥感图像特征数量的增加而增加。当船舶遥感图像特征数量超过3×10³后，本文系统IOU数值即达到了0.9左右。随着船舶遥感图像特征数量继续增加，本文系统的IOU数值逐渐趋近于1.0。该数值表明本文系统在检测船舶多目标时可迅速达到拟合状态，其输出结果较为准确，检测船舶多目标结果的可靠性较强。

图 2 船舶多目标检测可靠性验证结果 Fig. 2 Reliability verification results of ship multi-target detection

船舶可见光遥感图像特征提取是检测船舶多目标的基础，测试在不同像素点数量情况下，本文系统提取船舶可见光遥感图像特征点，并与实际特征点数量作对比，分析本文系统提取船舶遥感图像特征点能力，结果如表1所示。分析可知，本文系统在提取船舶遥感图像特征时，正确提取的特征点数量随着像素点数量的增加而降低。当像素点数量小于6000个时，本文系统提取的特征点数量与实际特征点数值完全相同，说明此时本文系统提取船舶遥感图像特征点的准确率为100%。当像素点个数超过6000个时，本文系统提取船舶遥感图像特征点数量逐渐与实际特征点数量出现偏差，且偏差数值也在逐渐增加。但当像素点数量为10000个时，本文系统提取船舶遥感图像特征点数量与实际特征点数量差值为98个，其提取船舶遥感图像特征点的准确率为98.91%。该数值表明本文系统可有效提取船舶遥感图像特征点，且提取精度极高，也从侧面说明本文系统具备良好的船舶多目标检测能力。

表 1(Tab. 1)

表 1 船舶遥感图像特征提取测试结果 Tab. 1 Test results of feature extraction of ship remote sensing image 像素点 数量/个 提取特征 点数量 实际特征 点数量 像素点 数量/个 提取特征 点数量 实际特征 点数量 1000 892 892 6000 4517 4525 2000 1324 1324 7000 6125 6177 3000 2455 2455 8000 7013 7099 4000 3196 3196 9000 8456 8543 5000 3899 3899 10000 8901 8999

表 1 船舶遥感图像特征提取测试结果 Tab.1 Test results of feature extraction of ship remote sensing image

以大型集装箱货轮和2种小型游船为实验对象，测试本文系统检测大型船舶多目标和小型船舶多目标能力，结果如图3所示。分析可知，本文系统检测船舶多目标时均使用圆圈将检测目标标记出来。在检测不同船型多目标时，不受船型大小影响，均可有效检测出来，也并未受船舶所在位置影响。综上所述，本文系统具备较强的船舶多目标检测能力，其应用效果较佳。

图 3 不同情况下船舶检测结果 Fig. 3 ship detection results under different conditions

依托无线网络技术，设计了船舶多目标识别系统，并以某海域船舶为实验对象，对本文系统进行较为充分的验证。实验结果表明：本文系统在无线网络传输信息时的速率为805 MB/s，耗时仅为9 s，具备较快的数据通信能力；其在检测船舶多目标时的IOU数组随着船舶遥感图像特征数量逐渐靠近1.0，其检测结果可靠性高；可有效检测不同类型和分布位置不同的船舶，应用效果较好。