**摘要：**从光学遥感影像中准确识别船舶并及时提取信息，对于各类民用及国防领域的海上监视任务都至关重要，包括船舶追踪、非法捕捞监测、非法移民监控以及搜救行动等。尽管人工智能（AI）是实现卫星影像可靠精准检测的关键要素，但传统的基于AI的遥感方法仍依赖地面图像处理技术。这种依赖性导致数据采集与可操作性分析结果生成之间存在显著延迟，可能影响在海难等关键海上事件中的快速决策能力。为解决这一问题，我们提出了一种基于Microchip PolarFire片上系统（SoC）的新型硬件设计方案，专为航天器搭载设备设计，旨在实现低功耗、实时的船舶检测。该方案整合了基于 FPGA 架构的CoreVectorBlox引擎，以加速SR-YOLOv5s（基于YOLOv5s改进的对象检测框架）的推理过程；其采用单一图像超分辨率核心模块，能够有效提取小型目标的精细特征，从而提升检测性能。实验结果表明，在船舶检测任务中，SR-YOLOv5s始终优于基准YOLOv5s框架。该模型在检测极小目标（面积 ≤ 7 × 7像素）时具有高精度，其mAP50值达到0.4658（相较于0.2832），实现了18.26个百分点的显著提升。当部署于PolarFire FPGA 平台时，整个处理流程可实现实时运行：每帧推理延迟仅为55毫秒，平均动态功耗低于1.2瓦。这些结果充分证明了我们的方法适用于功耗受限的机载处理场景，并验证了其作为基于边缘计算对地球观测影像进行分析、实现海上监测低延迟警报生成的有效方案。
SR-Backbone
SR-YOLOv5s
超分辨率结果
模型在交叉验证测试集上的评估结果
船舶检测精度
mAP50模型在其他数据集上的结果
AI引擎性能对比分析
**讨论：**在本研究中，我们推出了SR-YOLOv5s------一个物体检测框架，该框架将轻量级、全卷积的超分辨率骨干网络集成到YOLOv5s中，以提升特征提取能力并提高检测精度，尤其适用于光学遥感图像中的微小血管结构。在各项基准测试中，SR-YOLOv5s实现了0.9272±0.0029的平均mAP50值，较基线方法提升了8.54%。这一优势在最具挑战性的目标上尤为显著：对于面积 ≤ 7 × 7像素的极小物体，mAP50从0.2832升至0.4658（提升幅度达18.26个百分点）。在 MASATI 数据集（船舶与水域子集）上的外部验证结果表明其具有稳健性，误检率降低且召回率提升；采用轻量级后处理ResNet-18模型进一步抑制了低置信度误检。此外，我们评估了基于 FPGA 架构在边缘计算场景下加速CNN推理的优势，实现了延迟、精度与功耗之间的良好平衡。VectorBlox SDK和CoreVectorBlox IP为在PolarFire SoC可编程逻辑中部署神经网络提供了实用且灵活的解决方案。经过INT8量化后，我们的PolarFire SoC设计可在动态功耗约1.16W的情况下维持约18帧/秒的帧率，成为所有测试平台中每瓦特精度最高的方案（mAP50/W= 𝟎 . 𝟑𝟔𝟔）。此外，具备辐射耐受性的RT版PolarFire SoC为太空环境下的AI任务（包括要求高可靠性和长寿命的地球观测任务）提供了稳定可靠的解决方案。