1莫昊.面向边缘平台的轻量化SAR船舶检测算法的研究D.华北电力大学(北京),2025.DOI:10.27139/d.cnki.ghbdu.2025.000871.
1.研究目的
随着全球海洋活动频繁，海上监控对图像感知系统提出高实时性与高精度要求。合成孔径雷达凭借全天候、强穿透优势，成为远海船舶监测关键手段。然而， SAR图像存在背景复杂、杂波强干扰等问题，目标检测难度较大。同时，传统云端推理受制于海上通信延迟与带宽瓶颈，难以保障系统处理的实时性。边缘计算因具备低延迟、高鲁棒性及脱网运行能力，成为SAR解译新趋势， 但受限于边缘设备算力与能耗，亟需轻量化检测算法与软硬件协同部署支持。
SAR图像应用于实际的船舶目标检测仍然面临着检测难度和检测实时性的双重挑战：其一 ， 检测难度大，海洋杂波干扰、目标与背景复杂性引入噪声，加之船舶尺寸、形状、航向的多样性及近岸建筑物的强反射，使得近岸小型船只漏检率上升。 其二，实时性要求高，非法捕鱼、走私及紧急救援等突发事件，对检测算法的实时性和准确性提出了极高的要求，需要在最短时间内精准定位目标，以支撑迅速响应与决策。
边缘计算在资源方面仍面临显著限制：其一 ，边缘设备通常配备低功耗CPU，计算能力有限，因此难以支撑大规模、复杂的深度学习模型；其二，存储空间的局限制约了模型的加载和大数据量的处理能力。
针对传统云端推理受制于海上通信延迟、带宽瓶颈以及边缘设备算力/能耗受限的问题，旨在实现低延迟、高鲁棒性的实时SAR船舶检测；针对SAR图像中存在的复杂背景杂波干扰、强噪声、近岸建筑物混淆以及船舶目标尺寸不一等问题，设计能够有效抑制虚警并提升召回率的算法。
论文究在YOLOv5基础上，提出了一种轻量、高效、易移植的改进目标检测算法LEAD-YOLO， 并基于国产寒武纪MLU220芯片， 完成系统级部署与全流程验证。
2.创新点
2.1 算法架构创新
提出了LEAD-YOLO，该模型在保持YOLO系列算法端到端检测优势的基础上，围绕轻量性、 高效性与适应性三个核心设计原则，对BackBone、Neck及Detect模块进行了系统性的结构重构， 以实现更优的算力性能比和边缘部署适应性。
在BackBone模块，主干网络替换为FasterNet结构。引入部分卷积（PConv）替代传统卷积，显著降低模型参数量和计算开销，同时通过恒等映射保留冗余信息，提升硬件推理速度。
在Neck模块，RFCBAMConv融合了CBAM注意力机制与可调感受野的扩张卷积操作，结合分组卷积与特征重构扩大感受野，并融合通道与空间注意力，有效抑制复杂背景下的伪影干扰，增强对全局上下文信息的感知。
在Detect模块，沿用了YOLOV5s的Detect模块，保证模块结构与YOLOv5系列兼容。
几何特征增强（C3_CA）：将坐标注意力（CA）嵌入C3模块，利用行列方向的池化保留精确位置信息，强化模型对SAR船舶细长长宽比形态的特征捕捉能力，提升小目标和方向性目标的检测精度。
C3模块基于Cross Stage Partial思想 ，将输入特征图在通道维度上划分为两部分。一部分通过shortcut直接传递，另一部分进入包含若干Bottleneck层的深度路径，通常由1*1卷积实现通道压缩，3*3卷积提取空间特征，随后再以 1*1卷积恢复通道数。两条路径的输出在尾部拼接并融合。 这一结构在提升梯度传播效率的同时，能有效抑制冗余计算，增强网络对多样特征的建模能力。
C3_CA 模块保持了与标准C3相同的输入输出接口，具备良好的替换性。无论部署于主干网络还是颈部结构，都能在不破坏整体架构的前提下，实现模块级别的性能增强。
2.2 国产边缘平台系统工程创新
-
首次在寒武纪MLU220（M.2加速卡）上完成LEAD-YOLO的深度适配，解决了激活函数重构（SiLU/Hardswish）、算子兼容及离线模型（.cambricon）编译等工程难题。
-
实现了完整的端到端闭环系统，实测推理帧率由基准的22.4 FPS提升至30.3 FPS，单帧延时约33ms，且可连续稳定运行24小时，验证了国产AI芯片在遥感侦察领域的工程实用性。
3. 后续优化
作者在第六章结语中明确指出了未来研究方向，主要包含以下三个亟需完善的维度：
-
轻量化与精度的进一步博弈：
- 当前在HRSID和SAR-Ship等高分辨率复杂数据集上，AP较YOLOv5s仍有0.6%~1.5% 的下降。未来拟引入神经结构搜索（NAS） 与剪枝策略 自动构建高效结构，并结合知识蒸馏将大模型判别能力迁移至轻量模型，以缓解信息损失带来的精度退化。
-
注意力机制的可解释性与针对性改进：
- 虽然实验验证了RFCBAMConv和C3_CA的有效性，但尚未深入分析其应对斑点噪声 和海洋杂波的具体机理。后续计划通过热力图可视化、特征分布统计及抗噪测试，观察注意力聚焦区域，从而针对性地优化模块设计，提升其物理可解释性。
-
应用场景的拓展与泛化性提升：
-
目前测试基于公开数据集，未来需拓展至港口密集区、极地航道、非法捕捞重点海域等更复杂的真实场景。
-
针对风暴降雨干扰 及多源SAR传感器差异 导致的图像质量波动，计划引入领域自适应（Domain Adaptation） 技术和多源数据融合策略，增强模型在恶劣天候和跨传感器条件下的鲁棒性。
-