基于OpenMV的海上目標檢測系統設計

摘要：海上目標檢測技術在海洋監測、海上救援以及軍事應用等方面扮演著重要角色。文章設計了一套基于OpenMV模塊和控制模塊的海上目標檢測系統。該系統能實時采集并處理圖像，以實現對海洋環境中小目標的高效精確識別、定位及預警，從而提升海上安全監測的效率和精確度。具體而言，系統運用深度學習框架實時檢測海上船舶等目標，突破了傳統目標檢測技術在效率和性能上的局限，并成功將模型部署到OpenMV平臺。實驗證明了檢測方案的有效性。

關鍵詞：海上目標；OpenMV；卷積神經網絡；檢測

中圖分類號：TP29" 文獻標志碼：A

0 引言

海上目標檢測在海洋工程、海上安全等領域具有重要意義，傳統方法成本高昂且效率低下。隨著機器視覺技術的發展，基于圖像處理和目標識別的智能監控設備備受關注。隨著深度學習技術的發展，基于卷積神經網絡的海上目標檢測設備成了一種更有效的解決方案［1-2］。本文針對海上目標檢測進行了研究和設計，提出了一種基于OpenMV模塊和控制模塊的海上目標檢測系統方案。該方案通過對海洋中目標的圖像進行高效準確的識別和定位，實現了海上安全監測的有效性和高精度。

1 系統硬件組成

海上環境隨時都在變化，如海浪、潮汐、風力等，這些因素影響了圖像的清晰度和穩定性，增加了目標檢測的復雜性。光照條件變化頻繁，會對圖像質量產生影響，須要設備具備適應不同光照條件的能力。海上視野寬廣，目標的大小和形狀差異巨大，增加了目標檢測的難度。此外，設備須要在海上長時間運行，需要設計低功耗的硬件和算法，以延長設備的使用時間；設備須要具有防塵防水和遠程通信功能，以保證設備在惡劣的海上環境下可靠運行。因此，系統硬件組成須要考慮海上環境的變化、光照條件、目標復雜性等因素，主要包括控制器、OpenMV模塊、電源供電及充電模塊、通信模塊、動力驅動模塊以及外殼和支架等組件。

系統中的控制器是整個系統的控制核心，用于信息處理與傳輸、儲存檢測結果以及與外界通信，如樹莓派。OpenMV模塊包括攝像頭和微控制器，負責實時捕獲海上圖像并進行處理。OpenMV模塊以其開源、低成本、功能強大的特點而受到青睞［3］，其以STM32F427CPU為核心，集成了OV7725攝像頭芯片，并在小巧的硬件模塊上，用C語言高效地實現了核心機器視覺算法，提供Python編程接口，使得開發者可以快速上手并開發視覺應用程序。使用者僅須編寫簡單的Python代碼，就能輕松完成各種機器視覺相關的任務。電源供電及充電模塊確保系統能在海上長時間運行，太陽能充電方式可以實現自動充電，增加設備的自主運行能力。通信模塊用于與其他設備的通信，可采用全球定位系統（Global Positioning System，GPS）模塊。動力驅動模塊則使設備能夠在海上自由移動，增加其監控范圍和靈活性。外殼和支架設計為防水型，以保護設備免受惡劣環境的影響，確保其在海上的穩定運行。整個系統的設計還須要考慮低功耗要求，以延長設備的使用壽命。此外，系統的遠程通信功能允許用戶遠程監控設備狀態和檢測結果，確保操作的便捷性和結果的可訪問性。

綜上所述，本文提出了基于OpenMV的海上目標檢測系統，旨在提高海上監測和安全的效率和準確性。系統組成如圖1所示。

2 基于OpenMV的深度學習算法

將深度學習網絡部署于海上目標檢測設備的OpenMV模塊需要以下步驟。

（1）步驟1，數據準備。該步驟用于收集并標記包括浮標、集裝箱、游輪、魚雷艇、軍艦等多個類別的海上目標圖像數據集，劃分訓練集和驗證集，并確保數據集均衡，包含足夠多的正負樣本。

（2）步驟2，模型選擇和訓練。該步驟用于選擇適合的深度學習模型，如YOLOv5［4］，并使用訓練集訓練模型，調整模型參數和超參數，以提高模型在驗證集上的性能。YOLOv5的結構如下所示。

輸入端（Input）：輸入圖像的尺寸被設置為640x640像素。在YOLOv5中，數據增強技術（如Mosaic和自適應圖片縮放）可在這一步驟中應用實現，以優化模型的性能。

骨干（Backbone）網絡：這一部分是模型的主體，負責提取圖像特征。Backbone由多個子結構組成，如Focus和CSP（Cross Stage Partial）結構。Focus結構通過切分輸入圖像并在較小的尺度上處理，從而減少計算量并保留重要特征。CSP結構通過部分連接不同階段的特征，以降低計算復雜度并保持特征的豐富性。

頸部（Neck）網絡：Neck部分用于提高特征圖之間的信息流通。在這個結構中，FPN（Feature Pyramid Network）和PAN（Path Aggregation Network）被結合起來。FPN結構幫助模型利用不同尺度的特征進行檢測，而PAN結構進一步增強了低層次和高層次特征之間的連接。

預測端（Prediction）：最終的預測部分使用得到的特征圖來預測對象的類別和位置。這里用到了例如GIoU Loss的損失函數，該損失函數在訓練過程中用來測量預測框和真實框的一致性，幫助模型更準確地定位對象。

架構圖還包含不同的層和操作，如卷積層（Convolutional layer）、批量歸一化（Batch Normalization，BN）、激活函數（如ReLU、Leaky ReLU）、殘差連接等。這些元素共同工作，最終構成了YOLOv5網絡，實現圖像類別識別和邊界框預測。

（3）步驟3，模型轉換。該步驟將訓練好的深度學習模型轉換為OpenMV可用的格式。OpenMV支持的模型格式通常是Caffe或TensorFlow Lite。根據OpenMV的文檔和要求，將模型轉換為對應的格式。例如，使用TensorFlow Lite的轉換工具將模型轉換為.tflite格式。

（4）步驟4，部署和使用模型。該步驟將轉換后的模型文件（.tflite文件）和相關的配置文件復制到OpenMV開發板上。編寫OpenMV的Python腳本，加載模型并進行目標檢測。通?？梢允褂肙penMV提供的tf.classify或tf.detect模塊來實現這一步驟。

利用深度學習技術中的卷積神經網絡（Convolutional Neural Networks，CNN）進行海上目標的檢測。CNN可以自動學習圖像特征，并在訓練過程中不斷優化模型，使用包括卷積層、池化層和全連接層在內的多層網絡結構，通過反向傳播算法進行參數的訓練和更新，從而提高檢測的準確率和效率。

3 實驗與結果分析

3.1 模型評估

在實驗中，本文使用精度（Precision）作為評價標準之一來評估模型的性能。Precision表示正確檢測到的目標數量與總目標數量之比，高Precision代表模型的性能較好。除此之外，本文還采用均值平均密度（mAP）作為評價標準，mAP綜合考慮了Precision和Recall，其值趨于1表示模型的性能較好。此外，本文還評估了模型的大小和檢測速度，確保滿足實時要求。實驗結果表明，檢測準確率在95%以上，且具有良好的實時性。

3.2 實驗結果

在實驗中，本文使用YOLOv5模型對海洋物體進行分類［5-6］。模型能夠準確地識別并界定集裝箱船、軍艦、漁船等多種船舶類別，展示了針對復雜海洋環境中各類船只有效檢測的能力。模型對海上目標檢測結果如圖2所示。在標注結果中可以看到，模型對特定對象類別（如浮標和軍艦）的識別情況，證明了模型的泛化能力和對不同類別的敏感性。實驗結果證明了模型不僅在靜態圖像中表現出色，還在不同天氣和光線條件下保持了良好的性能。在未來的工作中，研究將進一步收集更多樣化的數據，并優化模型以增強其對小型或部分遮擋對象的檢測能力。

4 結語

本文提出了一種基于OpenMV的海上目標檢測系統的設計方案，利用OpenMV進行視覺識別和海上目標檢測，高效準確地識別和定位海洋中的特定目標，具有在海洋環境下穩定運行的能力，可用于監測船只、浮標等物體。研究工作對推進海上船舶小目標檢測領域發展具有積極意義，不僅提供了一種有效的解決方案，還為未來的研究和應用實踐指明了方向。未來，研究者可以進一步優化設備的性能和功能，以滿足海上監測的需求，提高深度學習技術在海上目標檢測的適應度，對于維護海上交通安全和監控海洋環境將發揮重要作用。

參考文獻

［1］沈豐毅，王琴，蔣劍飛.基于改進卷積神經網絡艦船的實時目標檢測算法［J］.計算機應用研究，2020（增刊1），316-319.

［2］劉祚時，許志良，張平．基于OpenMV輔助進食機械手人臉檢測算法研究［J］．傳感器與微系統，2021（1）：39-4145.

［3］江達飛，徐中貴．基于OpenMV的零件缺陷檢測系設計［J］．河南科技，2020（10）：58-59.

［4］秦曉輝，黃啟東，常燈祥，等．基于改進YOLOv5的露天礦山目標檢測方法［J］．湖南大學學報（自然科學版），2023（2）：23-30.

［5］石文豪，安博文.基于多結構形態學的港口船舶檢測方法［J］.計算機系統應用，2016（10），283-287.

［6］易華輝，宋文治，黃金香，等.基于改進YOLOv5的無人機小目標檢測方法研究［J］.機電工程技術，2023（2），139-144.

（編輯 沈 強）

Design of offshore target detection system based on OpenMV

WANG" Yisen， LYU Shaocheng， WU" Yang

（School of Intelligent Equipment Engineering， Wuxi Taihu University， Wuxi 214064， China）

Abstract： Offshore target detection technology plays an important role in marine monitoring， marine rescue and military applications. In this paper， a set of offshore target detection system based on OpenMV module and control module is designed. The system can collect and process images in real time to realize efficient and accurate identification， positioning and early warning of small and medium-sized targets in marine environment， so as to improve the efficiency and accuracy of marine safety monitoring. Specifically， the system uses deep learning framework to detect marine vessels and other targets in real time， breaking through the limitations of traditional target detection technology in efficiency and performance， and successfully deploying the model to the OpenMV platform. The experiment proves the validity of the detection scheme.

Key words： offshore target; OpenMV; convolutional neural network; detection

基金項目：2023年江蘇省大學生創新創業項目；項目編號：202313571003Z。

作者簡介：王奕森（2002— ），男，本科生；研究方向：深度學習，機械電子工程。