电动自行车/电动摩托车已成为国内主要的短途代步工具。据统计，截止到2020年，中国市场保有量已经超过3亿辆。

电动车电池是电动车上的动力来源，电动车上绝大多数装的是铅酸蓄电池。而锂电池相比铅酸电池具有更高的能量密度和性价比，在新国标的驱动下，将成为电动两轮车的主流电池技术，但不可忽视的是，相比铅酸电池，锂电池的危险性更高，若不谨慎对待，很容易发生失火、爆炸等危险事件，这也对电动单车BMS解决方案提出了更高的要求。

STM32U5是STM32高性能低功耗系列的旗舰产品，它延续STM32F2/F4/F7的应用范围，同时又有更低的能耗，更高的可靠性和性价比，是适合电动单车BMS系统的理想解决方案。

STM32U5具有很好的外设集成度。14位、12位的ADC配置，DAC，运放，比较器等丰富的模拟外设，配合2个高级电机控制定时器和多个通用定时器能很好满足工业控制中对电机控制部分的需求。

在工业总线接口方面，STM32U5内置了FD-CAN外设，也可以很方便进行外扩，例如通过FSMC外扩FPGA而实现更复杂的总线等。丰富的串行通信外设接口也方便进行传感器采集、工业组态显示屏等的扩展。STM32U5内置2MB 双Bank Flash，768KB RAM丰富的资源，对应用开发非常友善，方便功能升级。100K次可擦写的512KB Data Flash及方便外扩存储的O-SPI接口等也为现场数据的实时存储记录提供了实现方案。

• 高性能

STM32U5低功耗微处理器中无与伦比的性能可帮助电动单车构建强大的BMS管理系统。

高性能是STM32U5的第一个关键词。STM32U5内搭Cortex-M33 内核，相对Cortex-M4性能提高20%以上；主频160MHz，使STM32U5系列能达到240DMIPS和651Coremark的性能评分，而同样采用Cortex-M33内核的上一代产品STM32L5主频为110MHz。

为了进一步增强性能，STM32U5还集成了数学运算加速器（三角函数以及数字滤波加速器CORDIC和FMAC），实现数字信号处理功能加速同时减轻CPU负载，在电机驱动应用实例中，可以将控制环路速度提高12%。

STM32U5还集成了用于优化内、外部存储上指令与数据吞吐速度的Cache（8 kB指令Cache，4kB数据Cache）和Art加速器以及用于图形处理加速的Chrom-Art，以实现更流畅更高颜值的图形显示界面。

STM32U5的存储空间也进一步扩大。其Flash目前支持1MB至2MB。同时，Flash中包含512KB具有100K次擦写保证，为用户数据反复保存提高可靠性。而SRAM配备768KB，并且支持ECC，满足关键安全应用。同时，STM32U5还配备了存储控制器接口FSMC，以及OctoSPI，支持更灵活的外部存储扩充。

• 低功耗

为了使设备更快进入工作状态，无人机在未使用，或电动车停止状态下时，系统并不是完全断电状态，这时候减少电流的损耗就非常重要。人们经常遇到电动车/无人机在充满电状态下，因为长时间未使用，当再次使用时却发现电池没电了，或电动车电池因长时间未使用而出现过放，最终无法充电。

而使用高性能低功耗MCU 可以精准控制电池工作状态，减少电池在未使用时的电能损耗，延长整个电池的使用时间，减少充电次数，避免出现上述情况。

STM32U5具有先进且灵活的低功耗设计，通过多种功耗模式+更多省电小技巧实现超低功耗特性：

• 内置SMPS降低内核电压

• 微秒级功耗模式切换

• SRAM支持分区保存

• 内置Flash上的低功耗模式

• Power down模式 (-40μA per bank), 5 μs 自动唤醒

• Low-power模式，-45μA，降低读取速度

BMS信息安全需求

新国标对电动自行车的技术要求作了较大调整：

• 增加了防篡改要求，防止产品出厂后被违规改装；

• 预测性维护，通过NonaEdge ai/Cubeai 预测电池组合适需要维修或更换。

• 更高的性能以及更大的Flash/RAM 资源，适合运行Azure OS/ RT-Threat OS 操作系统

STM32U5提供更强大的安全设计，包括核心代码的保护和信息传输的安全保护，层层安全，只为保护用户的创新设计。

STM32U5作为第二个Cortex-M33内核带TrustZone的低功耗MCU，相比前一代的L5，在性能、功耗、处理能力等方面都做了大幅度升级，在安全性上也更上一层楼：

• 在系统隔离方面延续TrustZone架构，实现了更全面系统隔离机制；

• 加解密引擎上除了同样支持对称加密算法、公钥算法加速器、HASH和真随机数硬件外，还增加了安全AES模块，升级PKA，从硬件上能够抵御DPA一类的侧信道攻击；

• 在芯片生命周期管理方面，对读保护机制也做了改进；同样支持BOOTLOCK功能，保证启动入口的唯一性；

• 存储保护方面，除了保持L5已有的功能，例如RDP，HDP，MPU，OTFDEC等等，还增加了写保护锁功能，可以将部分FLASH ROM化；

• 包含防入侵检测功能，能够对设备开盖攻击，对芯片运行环境如电源温度、时钟等的侵扰进行防护，同时还增加了对Backup寄存器的保护区功能；

• 在信任根的部分，STM32U5也提供以TF-M为参考实现的安全启动和安全升级，并经过了第三方安全认证，取得PSA和SESIP安全认证的 Level3证书；也支持安全烧录SFI功能；

• 支持基于HUK硬件的密钥安全存储机制。

随着遥感、通讯技术的迅速发展，微小无人机的设计逐步被深究。小型无人机由于其高度灵活机动性、信息化强、适应恶劣环境等优势，近几年在军事、高空拍摄、农业等领域有着广泛的应用，通过搭载在机体上的各类传感器单元获取所需的数据信息，如图像的采集，能够对特定特殊环境进行有效的勘察。但目前，无人机的地面控制站主要使用功耗高、体积大的PCI总线采集技术，一定程度限制了无人机的高度灵活性等优点。因此，以32位ARM微处理器为核心、DM368作为协处理器，设计出一种基于嵌入式的实时性强、数据传输和处理速度快的无人机勘察系统。

1 系统功能架构

无人机系统的设计由飞行控制系统、无线通信系统、地面控制站三大遥感技术组成，飞行过程包括飞行器的起飞、飞行轨迹、任务处理和回收等过程，其中飞行控制系统是本系统设计的核心。图1为无人机勘察系统的总体结构图。图中传感器单元由陀螺仪、GPS等组成，采用无线射频模块XT09-SI负责将采集到的信息传输到地面控制站并传达地面控制站的控制指令，形成飞行控制-飞行管理-飞行任务实施，完成无人机的信息接收、信息处理、信息输出的功能，实现智能化、网络化。

2 系统硬件设计

本系统围绕着以以ARM为内核的S3C2410搭建起主控制处理模块，采用小型的CCD摄像机和DM368视频协处理组成对音频和视频的采集，无线射频模块XT09-SI作为数据的传输和接收通道的媒介，在无人机飞行器上搭载GPS、陀螺仪、磁航向等多种传感器单元，实现对不同数据的精确采集和改变飞行轨迹等功能。

2.1 数据传输模块

数据的采集和传输及接收是无人机系统设计的复杂部分，为了有利于系统后期的功能拓展和硬件维护，采用模块化的设计。采用XT09-SI无线射频模块作为该电路的数据传输模块。该无线传输模块与微控制器的电路接口采用串行通信原理，硬件连接示意图如图2所示。数据间通信使用标准的RS-232接口，并设计高速光耦隔离6N137模块对电路提高抗干扰能力，通过接收地面控制站的指令，完成无人机的飞控的控制、数据采集和发送等功能。

2.2 图像视频传输模块

DM368模块是基于ARM 926EJ处理器的低功耗数字多媒体处理芯片，DM368模块采用的是完成符合PAL制式视频标准，可接Flash Memory或者FPGA等设备，支持H.264、MPPEG4等图像编码技术，芯片内部集成32 k RAM、16 kROM、丰富的外部接口等资源，集图像和音频采集于一体，可以稳定高效的管理数据通信、视频压缩编码等任务。由于视频数据在发射端和接收端会存在偏差，为了减少误差，需对H.264帧图像压缩编码算法进行优化。常用的H.264处理方法有对编码纹理负责区域的4×4像素和区域平坦的16x16像素两种算法，帧的预测可以看成是由简单的加法和移位运算来减少预测模式从而提高编码的效应。16x16像素预测模式由垂直预测、水平预测、DC预测以及平面预测4种模式，4种模式的函数为：

本系统对图像的帧算法通过对16x16像素预测编码采用加法器和移位器运算，对计算方程进行优，减少数据占用空间，使视频传输效率提高。采用的算法如下：

2.3 主控制器模块

无人机勘察系统的主控制器选用具有高性能、低功耗32位内核S3C2410，工作频率最高可达到266 MHz，拥有高效的信号处理能力，片上集成丰富的资源，高达24个外部中断源，能够满足多路中断处理，提高处理器的资源利用率，3路URAT，I2C、PWM、SPI等多路通信接口，片外存储器的接口拓展有Nor Flash、SDRAM，通过总线方式与微处理器相连，拓展储存数据空间，并且具有高数据传输的DAM通道。S3C2410芯片通过SPI接口和RS-232接口与XT09-SI无线模块以及其他传感器单元模块进行数据的交换。

3 软件设计

无人机勘察工程中，地面控制站对无人机的控制方式有手动航模操作、遥控指令控制、程序预定控制等操作，操作系统要求满足能够管理多任务和判断优先级。在目前的嵌入式操作系统中有Linux、UC/OS、UC/GUI等多种，都具备各自的优势。无人机勘察系统要求软件的编写可靠、简单易操作，因此，本系统的软件设计采用可管理64个实时多任务内核的UCOSII。要实现对无人机的飞行控制，软件编程的重点在于对UC/OS操作系统的体系结构拓展，建立起RTOS实时操作系统。以下是操作系统的部分示意代码。

4 系统测试

地面监控平台是这个系统设计的重要部分，监控中心上位机采用Qt开发，通过Socket编程，实现上位机和无人机控制程序之间能够双向通信，实时接收无人机采集到的信息和发送控制指令，完成所需的飞行任务。地面监控平台能过得到无人机采集到各类传感器单元的数据，并实时在窗口显示出来。本次实验让无人机进行简单的飞行测试，系统能够及时响应。图3是监控系统接收到的部分信息。

5 结束语

文中设计了基于嵌入式的无人机勘察系统，通过引入UC/OS实时内核，能够完成数据的采集、传输和处理，运用DM368视频协处理对高压缩率的H.264标准的图像进行压缩编码，可采集并传输稳定、高速实时勘察到的图像和音频。整体绕着ARM构成的微控制器运转、具有低功耗、数据处理速度高效等特点，随着嵌入式和传感器的不断发展，无人机勘察将在军事、高空拍摄、农业等领域得到更好的发展与应用。

来源：电子设计工程

摘 要： 无人机的广泛运用，在给人们带来便利的同时，也引发了不良影响。比如，无人机飞入禁飞区引发安全问题，由于不正当的使用侵犯公民的隐私等，因此需要构建一个无人机警察系统，对无人机实施监控，遏制乱飞现象。采用传统的识别方法，灵活性不足，精度也不够高。为此提出一种基于深度学习的无人机识别算法，通过训练一个基于卷积神经网络（CNNs）的学习网络，得出一个高效的识别模型，实现无人机和非无人机间的分类。模型的测试结果表明，该方法具有较高的识别率。

引言

无人机技术的发展十分迅速。从美军无人机的使用，到现在无人机在研究、民用等多方面的普及，无人机已成为一种新的潮流[1-2]。随之而来也带来很多新问题，此前无人机险撞战机事件的发生，就给人们敲响了警钟。因此，无人机警察系统的搭建势在必行。本文的研究重点为：建立视觉传感网，用于无人机的图像捕捉和信息存储；引入深度学习对无人机进行识别，及时发现“黑飞无人机”，并采取相应报警措施，实现对无人机的全面监管。

1、视觉传感网

整个视觉传感网（Visual Sensor Networks，VSNs）由多个节点组成，每个节点都将由摄像机阵列构成，这将作为整个系统的基础部分[3]，如图1。

城市环境下一个节点的安置示意图如图2。

为了减轻对居民的干扰，可以修改摄像机焦距参数，从而限制摄像机的拍摄范围。通过多台摄像机交叉覆盖，成功地将中间的空地区域全方位地纳入监控之中。

考虑到多节点所提供的庞大数据量以及优化控制结构的需要，将数据网络设计成三层结构。位于最底层的第三层由数量不等的节点构成一系列簇组成，每个簇内的节点统一将数据发往一台次级处理服务器。整个网络内的次级处理服务器构成网络的第二层，将数据送往位于第一层的中央高级服务器。

2、基于深度学习的图像识别中心

无人机警察系统中关键组成是图像识别中心，其任务是将视觉传感网中的图像信息进行分析和处理，从图像中识别出无人机，从而实现对无人机的监控，属于目标识别领域。目前这一领域已经有了大量的优秀成果出现。最常见有行人检测问题，可用的特征包括：Haar、HOG、CSS、LBP等多种，这些特征表达了人体的各个重要部分，并且充分考虑了遮挡等情形。王晓刚和欧阳万里更提出了基于深度学习的行人检测手段，通过联合学习行人检测中的4个重要组成部分——特征提取、人体部件形变处理、遮挡处理和分类，最大化了各自的作用[4]。他们在传统的卷积神经网络的基础上，加入了形变处理层，最终习得的特征具有很强的判别力，优于HOG等特征。王晓刚团队的方案，是深度学习在目标识别领域的成功应用，给本文的研究提供了研究参考。再比如人脸识别问题[5-6]，则具有更复杂的变化，因为人脸受种族、肤色、表情、情绪、光照环境、物体遮挡等众多因素的影响。推广到各种特定物体的识别乃至场景识别、深度学习也有很多方案[7]。由于无人机警察系统中图片信息量丰富，且无人机的飞行状态多样，因此识别难度较大。为此，本文将引入深度学习算法，并以卷积神经网络作为图像识别中心。

2.1 卷积神经网络

2006年，Hinton等人首次提出深度学习的概念[8]，并开启了深度学习的研究浪潮，其认为：多隐层的人工神经网络能够更好地模拟人脑的思考过程，具有更加优异的学习能力，能够对数据进行更本质的刻画，从而提高可视化或者分类的能力。

卷积神经网络是深度学习中第一个真正多层结构学习算法，其在图像识别领域优势明显。它利用感受野、局部连接等概念极大地减少了参数量，降低了网络模型的复杂度，提高了训练效率，且网络对于平移、缩放的各种变形都具备高度不变性。

卷积神经网络属于前馈多层神经网络的一种，每层由多个二维平面组成，多个神经元组成了每个平面，其结构如图3所示。

卷积神经网络利用了一系列的卷积层，降采样层构建了多层网络，来模拟人脑感知视觉信号的逐层处理机制，从而提取图像的多层次特征。

通过加入卷积层，可以实现局部连接网络，有效减少了需要训练的网络参数。例如，对一张大的图片输入，其尺寸为r×c，随机采样为a×b的小图片，如果隐含节点为k个，那么最终学习到的特征数为：

卷积神经网络利用了一系列的卷积层，降采样层构建了多层网络，来模拟人脑感知视觉信号的逐层处理机制，从而提取图像的多层次特征。

通过加入卷积层，可以实现局部连接网络，有效减少了需要训练的网络参数。例如，对一张大的图片输入，其尺寸为r×c，随机采样为a×b的小图片，如果隐含节点为k个，那么最终学习到的特征数为：

池化层是为了解决网络输出维数过大、造成分类器难以设计的问题。同样是根据统计结果的相似性原理，池化操作对卷积得到的结果进行统计计算，减少了需要训练的系统参数。

权值更新采用BP反向传播算法。反向传播的误差可看做每个神经元的基的灵敏度（即误差E对基b变化率的偏导函数），然后利用以下关系式：

最后的分类应用了Logistic Regression扩展的一种多分类器：Softmax Regression。其系统方程及系统损失函数分别为：

2.2 基于深度学习的无人机识别流程

由于视觉传感网获得的一系列图像中，关注的对象可能只占其中的一小部分像素区域，又由于对象具有运动性，故在识别中心操作之前将采取帧差法提取感兴趣的对象，作为算法的正式输入[10-11]。二帧差法基本原理如下：

其中i(t)、i(t-1)分别为t、t-1时刻对应像素点的像素值，T为阈值。

基于深度学习卷积神经网络的无人机识别流程如下所示。

步骤一：数据预处理

(1)帧差法提取目标区域；

(2)数据格式转换；

(3)预定义标签；

步骤二：深度网络训练、测试

(1)构建卷积神经网络，确定网络层次结构和权重参数等；

(2)数据依次进入卷积层、池化层、全连接层，进行计算；

(3)采用Backpropagation Pass反向传播，进行参数调整；

(4)当误差满足或者迭代次数满足时，网络停止训练，进入Accuracy层计算准确率并输出（只在测试阶段执行，训练时不执行）。

3、识别性能与结果分析

首先构建了视觉传感网，设置了2个节点，目前系统仅限于白天工作。

输入2 848张图片进行训练，基础学习率设置为0.001，迭代5 000次后获得的模型用于之后的测试分析。测试时输入712张图片，模型正确分类的情形共有634例，可得：

由于目前无人机识别方面没有其他现成的模型可供比较，因此本文分析了ROC曲线参数。在信号检测理论中，接收者操作特征（Receiver Operating Characteristic，ROC）是一种对灵敏度进行描述的功能图像，该图像称为ROC曲线。应用ROC曲线来表示分类器的性能非常直观。同时为了定量且简洁地表达这种性能，Area Under roc Curve(AUC)被提出。AUC的值等于ROC曲线正下方的面积，AUC的数值越大，分类器的性能越好。图4表示的是与ROC曲线绘制相关的一些量，依次为TP（True Positive）、FP（False Positive）、FN（False Negative）、TN（True Negative）。

在随机分类模型，对于任一样本输入，模型对其的预测score是完全随机的，假设预测score落在区间[0，1]上，则预测概率数学表达为：

因此本文的ROC曲线图结果如图5所示。图中整个曲线越向点（0，1）逼近，模型的性能就越好。

4、结论

本文较好地将深度学习的方法应用到了无人机警察系统这个新颖的概念上，对无人机的识别率比较高。在网络结构的设计上，可能存在冗余，导致模型收敛速度不够快，训练效率有所损失。后期将继续对网络结构的进行研究，希望能够进一步提高模型的质量，并使其具有更广的适应性。

参考文献

[1] 闫玉巧.面向无人机的自动检测系统设计与实现[D].西安：西安电子科技大学，2011.
[2] 胡占双.无人机飞行姿态检测及控制研究[D].沈阳：沈阳航空航天大学，2013.
[3] AHMAD N.Modelling and optimization of sky surveillance visual sensor network[D].Mid Sweden University，2012.
[4] OuYang Wanli，Wang Xiaogang.Joint deep learning for pedestrian detection[C].ICCV，2013.
[5] Li Ming，Yu Chengyang，Nian Fuzhong，et al.A face detection algorithm based on deep learning[C].IJHIT，2015.
[6] Nagpal Shruti，Singh Maneet，Singh Richa，et al.Regularized deep learning for face recognition with weight variations[J].IEEE Access，2015，3：3010-3018.
[7] Yuan Yuan，Mou Lichao，Lu Xiaoqiang.Scene recognition by manifold regularized deep learning architecture[J].IEEE Transactions on Networks & learning，2015，16(10)：2222.
[8] HINTON G E，SALAKHUTDINOV R R.Reducing the dimensionality of data with neural networks[J].Science，2006，313：504-507.
[9] SAXE A M，KOH P W.On random weights and unsupervised feature learing[C].International Conference on Machine Learing，2011：1089-1096.
[10] 王鑫.检测不规则图形的改进广义Hough变换[D].北京：首都师范大学，2012.
[11] 唐俐勒.视频监控中运动图像检测与测距技术的研究[D].西安：西安科技大学，2010.

蒋兆军1，成孝刚2，彭雅琴3，王 俊1，李 智2

(1.无锡职业技术学院 汽车与交通学院，江苏 无锡 214121；
2.南京邮电大学 通信与信息工程学院，江苏 南京210003；
3.三江学院 计算机科学与工程学院，江苏 南京 210012)