计算机工程

作者：谢鑫刚, 芦照烜, 梁静坤

单位：1. 中国海洋大学三亚海洋研究院, 海南 三亚 5720002. 海南热带海洋学院崖州湾创新研究院, 海南 三亚 5720003. 福建理工大学交通运输学院, 福建 福州 350118

关键词：目标检测,水下图像,YOLO算法,软珊瑚,轻量化

基金：国家重点研发计划(2021YFF0704004); 海南省自然科学基金(520SM059); 海南省科技创新联合项目(2021CXLH0002); 三亚繁星科技专项(2024FXKJ024); 三亚重大科技专项(ZDKJ-SY-2020-001)

气候变化和海洋污染导致珊瑚礁退化, 珊瑚自动检测成为海洋生态系统监测的迫切需求, 水下珊瑚检测任务中图像对比度低、珊瑚形状复杂和生长密集等问题限制了通用检测算法的性能。针对上述问题, 提出一种基于YOLO架构的软珊瑚检测模型CoralDet。首先, 设计多路径融合模块(MPFB)来捕捉多个尺度的珊瑚特征, 针对水下不均匀光照和图像模糊现象提高模型的鲁棒性, 同时通过重新参数化来提高推理效率。其次, 引入GSConv和VoV-GSCSP轻量级设计组件, 可在不牺牲性能的情况下降低计算成本。引入一种自适应幂变换(APT)标签分配策略来动态调整锚点匹配度量, 并且使用软标签和软中心区域损失以使模型专注于高质量、对齐准确的预测。最后, 在soft-coral数据集上对CoralDet进行评估, 推理延迟仅为9.52 ms, 均值平均精度(mAP@50)达到81.9%, 超过了YOLOv5的79.9%、YOLOv6的79.4%、YOLOv8的79.5%、YOLOv9的78.3%、YOLOv10的79.5%、MambaYOLO的80.1%和RT-DETR的81.6%, 并在Coral-lwptl数据集上进行了泛化实验, CoralDet在多个关键指标上均优于MambaYOLO、YOLOv8和YOLOv10等传统模型, 结果证明了CoralDet在水下珊瑚检测方面的有效性和实用性。

来源：2025年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第12期