基于改进YOLOv8s的水下目标检测方法

摘要

针对水下环境存在的色偏、细节模糊以及水下目标存在多尺度和遮挡等问题，提出了一种改进YOLOv8s的水下目标检测算法SLG-YOLOv8s。首先，通过Shallow-UWnet网络对水下图像进行增强，提高图像的对比度和清晰度；其次，提出了轻量化多尺度全局注意力(lightweight multi-scale global attention, LMGA)模块，将此模块与YOLOv8s主干部分的C2f融合，通过动态调整权重进行特征重标定，加强特征表达能力，减少计算量；最后，通过聚集和分发(gather-and-distribute, GD)机制采用跨层特征融合的方式增强中间层的信息融合能力，从而提升模型对多尺度目标的检测效率。实验结果表明，SLG-YOLOv8s算法的平均精度均值达到了95.1%,与YOLOv8s算法相比平均精度均值提升了5.1%,精确率和召回率分别提升了4.5%和5.2%,IoU为0.5时海参、海胆、海星、扇贝检测的平均精确率分别提升了4.3%、5.3%、5.6%、5.5%,研究结果可为水下机器人精准捕捞提供重要依据。

关键词

水下目标检测 / YOLOv8s / Shallow-UWnet / 跨层特征融合