融合多尺度信息的水下目标检测算法研究

摘要

水下目标检测在海洋探测中起着至关重要的作用。然而，传统的水下目标检测方法在复杂水下环境中面临诸多挑战，例如特征提取不准确、小目标检测效果差以及缺乏鲁棒性等问题。为了克服这些局限性，提出了一种适用于复杂水下环境的目标检测模型EEN-YOLO。首先，所提模型在YOLOv7网络的基础上引入了EVC模块，通过并行学习，将底层特征与深层特征沿着通道维度相连接，扩大了感受野，从而解决特征提取精度差的问题。其次，在检测头中增添Elan-Neck++结构，通过该结构中下采样模块提高了小目标检测精度。最后，采用NWD损失函数替换原模型中的CIoU损失函数，解决了原模型无法正确度量小目标边界框的问题，从而提高了模型训练精度和鲁棒性。在公开水下数据集URPC上进行的实验验证了所提模型的有效性。结果表明，改进后的EEN-YOLO模型平均准确率达到88.3%,相较于原YOLOv7、YOLOv8n、EfficientDet-d0以及SSD模型，分别提升了3%、4.5%、7.8%和13.1%。这充分证明，EEN-YOLO在复杂水下场景中更准确、更稳健的目标检测性能。

关键词

水下目标检测 / YOLOv7 / 特征融合 / 损失函数 / Elan-Neck++ / URPC

基金资助

国家自然科学基金项目(62276117); 高端外国专家引进计划(G2023014110)