农业工程学报

作者：刘雨亮,熊炜,宋海娜,

关键词：深度学习, 目标检测, 卷积神经网络, 底栖生物, YOLO, 多尺度

基金：42

为解决海洋底栖生物目标因边缘细节不易捕捉、尺度变化剧烈及小目标密集分布等特性，导致现有检测算法在复杂海底环境中的识别精度受限问题，该研究提出一种基于改进YOLOv11n的海洋底栖生物检测方法YOLOv11n-MBOD（marine benthic organism detection）。首先，引入并组合上下文引导下采样（context guide block downsampling, CGDown）模块与改进的可变形自适应融合下采样（deformable adaptive fusion downsampling, DAFDown）模块，构成分层式的协作下采样机制，旨在强化模型对小目标及不规则形状的特征学习能力。其次，为提升模型对局部细节与边缘轮廓的捕捉精度，设计轻量化的重参数渐进式卷积模块（reparameterized progressive convolution block, ReProBlock）。此外，还提出一种任务感知交互检测头（task-aware interactive head, TAI-Head），其通过促进定位与分类任务间的信息交互，实现对复杂特征的深度理解与补偿。最后，引入归一化Wasserstein距离（normalized Wasserstein distance, NWD）与加权最小点距离交并比损失（weighted minimum point distance intersection over union, Wise-MPDIoU）构成的复合损失函数，以提升最终预测框的定位精度与稳定性。结果表明，YOLOv11n-MBOD模型的精确度、召回率及平均精度均值（mAP50），相较于基线模型（YOLOv11n）分别提升1.5、2.6和2.6个百分点，参数量仅为2.37 M，优于主流的深度检测算法。可视化结果证明，YOLOv11n-MBOD在实际检测中表现优异，能够有效应对复杂多变的海底环境。该研究提出的方法有效提高了海底目标的检测精度，可为水产养殖自动化及海洋生态监测提供有力的技术支持。/

来源：2026年第7期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第7期