基于YOLOv11n-MBOD的海洋底栖生物检测算法OA

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。