DIR-YOLOv11:一种基于特征增强与动态感受野卷积的水下目标检测算法

《Aquaculture International》:DIR-YOLOv11: an underwater target detection algorithm based on feature enhancement and dynamic receptive field convolution

【字体: 大 中 小 】 时间:2026年07月08日 来源:Aquaculture International 3.5

编辑推荐:

  摘要在智能水产养殖系统中,准确的水下物体检测具有重要意义,它可用于鱼类监测、喂食管理以及自动水下检测。然而,由于光线衰减、颜色失真、噪声干扰以及水波散射等因素,水产养殖环境中的水下图像往往存在模糊、对比度低以及结构细节受损的问题。这些缺陷会大幅降低传统检测算法的效率,增加复杂水环

  

摘要

在智能水产养殖系统中,准确的水下物体检测具有重要意义,它可用于鱼类监测、喂食管理以及自动水下检测。然而,由于光线衰减、颜色失真、噪声干扰以及水波散射等因素,水产养殖环境中的水下图像往往存在模糊、对比度低以及结构细节受损的问题。这些缺陷会大幅降低传统检测算法的效率,增加复杂水环境中的误报和漏报风险。为解决这些问题,本研究基于YOLOv11n提出了一种优化后的水下物体检测框架——DIR-YOLOv11。首先,该框架用DualConv模块取代原有的C3K2结构,以实现更连续的特征表示,并提升对具有区分度的目标特征的提取能力。其次,在检测层中引入iEMA注意力机制,用于处理小型物体,增强模型在密集或被遮挡场景中对关键特征的响应能力。此外,还在网络的中间层用RFAConv动态卷积替代传统卷积,从而自适应地构建感受野,更好地捕捉局部区域和变形目标。最后,引入Shape-GIoU边界框回归损失函数,以解决无重叠情况下的梯度不连续问题,提升目标形状一致性的建模效果。在URPC2018和DUO水下数据集上的实验结果表明,DIR-YOLOv11在URPC2018数据集上的mAP50值为80.5%,mAP50:95值为45.5%,分别比YOLOv11n基准模型提升了3.6%和3.4%;在DUO数据集上,其mAP50值为83.3%,mAP50:95值为62.1%,分别比基准模型提升了3.1%和2.7%。同时,该模型的推理速度可达135 FPS,展现出在水产养殖监测和水下检测系统中实现实时应用的巨大潜力。

在智能水产养殖系统中,准确的水下物体检测具有重要意义,它可用于鱼类监测、喂食管理以及自动水下检测。然而,由于光线衰减、颜色失真、噪声干扰以及水波散射等因素,水产养殖环境中的水下图像往往存在模糊、对比度低以及结构细节受损的问题。这些缺陷会大幅降低传统检测算法的效率,增加复杂水环境中的误报和漏报风险。为解决这些问题,本研究基于YOLOv11n提出了一种优化后的水下物体检测框架——DIR-YOLOv11。首先,该框架用DualConv模块取代原有的C3K2结构,以实现更连续的特征表示,并提升对具有区分度的目标特征的提取能力。其次,在检测层中引入iEMA注意力机制,用于处理小型物体,增强模型在密集或被遮挡场景中对关键特征的响应能力。此外,还在网络的中间层用RFAConv动态卷积替代传统卷积,从而自适应地构建感受野,更好地捕捉局部区域和变形目标。最后,引入Shape-GIoU边界框回归损失函数,以解决无重叠情况下的梯度不连续问题,提升目标形状一致性的建模效果。在URPC2018和DUO水下数据集上的实验结果表明,DIR-YOLOv11在URPC2018数据集上的mAP50值为80.5%,mAP50:95值为45.5%,分别比YOLOv11n基准模型提升了3.6%和3.4%;在DUO数据集上,其mAP50值为83.3%,mAP50:95值为62.1%,分别比基准模型提升了3.1%和2.7%。同时,该模型的推理速度可达135 FPS,展现出在水产养殖监测和水下检测系统中实现实时应用的巨大潜力。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号