基于多尺度边缘信息选择的轻量级水下物体检测方法
Shaobin Cai1, Xin Zhou2, Wanchen Cai3
1College of Informaton Engineering, Huzhou University, Huzhou, 313000, Zhejiang, China. caishaobin@zjhu.edu.cn.
Scientific reports
|July 29, 2025
概括
这项研究介绍了MAW-YOLOv11,一种轻量级的水下物体探测器,可以增强海洋生物多样性分析. 它在具有挑战性的水下条件下提高了检测准确性和效率,优于现有的YOLOv11模型.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 图像处理 图像处理
背景情况:
- 水下物体检测对于海洋生态系统监测至关重要,但面临着由于照明,扭曲和噪音造成的图像质量差等挑战.
- 水下设备的有限计算资源阻碍了视觉数据的高效处理.
- YOLO算法通常用于水下物体检测,但为了稳定性和效率需要改进.
研究的目的:
- 提出一种新的轻量级水下物体检测模型MAW-YOLOv11,旨在提高海洋环境中的准确性和效率.
- 通过结合多尺度边缘信息选择和优化处理技术来解决现有的水下检测方法的局限性.
- 为了改善检测关键的水下目标,尽管图像质量下降.
主要方法:
- 使用黑暗通道之前的图像dehazing和清晰度提升.
- 引入了一个多尺度边缘信息选择 (MSEIS) 模块和C3kMSEIS模块来提取和选择多尺度边缘特征.
- 集成了一个ADown下载采样结构以减少计算负载,并使用WIoUv3损失来改进低质量样品的处理.
主要成果:
- 在URPC数据集中,MAW-YOLOv11模型实现了81.4%的平均平均精度 (mAP),比YOLOv11.11提高了2.1%.
- 该模型的降低参数数量为2.11M,比YOLOv11少0.47M,表明效率有所提高.
- 对比实验证实了MAW-YOLOv11的有效性和优越性,与其他主流物体检测算法相比.
结论:
- MAW-YOLOv11在水下物体检测准确性和效率方面取得了显著的改进.
- 拟议的多尺度边缘信息选择和优化技术有效地解决了水下成像的挑战.
- 这种轻量级的模型提供了一个有前途的解决方案,用于强大的海洋生物多样性监测和有限资源的水下勘探.
