一种适用于复杂海洋环境的轻量级且高效的船舶检测模型

《Applied Ocean Research》：A lightweight and efficient ship detection model for complex maritime environments

针对港口及近海复杂场景下船舶检测存在的目标重叠、多尺度差异和计算效率问题，本文提出MSM-YOLOv8模型。通过融合CBAM和EMA注意力机制提升多尺度特征提取能力，采用MPDIoU损失函数优化重叠目标检测精度，并设计轻量级slim-neck结构降低计算复杂度。实验表明，在Seaships和ABOships数据集上，模型mAP@50达98.2%，mAP@50-95达77.6%，较基线YOLOv8n提升3.4%，且参数量减少18.3%的同时保持实时性能。

　　船的检测在港口及周边海域具有重要的现实意义，因为这些区域通常存在复杂且密集的交通状况，以及多种尺寸的船舶。传统的检测方法在处理这些挑战时常常面临性能不足的问题，特别是在目标重叠和尺度变化较大的情况下。为了解决这些问题，本文提出了一种基于YOLOv8n的改进船检测方法，称为MSM-YOLOv8。该模型通过引入注意力机制、优化损失函数以及设计轻量级的网络结构，提升了检测的准确性与效率，同时保持了较高的实时性。

YOLOv8n作为一种高效的单阶段目标检测模型，因其参数较少且模型体积小，已被广泛应用于船舶识别领域。然而，在实际应用中，YOLOv8n仍然存在一些局限性，例如对小尺寸船舶识别能力较弱、在目标重叠场景中检测精度较低，以及计算复杂度较高影响推理速度等问题。针对这些问题，本文提出了多项改进措施，包括将CBAM（卷积块注意力模块）和EMA（高效多尺度注意力）机制融合到YOLOv8n网络中，同时采用新的损失函数MPDIoU（多点距离交并比），以及设计轻量级的轻量颈部结构。

CBAM是一种结合通道和空间注意力的机制，通过减少对不相关特征的关注，提高模型对关键目标的识别能力。EMA机制则通过多尺度注意力，增强模型对不同尺度目标的识别能力。MPDIoU损失函数则通过关注目标框的对角角距离，有效解决了目标重叠时的检测问题。而轻量级的颈部结构则通过GSConv（组洗牌卷积）和VoV-GSCSP（体积网格空间交叉阶段部分）模块，降低了计算复杂度，同时保持了较高的检测精度。

为了验证这些改进的有效性，本文在多个数据集上进行了广泛的实验，包括Seaships数据集和ABOships数据集。实验结果表明，MSM-YOLOv8在检测精度、召回率以及mAP指标上均优于YOLOv8n和其他主流目标检测模型，如YOLOv3、YOLOv5、YOLOv7、Faster R-CNN、SSD和RT-DETR。同时，该模型在实际的船舶图像数据上也表现出了良好的识别能力，进一步验证了其在复杂海洋环境中的实用性。

此外，通过消融实验，本文分析了CBAM、EMA、轻量级颈部结构和MPDIoU损失函数对模型性能的影响。实验结果显示，这些改进措施在不同程度上提升了检测效果，其中引入MPDIoU损失函数和轻量级颈部结构对模型的总体性能提升最为显著。最终，MSM-YOLOv8在所有改进措施的共同作用下，实现了更高的检测精度和更优的计算效率。

本文的研究成果表明，MSM-YOLOv8在复杂海况下能够实现高效且准确的船舶检测，为智能港口监控和海洋交通管理提供了可靠的解决方案。未来的工作将致力于将MSM-YOLOv8扩展到视频实时检测和跟踪任务中，以实现对船舶动态的连续监测。同时，也将探索更先进的模型压缩技术，以进一步降低模型的计算需求，提高其在资源受限设备上的应用可能性。这些改进不仅提升了模型的性能，也为实际应用提供了更广阔的空间。