融合图像增强与可变形卷积的水下目标检测算法：突破海洋探测困境的关键利器

在水下生物检测和资源开发中，传统目标检测算法面临诸多挑战，如水下图像模糊、小目标检测难等。研究人员开展了基于 YOLOv8s 的 DCM-YOLO 算法研究。结果显示该算法提升了检测精度，对海洋研究和资源开发意义重大。

　　随着海洋探索的深入，水下机器人在生物捕获和资源开发中发挥着越来越重要的作用。然而，水下环境的独特性给目标检测带来了巨大挑战。水下生物的图像常常受到颜色失真、光照不均、生物形态多变、目标尺度小且覆盖度低等问题的困扰，这使得快速、准确、稳定地检测水下生物成为海洋生物学研究的一大难题。传统的目标检测算法在面对这些问题时，性能会大幅下降。因此，开展新的水下目标检测算法研究迫在眉睫。

为了解决这些问题，研究人员开展了关于融合图像增强与可变形卷积的水下目标检测算法的研究。研究人员提出了一种新颖的水下目标检测算法 DCM-YOLO（DeformableConvModule-You Only Look Once），该研究成果发表在《Ecological Informatics》上。这一算法对于推动海洋生物研究以及水下资源开发具有重要意义。

研究人员在开展研究时用到了以下主要关键技术方法：利用 MMDetection 工具 box 进行实验，在 NVIDIA GeForce RTX 3090 GPU 上进行模型训练，采用 SGD 作为优化器，使用多个数据集（如 DUO、URPC2020、MS COCO2017）进行实验评估 。

下面来看具体的研究结果：

1. UnitModule 模块的效果：将 UnitModule 与其他图像增强方法对比，通过 UCIQE 和 UIQM 指标评估图像质量，并使用原始 YOLOv8s 模型评估增强图像。结果显示，UnitModule 增强后的图像在提升检测性能上表现最优，其 AP 和 AP₅₀值相比原始图像有所增加。
2. 对比实验结果：将 DCM-YOLO 与代表性通用目标检测器和最新水下目标检测器对比，结果表明 DCM-YOLO 在检测性能上表现最佳，其 AP 和 AP₅₀相对 YOLOv8s 分别提高了 4.2% 和 3.4% 。
3. 消融实验结果：通过对 DCM-YOLO 各模块进行消融实验，验证了每个模块对检测性能的提升作用。如引入 DCM 块替代原骨干网络，使 AP 和 AP₅₀分别提升了 1.3% 和 1.5% 。
4. 不同数据集上的实验结果：在 URPC2020 和 MS COCO2017 数据集上实验，结果表明 DCM-YOLO 在小目标检测上效果显著，在这些数据集上相比其他 YOLO 系列检测器有更好的检测性能 。

在研究结论和讨论部分，DCM-YOLO 检测框架基于 YOLOv8s 构建，有效应对了水下目标检测中的主要挑战。它通过引入 UnitModule 图像增强模块、基于 DCNv4 的骨干网络、DySample 技术和专门的小目标检测头，以及 SEAM 模块，提升了检测精度。不过，该模型在计算复杂度和推理效率方面仍有优化空间。研究人员计划进一步优化模型的轻量级架构，平衡精度和效率，以适应资源受限的水下部署场景。同时，研究人员正在收集深海大型动物图像数据，为后续研究提供支持。这一研究成果不仅为水下目标检测提供了更有效的方法，也为海洋生物研究和水下资源开发奠定了重要基础，有望在未来的海洋探索中发挥更大的作用。