编辑推荐：
在水下养殖环境中，光照、水质等致图像风格变异带来领域偏移挑战。研究人员开展海参检测模型 UICTDG-YOLO 研究，融合频域增强、SENetv2 等，实验显示 mAP 等指标提升，为科学养殖提供技术支持。
在水产养殖水下环境中，光照条件、水质、浮游生物存在等因素引起的图像风格变化，给目标检测任务带来显著的领域偏移挑战。为应对这些挑战，本文提出一种新的海参检测模型 UICTDG-YOLO，其利用颜色领域泛化技术。具体而言，采用基于傅里叶变换（Fourier transform）的频域增强方法，该技术通过在保留原始相位谱的同时扰动振幅谱来重建图像，有效增强不同水生环境中的颜色一致性。此外，集成参数化补偿机制以保留目标信息，从而扩充数据集、增加领域多样性并提高模型的泛化能力。海参检测的主要挑战之一是从复杂背景元素中区分目标特征，为此，在模型主干中集成基于 SENetv2 的压缩和聚合网络，增强从杂乱水下环境中提取关键目标特征的能力。另外，考虑到不同养殖环境中海参的形状和尺度变化显著，以及存在与海参纹理相似的背景物体，在网络颈部融入双向特征金字塔网络（BiFPN）模块，促进多尺度特征融合，提高不同尺度下的检测精度并有效减少背景干扰。鉴于数据集中的类别不平衡问题，采用 Focal-GIoU 损失函数来解决正负样本不平衡问题，同时提高边界框回归精度。实验结果表明，UICTDG-YOLO 显著优于基线模型，平均精度均值（mAP）提高 5.8%，精度（P）提高 5.8%，召回率（R）提高 6.2%。该模型包含 1040 万个参数，计算量为 27.5 GFLOPs，检测速率为 28.5 帧 / 秒。与 Faster R-CNN、YOLO 系列模型、WQTDG-YOLO 和 OA-DG 等著名目标检测模型相比，UICTDG-YOLO 在真实养殖环境中的海参检测任务中表现出明显优势。该模型为海参的科学养殖提供了有价值的技术见解和实际应用。
