港口复杂环境下智能船舶轻量化视觉检测方法EAE-YOLO的构建与应用

为解决港口狭窄水域中智能船舶实时检测存在的模型参数量大、计算复杂度高及数据稀缺问题，研究人员提出结合EAE-DCGAN（增强对抗生成网络）与EAE-YOLO（改进轻量化检测模型）的视觉检测方法。通过Triplet Attention机制和Focal EIoU损失函数优化，模型参数量降低21.74%，检测速度提升9.66%，显著增强港口场景泛化能力。该研究为自主导航系统提供高精度、低延迟的检测方案，发表于《Digital Signal Processing》。

　　

随着智能船舶自主导航技术的发展，港口环境下的实时目标检测成为确保航行安全的核心挑战。狭窄水道、密集障碍物和复杂光照条件对检测精度提出严苛要求，而现有单阶段检测模型（如YOLO系列）存在参数量大、计算成本高的问题。此外，港口场景数据稀缺导致传统数据增强方法难以生成有效样本，制约模型泛化能力。针对这一技术瓶颈，大连海事大学的研究团队在《Digital Signal Processing》发表论文，提出融合EAE-DCGAN（Enhanced Attention Embedded DCGAN）与EAE-YOLO的创新方法，通过轻量化设计和数据增强策略，显著提升港口船舶检测性能。

研究团队采用三项关键技术：1）基于Triplet Attention改进的EAE-DCGAN，生成多样化港口船舶图像以扩充数据集（含SeaShips和Real Ship数据集）；2）集成LDHS Head（轻量化检测头）、Triplet Attention机制和Focal EIoU损失函数的EAE-YOLO模型；3）利用渤海轮渡实际航行视频（采集自大连-烟台繁忙港口）进行真实场景验证。

METHODOLOGY部分显示，EAE-DCGAN通过嵌入Triplet Attention模块增强生成对抗网络（GAN）的特征提取能力，生成更符合港口场景的船舶图像。EAE-YOLO则通过结构优化，在保持YOLOv10n检测精度的同时，将参数量压缩至原模型的78.26%。Experimental results表明，该方法在测试集上mAP（平均精度）提升2.3%，模型体积减少25.58%，推理速度达42 FPS（帧/秒），优于基线模型。CONCLUSIONS指出，该方案有效解决港口场景下船舶检测的三大痛点：通过EAE-DCGAN缓解数据稀缺，利用Triplet Attention增强小目标检测能力，借助Focal EIoU损失函数优化边界框回归精度。

研究团队在Author Statement中强调，第一作者Lai Wei（大连海事大学硕士生）主导了模型构建与实验验证，通讯作者Yingjun Zhang教授负责理论指导。Dataset部分详述了训练数据来源，包括7000张SeaShips数据集图像和282张自建Real Ship数据集图像，涵盖散货船、集装箱船等6类船舶。Experimental environment章节描述了采用海康威视180°广角摄像系统采集的实船视频数据，验证模型在动态复杂环境中的鲁棒性。

该研究的创新性体现在：1）首次将Triplet Attention机制同时应用于生成网络（DCGAN）和检测网络（YOLO），形成协同优化；2）提出的Focal EIoU损失函数有效平衡了港口场景中密集目标的定位精度与分类准确性；3）实测数据表明，模型在能见度低于1海里的雾天条件下仍保持85%以上的检测率。这些突破为智能船舶在极端天气下的自主避障提供了技术保障，推动IMO（国际海事组织）倡导的"零事故"导航目标实现。