嵌入式AI水下生态监测：通过DCGAN与YOLOv6检测棘冠海星（COTS）的效率突破

本综述系统总结了基于深度学习的棘冠海星（COTS）检测方法，提出了一种融合深度卷积生成对抗网络（DCGAN）数据增强与YOLOv6实时检测的混合框架。研究通过改进Faster R-CNN架构（集成Res2Net101骨干网络、焦点损失（Focal Loss）和广义交并比（GIoU）损失）提升检测精度，同时利用YOLOv6实现嵌入式部署。实验结果显示：模型精确度（Precision）达0.927，召回率（Recall）为0.903，平均精度均值（mAP@50）达到0.938，显著优于传统方法，为珊瑚礁生态保护与海洋生物多样性监测提供了高效可行的技术方案。

　　

引言：珊瑚礁作为地球上最具生物多样性的生态系统之一，正面临棘冠海星（Crown-of-Thorns Starfish, COTS）爆发的严重威胁。这种以珊瑚为食的捕食者能够导致大范围的珊瑚破坏，而传统的人工潜水调查方法耗时耗力，难以实现大规模快速评估。

文献综述：近年来，深度学习技术在海洋目标检测领域取得显著进展，尤其是在应对水下复杂环境（如低对比度、光照变化、浑浊水体及遮挡）方面。Wang与Xiao（2023）提出改进的Faster R-CNN架构，结合Res2Net101骨干网络与软非极大值抑制（Soft-NMS），将平均精度（mAP）提升3.3%。Nambiar与Mittal（2022）开发了基于生成对抗网络（GAN）的声纳图像超分辨率模型，有效提升浑浊环境下的特征可见性。Lokanath等（2017）则验证了Faster R-CNN在复杂背景下的分类与检测能力。此外，Ren等（2015）提出的区域提议网络（RPN）为现代目标检测奠定了理论基础。

研究方法：本研究提出一种混合框架，整合DCGAN合成数据生成、改进的Faster R-CNN高精度检测与YOLOv6实时推理模块。数据预处理包括图像归一化（x′ = (x ? μ)/σ）、马赛克增强（I_mosaic(x,y) = I_i(x ? x_offset, y ? y_offset)）、水平翻转与高斯模糊（G(x,y) = (1/2πσ²)e^{?(x2+y2)/2σ2}），以模拟水下环境变化。

DCGAN采用Wasserstein GAN与梯度惩罚（WGAN-GP）损失函数（L = E_x～Pr[D(x)] ? E_x?～Pg[D(G(z))] + λE_x?～Px?[(‖?_x?D(x?)‖₂ ? 1)²]），生成高质量合成图像。评估指标显示，初始得分（IS）达1152.07，弗雷歇初始距离（FID）为3.79，证明生成图像与真实数据分布高度接近。

Faster R-CNN引入三重损失（L = max(‖f_a ? f_p‖²₂ ? ‖f_a ? f_n‖²₂ + α, 0)）与GIoU损失（GIoU = IoU ? |C ? U|/|C|），提升小目标与重叠目标检测能力。YOLOv6则采用锚点free检测头与CIoU损失（L_loc = 1 ? CIoU(B, B_gt)），优化嵌入式部署效率。

实验结果：在CSIRO棘冠海星数据集上，混合模型表现优异。Faster R-CNN精确度达0.946，召回率0.917，mAP@50为0.945；YOLOv6精确度为0.927，召回率0.903，mAP@50为0.938，推理速度达28毫秒/帧（NVIDIA Jetson Nano）。混淆矩阵显示，YOLOv6真阳性44例，假阳性仅5例；DCGAN增强分类器对背景类别的识别准确率达100%。

讨论与局限性：尽管模型在标准条件下表现良好，但在极端浑浊、低光照或部分遮挡场景中仍存在漏检与误检。类似纹理的珊瑚与海洋生物（如海参）易被误判为COTS。未来工作将引入注意力机制（如CBAM）与跨域适应技术，提升模型在真实海洋环境中的泛化能力。

结论：本研究通过DCGAN数据增强与混合检测框架，实现了COTS的高精度、实时检测，为珊瑚礁生态保护提供了可部署的AI解决方案。该框架平衡了精度与效率，支持嵌入式系统部署，有望推动海洋生物多样性监测的自动化与智能化发展。