基于卫星影像与YOLO算法的海事监控船舶检测技术研究及其应用价值分析

本文系统评述了利用Sentinel-2卫星影像与YOLO（You Only Look Once）模型实现船舶及航迹检测的最新进展，通过对比YOLOv8与v10性能并扩展数据集，证明YOLOv8在实时海事监控中具有显著优势（F1-score达88.69%，mAP50为87.53%），为经济可扩展的海洋监测技术提供重要实践依据。

　　

Highlight

相关研究

本节回顾了深度学习模型在船舶检测领域的代表性研究。各类模型经过大量适配与优化被广泛应用，基于合成孔径雷达（SAR）与光学影像的研究均十分丰富，因二者在不同环境条件下具备独特的船舶检测优势。

例如，Zhang等人（2019）的研究对比了标准Faster R-CNN与改进版Faster R-CNN在——

数据集构建

如前所述，有效训练深度学习模型需针对特定任务构建专用数据集。本研究的目标是检测船舶及其航迹。为支持该目标，CEiiA提供了全面的原始数据集，包含三个主要部分：详细船舶信息、船舶图像相关元数据以及图像本身；这些图像源自Sentinel-2卫星影像与自动识别系统（AIS）。

图像尺寸为1000×1000像素——

结果与讨论

本节展示并讨论了模型的实验结果。

结论

本文研究了YOLOv8与YOLOv10模型利用Sentinel-2卫星影像实现船舶与航迹自动检测的性能。通过将先进目标检测模型应用于该任务，填补了现有文献空白，同时为CEiiA构建了全面的船舶与航迹数据集，支持海事监测与检测技术的未来发展。除模型基准测试外，本文还评估了——