编辑推荐：
探测深埋的弱特征铁磁目标对于扫雷和反潜任务至关重要，然而传统检测算法在强地磁杂波下难以平衡识别准确率与计算开销量。本研究开发了一种针对低信噪比（SNR）磁等值线图量身定制的轻量级检测框架，命名为 YOLOv8n-M3CA。该框架采用 MobileNetV3 作
探测深埋的弱特征铁磁目标对于扫雷和反潜任务至关重要，然而传统检测算法在强地磁杂波下难以平衡识别准确率与计算开销量。本研究开发了一种针对低信噪比（SNR）磁等值线图量身定制的轻量级检测框架，命名为 YOLOv8n-M3CA。该框架采用 MobileNetV3 作为轻量级骨干网络，并引入了坐标注意力机制以加强对微弱空间磁异常特征的提取。研究人员构建了一个 COMSOL（Multiphysics 6.2）仿真数据集，包含1076张覆盖五种目标几何形状的磁图像。该数据集被划分为861个训练样本和215个测试样本，总共包含1519个标注目标。对比实验证明，研究人员提出的模型将参数量从3.16 M减少至2.78 M，将 GFLOPs 从8.9降至6.5，同时将精确率、召回率和 F1分数（F1-score）分别提升至0.996、0.994和0.995；其训练时间缩短至11.01小时，在中央处理器（CPU）上实现了21.5的推理帧率（FPS）。在对一个埋地矩形目标的初步现场测试中，研究人员的方法获得了0.73的检测置信度，远超过基线 YOLOv8n 的0.34。实验结果验证了，尽管在全面投入实际运行前仍需对多样化的目标和条件进行进一步的现场验证，研究人员提出的框架对微弱磁信号具有显著的抗干扰性能。
磁性目标识别技术凭借其独特的非铁磁介质穿透能力和不受光学浑浊及声学杂波干扰的优势，在潜艇磁指纹匹配、水下无人潜航器（UUV）协同目标跟踪和战场未爆物（UXO）识别等军事与地球物理任务中具有高度隐蔽性和广泛适用性。然而，在实际应用场景中，便携式磁力仪和无人现场探测平台通常计算与存储资源受限，对算法的轻量化、低延迟和鲁棒性提出了极高要求。尽管深度学习已逐渐成为磁异常分析的主流技术，且 YOLO 系列等单阶段检测器在工业表面磁缺陷领域展现出良好潜力，但现有模型在地下磁目标检测中面临三大核心瓶颈：一是现有模型多从自然光或工业图像直接迁移，在物理生成机制和复杂地磁背景噪声下跨域泛化能力受限；二是缺乏覆盖多样化目标几何形状、可变埋深和复杂噪声的大规模标准化数据集；三是缺乏专针对低信噪比（SNR）地下弱磁异常设计的轻量级抗干扰检测网络。
为解决上述问题，研究人员开发了一种新型的轻量化 YOLOv8 框架并发表于《Electronics》。研究得出结论，该新框架在降低模型复杂度的同时显著提升了检测精度，为地下铁磁目标的边缘智能探测提供了一种极具前景的实用方案。
在关键技术方法层面，研究人员主要采用了以下几种方法：首先以 YOLOv8n 为基线网络，将其标准骨干网络替换为采用深度可分离卷积的 MobileNetV3 轻量级架构以压缩参数；其次在网络颈部末端嵌入坐标注意力机制（CA）以在几乎不增加计算开销的前提下增强弱磁异常特征表达；在数据构建上，利用 COMSOL Multiphysics 6.2 有限元仿真软件生成覆盖五种几何形状的1076张模拟磁等值线图，并在数据增强环节实施了遵循磁偶极子物理特征的特定选择性增强策略；最后在现实场景中，采用十字形磁梯度张量系统采集北京怀柔现场数据并进行插值与 Gabor 滤波边界增强处理。
研究结果分析如下：
训练结果分析
通过在861个训练样本上进行100个轮次的训练，研究人员的 YOLOv8n-M3CA 模型展现出快速收敛与优异指标，精确度和召回率分别达到0.996及0.994。相比基线 YOLOv8n，该模型的参数量从3.16 M降至2.78 M，推理帧率从17.5提升至21.5 FPS，证明了轻量化设计兼顾了效率与高检测准确性。
消融与对比实验
在与多种主流轻量 YOLO 模型及传统单阶段检测器 SSD 的对比中，YOLOv8n-M3CA 在精确率、比率和推理速度上表现最佳。在骨干网络消融实验中，MobileNetV3 凭借最少的参数量与最短的训练时间被确认为最优骨干。进一步针对注意力机制的消融实验表明，相比 SE、CBAM 和 ECA，捕获了通道与空间特征信息的坐标注意力机制（CA）带来了最优的整体检测效能。
混淆矩阵分析
混淆矩阵表明，模型对凹、L型、凸和矩形等四类目标的分类准确率均达100%，仅存在极少量的假阳性误判与单一球形漏检现象。这一结果证明，经过轻量化改进的模型能够准确聚焦并提取多形状目标的关键特征，具备卓越的特征区分能力。
仿真检测结果分析
在包含目标密集分布与不同埋深的随机合成场景检测中，YOLOv8n-M3CA 显现出相比基线的显著优势，不仅输出了更高的检测置信度，还在复杂空间条件下减少了漏检与误报情况，验证了其在精确探测中的综合稳定性。
现场实验结果
在北京怀柔对0.2 m埋深矩形目标的现场实验中，基线 YOLOv8n 仅输出0.34的预测置信度，而 YOLOv8n-M3CA 取得了0.73的置信度得分。证实了在受到严重地磁背景噪声污染的真实测量环境下，该增强框架具备更强的解析与抗噪能力。
在讨论部分，研究人员深入阐释了轻量化与注意力机制协同增效的内在机理：MobileNetV3 的深度可分离卷积在压缩参数时会略微降低对低梯度弱特征的敏感度，而空间敏感且方向感知的 CA 模块恰好弥补了这一缺陷，从而在模糊目标边界提取中发挥了关键作用。研究亦客观指出模型目前存在的典型失败案例以及内在局限性，包括相近背景纹理易引发假阳性、各小类样本数量不足导致矩阵呈现的精确性偏高等。
关于研究结论，总结如下：研究人员成功构建并验证了用于地下磁异常探测的 YOLOv8n-M3CA 网络，该体系巧妙融合 MobileNetV3 与 CA 机制，在显著降低参数量与计算开销的同时提升了模型各方面的检测指标，并大幅缩短了训练总时长。现场初步测试证实了其在特定条件下相较原模型的突出抗干扰与探测置信优势。尽管研究存在单地磁环境仿真设定、单样本定性验证等局限，但现有实验明确表明，YOLOv8n-M3CA 实现了轻量化网络与优异检测精度的理想平衡，为隐蔽铁磁目标探测的工程应用提供了稳健方案。
