《Ocean Engineering》：Intelligent maritime vessel detection and classification toward offshore wind energy zone surveillance using YOLOv11 and explainable hybrid machine learning for autonomous maritime monitoring
编辑推荐：
研究人员提出OZRWD-YOLOv11检测器，在FPN（Feature Pyramid Network，特征金字塔网络）颈处引入SE（Squeeze-and-Excitation）通道注意力，于SeaShips基准取得0.971 mAP@0.5，优于基线。利用
研究人员提出OZRWD-YOLOv11检测器，在FPN（Feature Pyramid Network，特征金字塔网络）颈处引入SE（Squeeze-and-Excitation）通道注意力，于SeaShips基准取得0.971 mAP@0.5，优于基线。利用OZRWD-YOLOv11边界框特征训练XGBoost混合分类器，准确率达93.7%。通过SHAP（SHapley Additive exPlanations）特征归因提供可审计透明度以满足海事监管需求。提出Zone Risk Scoring（ZRS，区域风险评分）模块，将检测类别、空间邻近度与置信度映射为连续威胁等级，作为决策支持而非部署告警系统。该研究面向海上可再生能源区监视，融合实时检测、可解释分类与风险评分，构成自主海事监测框架的方法论基础。
研究背景方面，全球海上风电装机突破75 GW，密集风机阵列形成需持续监视的禁入区，船舶碰撞、违规侵入与维护协议违背风险上升。海岸相机监视面临船体背景低对比度、浪花与大气霾遮挡、0.5至15 km尺度变化及机载平台算力受限等问题，要求检测器兼具小目标敏感度与低于20 ms延迟。YOLO（You Only Look Once）系列单阶段检测器在精度与速度间取得平衡，YOLOv11相较YOLOv8在COCO上mAP提升22%且单帧推理低于2 ms，但尚无研究将其用于海上风电海域，且颈层注意力、YOLO+XGBoost+SHAP可解释链路在该场景未被探索。研究人员据此开展OZRWD-YOLOv11检测、XGBoost分类、SHAP解释与ZRS评分的验证框架研究，结论表明该管道在SeaShips测试集达0.971 mAP@0.5与93.7%分类准确率，ZRS可将探测转化为操作风险指示，论文发表于《Ocean Engineering》。
关键技术方法上，研究人员采用公开SeaShips光学数据集（31455图像、6类船型、70/15/15划分），以YOLOv11-m为基线，在FPN/PAN（Path Aggregation Network，路径聚合网络）四个拼接节点插入SE块（r=16），构成OZRWD-YOLOv11；训练300 epoch、SGD优化、640×640输入、RTX 4060单卡。检测后提取7个几何与光度特征（面积、长宽比、均值强度、强度标准差、周长、实心度、偏心率）送入KNN、SVM、RF与XGBoost对比，最佳XGBoost以SHAP归因；ZRS按R=ωc×δp×s计算风险，θ=0.7为操作点。统计上用ANOVA、Pearson、t检验验证类别差异、尺寸-置信度无关性与时延无显著增加。
研究结果部分，引言指出框架四大贡献为OZRWD-YOLOv11方法学、基于SeaShips的统计假设检验、XGBoost+SHAP可解释分类、ZRS决策支持，并明确MARL（Multi-Agent Reinforcement Learning，多智能体强化学习）仅作未来扩展未实测。文献综述归纳YOLOv5至v11演进中颈层注意力优于骨干层，XGBoost+SHAP在表格型船型数据上以更少标签达可审计分类。方法论中3.1至3.2节说明SeaShips不含风机遮挡、平台视角与真实禁区几何，属海岸域到离岸域的domain gap；3.3节给出SE插入与ZRS公式；3.4节列层索引与参数量增加1.71%；3.5节定7特征；3.6节定统计假设；3.7节重申无MARL训练。结果4.1至4.2节给出实例分布与特征描述统计，面积CV=1.74、长宽比矿砂船均值4.31；4.3节H01拒绝（F=5.12,p=0.011，渔船AP=0.951低于集装箱0.984），H02保留（r=0.147,p=0.184，尺寸与置信度无关），H03保留（11.9 vs 12.3 ms,p=0.088）；4.4节OZRWD-YOLOv11聚合mAP@0.5=0.971，较YOLOv8/v9/基线分别+4.0/+2.3/+0.9%，渔船+2.8%；4.5节消融证颈层SE最优（0.971），骨干+颈无增益且增延时；4.6节XGBoost准确率93.7%、AUC 0.974，SHAP显示长宽比（0.328）与面积（0.251）占57.9%归因；4.7节端到端单图12.3 ms，四船例三分类正确，两渔船ZRS 0.681/0.631未越阈但近阈；4.8节申明MARL未仿真仅展望。
讨论与结论翻译部分，研究人员在5.1节确认OZRWD-YOLOv11以统计显著优势超越基线，SE对渔船与矿砂船形态难例提升明显；保留H02表明SE重标定使全尺度（8 m渔船至300 m矿砂船）置信度公平；保留H03证注意力不增时延。5.2节应用解释强调SeaShips无风机遮挡、离岸相机俯仰振动、禁区几何合成、盐雾反射等domain gap，ZRS中ωc需按站点再审。5.3节 operational claims 定位框架为决策优先化工具而非合规系统。5.4节未来扩展列MARL、多帧跟踪、AIS（Automatic Identification System，自动识别系统）融合与真实风场验证。结论可译为：在SeaShips海岸基准上，OZRWD-YOLOv11+ XGBoost+SHAP+ZRS管道实现了高精度、低时延、可审计的船型感知与风险映射；颈层SE注意力是 offshore-like 海事小目标检测的有效增强；ZRS将探测置信度、类别权重与合成距离转为连续风险先验，为未来自主巡逻协调提供结构化状态，但向真实海上风场迁移需重标定遮挡、视角与禁区参数，MARL响应层不在本验证框架内。
