面向超高分辨率遥感影像中AI赋能贻贝筏式养殖检测的YOLO-OBB模型对比评估：来自西班牙Ría de Arousa的启示

《Frontiers in Remote Sensing》：Comparative assessment of YOLO-OBB models for AI-enabled mussel raft detection in VHR remote sensing imagery: insights from the Ría de Arousa, Spain

　　

贻贝筏式养殖的迅速扩张增加了对准确且可扩展监测系统的需求，以支持可持续海岸带管理。深度学习（DL）目标检测器，尤其是YOLO家族，能够实现从超高分辨率（VHR）卫星影像中自动提取养殖基础设施。然而，常规检测器依赖水平边界框（AABB），在目标细长或旋转时往往包含过多背景，降低定位精度。有向边界框（OBB）检测器通过建模目标朝向与几何形态解决了这一局限。本研究开发了一款开源的基于Python的图形用户界面（GUI），用于自动化贻贝筏检测，并利用西班牙Ría de Arousa的VHR影像对YOLOv8-OBB与YOLO11-OBB架构进行了全面对比。研究人员编制并标注了专用的贻贝筏数据集，在五种架构尺度（n、s、m、l、x）上评估了两个模型家族。实验结果表明，YOLO11家族在检测精度、定位质量及复杂海况下的性能方面总体优于YOLOv8。在受评模型中，YOLO11s取得了最高F1-score（0.866）与mAP50–90（85.21%），而YOLO11n取得了最高Mean IoU（0.872）与mAP50（96.87%）。结果进一步表明紧凑架构可在精度与计算效率间提供有利平衡，更大模型并未持续带来更优性能。在60,309×61,569像素（50 cm分辨率）VHR场景上的大规模实验通过基于图块（patch-based）的处理策略证明了所提框架的业务化可扩展性。本研究的对比评估为近期YOLO-OBB架构提供了有价值的见解，并凸显了其在可扩展的基于AI的水产养殖监测中的潜力。

研究背景方面，贻贝（尤其Mytilus galloprovincialis）养殖在海岸经济、食品安全及作为提升水质与生物多样性的生物滤池生态系统服务中具有重要作用。西班牙为全球第三大贻贝生产国，加利西亚占其近90%产量，其中Ría de Arousa为核心枢纽，分布有数千个漂浮贻贝筏（当地称bateas）。传统监测依赖野外调查与船舶巡检，成本高、劳动密集且难以区域化；基于摄像头的浮标或岸站方法仅能提供局部观测；Sentinel-2等遥感虽可大范围重复观测，但10–20 m空间分辨率不足以识别单个筏体。深度学习（DL）可自动学习层次化特征，YOLO家族在效率与精度间取得平衡，但标准YOLO变体输出轴对齐边界框（AABB），无法贴合细长或倾斜贻贝筏几何，导致质心与面积估计偏差，影响特许合规、环境评估与航行安全。有向边界框（OBB）扩展通过预测旋转框缓解该问题，但此前尚未应用于贻贝筏检测。为此，研究人员在《Frontiers in Remote Sensing》发表研究，开发集成YOLOv8-OBB与YOLOv11-OBB的开源Python图形用户界面（GUI），系统对比两族模型在VHR影像中的性能，并建立可迁移的贻贝筏监测方案。

关键技术方法上，研究区位于西班牙西北部加利西亚Ría de Arousa河口（约230 km²）。VHR影像通过SASPlanet获取Bing Maps数据，缩放级19–20对应地面采样距离（GSD）0.15–0.50 m，切分为640×640像素非重叠图块；原始403块人工标注补丁（训练174、验证49、测试180），训练集做水平/垂直翻转及±10°/±90°旋转增广至522块，验证与测试集不增广。模型采用Ultralytics框架的YOLOv8-OBB与YOLO11-OBB，各含n/s/m/l/x五尺度，OBB参数化为(x_c, y_c, w, h, φ)，φ∈(?π/2, π/2]；损失为λ_boxL_box+λ_clsL_cls+λ_DFLL_DFL，其中L_box=1?rIoU，L_cls为二值交叉熵，L_DFL为分布焦点损失。评估采用旋转IoU（rIoU）匹配与旋转非极大抑制（NMS），微平均统计Precision、Recall、F1、Mean IoU、mAP₅₀、mAP_50:95，并用1000次自助抽样得95%置信区间，Wilcoxon符号秩检验（α=0.05）评显著性。

研究结果部分，引言指出VHR与OBB必要性；材料方法中研究区与数据集构建完毕；模型架构小节阐明YOLOv8-OBB骨干为C2f+SPPF、颈为FPN类融合、头预测OBB参数，YOLOv11-OBB引入C3K2与C2PSA注意力模块以增强长程依赖建模。实验结果显示：YOLO11家族总体优于YOLOv8；YOLO11s获最高F1-score 0.866与mAP_50–90 85.21%，YOLO11n获最高Mean IoU 0.872与mAP₅₀ 96.87%；大模型未一致占优，紧凑模型兼顾精度与效率；在60,309×61,569像素（50 cm GSD）整景VHR上以图块策略跑通，证明框架可扩展。

讨论与结论翻译：研究人员指出，OBB-YOLO可有效克服AABB在细长旋转目标上的背景冗余与定位偏差，YOLO11因C2PSA等改进在 Maritime复杂条件下更鲁棒；紧凑尺度（n、s）已能满足业务化贻贝筏枚举与合规监测，降低算力门槛；开源GUI与公开数据集（Kaggle）及权重推动可复现与政策应用。结论为：面向VHR遥感的贻贝筏检测，YOLO-OBB相较AABB基线显著提升定位质量；YOLO11-OBB同级优于YOLOv8-OBB；最佳效率—精度权衡由YOLO11n/YOLO11s提供；基于图块推理使框架可部署于大范围河口尺度监测，为AI赋能水产养殖管理提供可迁移范式。