文献类型：期刊文献

中文题名：基于改进YOLOv8n的水下鱼群目标检测算法

作者：罗俊晔[1,3];余江[1,3];李佳兴[1,3];苏伟豪[2,3];黄荣洲[1,3];刘祥源[1,3]

机构：[1]广东海洋大学机械工程学院,广东湛江524088;[2]广东海洋大学电子与信息工程学院,广东湛江524088;[3]广东海洋大学深蓝智能机电产品创新团队,广东湛江524088

年份：2026

卷号：57

期号：6

起止页码：21

中文期刊名：南方农机

基金：2025年国家级大学生创新创业训练计划项目“基于PPO强化学习算法与D-DCN动态卷积网络的智能仿生机器鱼”(202510566009);广东海洋大学深蓝智能机电产品创新团队(CCTD2023009)。

语种：中文

中文关键词：鱼群检测;YOLOv8n;ACmix;DySample;DWConv

中文摘要：【目的】解决水下机器人在浑浊水域中对中远距离和小体积鱼群检测精度不足的问题。【方法】文章创新性地提出了一种基于改进YOLOv8n的水下鱼群检测算法DAD-YOLO。通过在骨干网络中融合SPPF模块和ACmix模块,构建SPPF-ACmix模块,增强模型的局部特征提取能力;采用轻量级DySample上采样方法替代传统上采样技术,提高检测效率;引入DWConv模块替换原有Conv模块,降低模型的计算复杂度和参数量。【结果】1)整体改进模型(DAD-YOLO)相较于原始YOLOv8n模型,P、R和m AP@0.5分别提升3个百分点、3.2个百分点和1.2个百分点,GFLOPs降低13.6%。2)YOLOv8n在中远距离和小体积鱼群检测中精度较低,置信度均值不超过0.80,且存在目标重复检测现象;而DAD-YOLO显著提升了对小目标的检测能力,置信度普遍高于0.80,有效抑制了重复检测。【结论】DAD-YOLO模型在检测精度和部署效率方面均表现出更强的综合性能,能够在复杂水域环境下为水下机器人提供高精度的鱼群监测能力,满足了实际应用中对检测效率与准确性的双重需求。