تشتت انكسار الضوء في الماء وعدم تجانس الإضاءة يؤديان إلى طمس نسيج الهدف، والكائنات المائية غالبًا ما تكون أهداف صغيرة كثيفة مموهة، كما أن القيود المفروضة على المنصات تحت الماء تؤثر على خفة الوزن والوقت الحقيقي، وهذه العوامل معًا تزيد من صعوبة الكشف عن الأهداف تحت الماء. لذلك، يقترح هذا البحث نموذجًا محسنًا لنموذج YOLOv8n يعتمد على الانتباه الذاتي أحادي الرأس ودمج المجال الترددي والمجال المكاني، وهو YOLOv8n-SD. أولاً، تم تصميم شبكة عمق تعزيز مدمجة تجمع بين الخصائص المحلية والعالمية من خلال آلية انتباه ذاتي أحادي الرأس مع تقسيم ديناميكي لنسبة القنوات، مما يسمح بالاستخلاص الفعال للمعلومات العالمية طويلة المدى في بعض القنوات؛ ودمج معلومات التفاصيل المحلية التي يستخرجها كتلة استخراج الخصائص عالية الكفاءة لتحقيق تعزيز تكاملي بين الخصائص المحلية والعالمية. ثانيًا، تم بناء شبكة عنق دمج فعالة للمجال الترددي والمجال المكاني، وتصميم وحدة تقليل اعتمادًا على تحويل هار الموجي والتحويل من فضاء إلى عمق، لدمج المعلومات الترددية العالية والمكانية المهمة في الخصائص العالية الدقة ذات الطبقات السطحية؛ في الوقت نفسه، اعتمدت استراتيجية وزن سريعة للتطبيع لتحسين كفاءة دمج الخصائص متعددة المقاييس ديناميكيًا. على مجموعات البيانات العامة تحت الماء URPC2020 وRUOD، حقق YOLOv8n-SD معايير mAP_0.5∶0.95 وmAP₅₀ بلغت 51.2%، 85.7% و50.6%، 85.0% على التوالي. وفي الوقت نفسه، انخفض عدد معلمات النموذج الأساسي بنسبة 42.3٪، وانخفض الحمل الحسابي بنسبة 17.2٪. وأكدت التجارب المقارنة بشكل أكبر أن النموذج المقترح يظهر دقة جيدة ومتينة في الكشف في سيناريوهات تحت الماء المعقدة المتعددة.

الكشف عن الأهداف تحت الماء;آلية الانتباه الذاتي;تحويل هار الموجي;الكشف عن الأهداف الصغيرة