Die effiziente Überwachung von Unterwasserfischen bildet die Grundlage für den Schutz mariner Ökosysteme, die Bewertung der Biodiversität und das nachhaltige Management von Fischressourcen. Um der Abschwächung der Detektionsrobustheit und -effizienz durch komplexe Umweltfaktoren unter Wasser entgegenzuwirken, wird in diesem Artikel ein dynamisches Merkmalsverstärkungsmodell FDN-YOLO (Fish Detection Network YOLO) auf Basis des YOLOv8n-Rahmens vorgeschlagen. Zunächst wird das Modul MDRF (Multi-skalen Deformierbares Rezeptives Feld) aufgebaut, welches das effektive rezeptive Feld adaptiv einstellt, um dem Backbone-Netzwerk eine verbesserte Repräsentation von Fischzielen unterschiedlicher Form und Größe zu ermöglichen; zweitens wird das Downsampling-Modul Lite SPD-DS (Lite Space-to-Depth Depthwise Separable) entworfen, das bei kontrollierten Rechenaufwand feinkörnige räumliche Hinweise während der Downsampling-Phase effektiv bewahrt; schließlich wird die Verlustfunktion AIVF Loss (Adaptive IoU-aware Varifocal Loss) vorgeschlagen, welche die Lernfähigkeit für hochwertige Lokalisierungsproben stärkt und Trainingsverzerrungen durch ungleichmäßige Klassen- und Probenverteilungen verringert. Die experimentellen Ergebnisse auf dem TF-DET-Datensatz zeigen, dass FDN-YOLO die mAP50 und mAP50∶95 um jeweils 2,8% bzw. 2,1% verbessert, während die Anzahl der Parameter und der Rechenaufwand jeweils um 13,3% bzw. 16,0% reduziert werden. Vergleichende Generalisierungsexperimente zeigen weiterhin das hervorragende Gleichgewicht von FDN-YOLO zwischen Genauigkeit, Effizienz und Robustheit und deuten auf Anwendungspotenziale in ökologischen Untersuchungen und datengetriebenem maritimem Ressourcenmanagement hin.

Unterwassererkennung;dynamische Verstärkung;tiefes Lernen;konvolutionale neuronale Netzwerke;YOLOv8n