Face aux problèmes de grande taille du modèle de détection multi-spectre de fuselage infrarouge hétéroclite, de faible efficacité et de difficulté à le déployer sur des appareils embarqués, un modèle léger de détection multi-spectre de fuselage infrarouge hétéroclite YOLOv8n-MFLW a été proposé sur la base de YOLOv8n-MF. Premièrement, un réseau léger HGNetv2 a été introduit pour remplacer le réseau principal, basé sur la convolution GSConv, reconstruire HGBlock et le module C2f, réduisant ainsi le volume des paramètres du modèle tout en conservant la capacité d'extraction des caractéristiques du modèle et de fusion. Ensuite, un algorithme de taille adaptative structurée La-Depgraph a été proposé pour tailler le modèle, réduisant encore considérablement le volume des paramètres du modèle ; Enfin, une stratégie d'apprentissage par distillation des connaissances de fonctionnalité intermédiaire a été utilisée pour restaurer les pertes de précision dues à la taille, et améliorer les performances de détection du modèle. Les résultats expérimentaux montrent que par rapport au modèle original, le modèle amélioré de détection multi-spectre de fuselage infrarouge hétéroclite léger peut atteindre une précision de 96,4 %, augmentant de 1,2 %, le volume des paramètres du modèle, la puissance de calcul et l'utilisation de la mémoire étant de seulement 0,9 Mo, 3,5 GFlops et 2,3 Mo, respectivement réduits de 88,1 %, 81,2 % et 82,8 %. Ainsi, le modèle proposé est de petite taille, précis et présente de meilleures performances de détection, et peut mieux répondre aux besoins de détection des cibles dans des environnements complexes.

Navire de guerre infrarouge ; détection multi-spectre ; légère ; découpe du modèle ; apprentissage par distillation des connaissances