複雑な水環境における浮遊物検出で発生しやすい誤検出、見逃しおよびマルチスケール認識不足の問題に対し、YOLOv8nに基づく軽量で効率的な検出手法を提案する。バックボーンネットワークおよび深層ネック部において、再パラメータ化畳み込み（RepConv）を融合したマルチスケール適応コンテキスト強化層集約モジュールMAC-ELAN（Multi-scale Adaptive Context Enhanced Layer Aggregation Network）を設計し、層間特徴融合とコンテキスト強化により複雑な背景下での特徴識別能力を向上させ、構造的再パラメータ化によって検出精度と計算効率を両立させた。同時に、極小および大規模対象の認識能力を強化するためにP2およびP6検出ヘッドを導入した。浅層ネック部には、部分畳み込み（PConv）とEMA注意機構を用いてC2f構造を再構築し、Wise-IoUv3損失と組み合わせて対象の位置精度を向上させる軽量特徴融合モジュールC2f-FAを設計した。実験結果は、自身で構築したデータセット上で、改良モデルがパラメータを1.13Mのみ増加させ、mAP@50およびmAP@50:95をそれぞれ4.2％および3.9％向上させたことを示す。Flow-ImgおよびIWHR-Floater_V1データセットでのクロスドメイン実験により、複雑な水面シーンにおける本手法の有効性がさらに検証され、低い計算複雑性の下で検出精度とモデルの軽量化の良好なバランスを実現した。

浮遊物検出; 複雑な水環境; 再パラメータ化畳み込み; 特徴融合; 軽量ネットワーク