A monitorização eficiente de peixes subaquáticos é fundamental para a proteção dos ecossistemas marinhos, avaliação da biodiversidade e gestão sustentável dos recursos pesqueiros. Para enfrentar o impacto dos fatores ambientais complexos subaquáticos na estabilidade e eficiência da detecção, foi proposto um modelo dinâmico de aprimoramento de características FDN-YOLO (Fish Detection Network YOLO) baseado na estrutura YOLOv8n. Primeiramente, foi construído um módulo multi-escala de campo receptivo deformável (Multi-scale Deformable Receptive Field, MDRF), que ajusta adaptativamente o campo receptivo efetivo, permitindo que a rede principal represente melhor os alvos de peixes com diferentes formas e tamanhos. Em seguida, foi projetado um módulo leve de rearranjo espacial com redução de amostragem e separável em profundidade (Lite Space-to-Depth Depthwise Separable, Lite SPD-DS), que preserva pistas espaciais de alta granularidade na fase de redução de amostragem, controlando os custos computacionais. Por fim, foi proposta uma função de perda que combina IoU adaptativo com Varifocal Loss (Adaptive IoU-aware Varifocal Loss, AIVF Loss) para reforçar a capacidade de aprendizado de amostras de localização de alta qualidade e mitigar o viés causado pela distribuição desigual de classes e amostras. Os resultados experimentais baseados no conjunto de dados TF-DET mostram que o mAP50 e o mAP50∶95 do FDN-YOLO aumentaram 2,8% e 2,1%, respectivamente, enquanto a quantidade de parâmetros e o custo computacional foram reduzidos em 13,3% e 16,0%. Um experimento comparativo de generalização demonstrou ainda o excelente equilíbrio entre precisão, eficiência e estabilidade do FDN-YOLO, destacando seu potencial para aplicação em investigações ecológicas e gestão de recursos marinhos baseada em dados.

Detecção subaquática;Aprimoramento dinâmico;Aprendizado profundo;Redes neurais convolucionais;YOLOv8n