A refração e a dispersão da água e a iluminação desigual causam desfoque na textura dos alvos; os organismos aquáticos são geralmente alvos pequenos e densamente camuflados, e as plataformas subaquáticas com recursos limitados impõem restrições quanto à leveza e à capacidade em tempo real, fatores que aumentam a dificuldade da detecção de alvos subaquáticos. Para isso, este artigo propõe um modelo YOLOv8n melhorado com atenção automática de cabeça única e fusão no domínio de frequência e espaço, chamado YOLOv8n-SD. Primeiro, foi projetada uma rede principal fortalecida pela fusão de características locais e globais, utilizando um mecanismo de atenção automática de cabeça única com divisão dinâmica da proporção de canais para extrair eficientemente informações globais de longo alcance em alguns canais; além disso, funde informações locais detalhadas extraídas por blocos de extração de características eficientes, alcançando um reforço complementar das características locais e globais. Em seguida, foi construída uma rede de pescoço eficiente de fusão no domínio de frequência e espaço, projetando um módulo de downsampling baseado na transformada wavelet de Haar e na transformação do espaço para profundidade, que funde informações importantes de alta frequência e espaciais nas características superficiais de alta resolução; ao mesmo tempo, adota-se uma estratégia de ponderação rápida normalizada para otimizar dinamicamente a eficiência da fusão de características multiescala. Nos conjuntos de dados públicos subaquáticos URPC2020 e RUOD, os índices mAP_0.5∶0.95 e mAP₅₀ do YOLOv8n-SD atingiram 51,2%, 85,7% e 50,6%, 85,0%, respectivamente. Ao mesmo tempo, o número de parâmetros foi reduzido em 42,3% e a carga computacional em 17,2% em comparação com o modelo base. Experimentos comparativos validaram ainda mais que o modelo proposto apresenta boa precisão e robustez em vários cenários subaquáticos complexos.

Detecção de alvos subaquáticos;mecanismo de atenção automática;transformada wavelet de Haar;detecção de pequenos alvos