Para resolver os problemas de falsos positivos, omissões e percepção multiescala insuficiente na detecção de objetos flutuantes em ambientes aquáticos complexos, é proposta uma metodologia leve e eficiente baseada no YOLOv8n. Na rede principal e na parte profunda do pescoço, foi projetado um módulo MAC-ELAN (Multi-scale Adaptive Context Enhanced Layer Aggregation Network) que integra convoluções reparametrizadas (RepConv), melhorando a capacidade de discriminação de características em fundos complexos por meio da fusão entre camadas e do reforço contextual, equilibrando precisão de detecção e eficiência computacional via reparametrização estrutural; simultaneamente, foram introduzidas cabeças de detecção P2 e P6 para aprimorar a percepção de alvos extremamente pequenos e grandes. Na parte superficial do pescoço, foi desenvolvido um módulo leve de fusão de características C2f-FA, que reconstrói a estrutura C2f por meio de convolução parcial (PConv) e mecanismo de atenção EMA, combinado com a perda Wise-IoUv3 para melhorar a precisão da localização do alvo. Resultados experimentais mostram que o modelo aprimorado adiciona apenas 1,13 milhão de parâmetros em um conjunto de dados próprio, aumentando os mAP@50 e mAP@50:95 em 4,2% e 3,9%, respectivamente. Experimentos cross-domain nos conjuntos Flow-Img e IWHR-Floater_V1 confirmam a eficácia do método em cenários aquáticos complexos, alcançando um bom equilíbrio entre precisão de detecção e leveza do modelo com baixa complexidade computacional.

detecção de objetos flutuantes; ambiente aquático complexo; convolução reparametrizada; fusão de características; rede leve