Ante los problemas de gran tamaño del modelo de detección de múltiples espectros del fuselaje infrarrojo heterogéneo, baja eficiencia y dificultad para desplegarlo en dispositivos integrados, se ha propuesto un modelo ligero de detección de múltiples espectros de fuselaje infrarrojo heterogéneo YOLOv8n-MFLW sobre la base de YOLOv8n-MF. En primer lugar, se introdujo una red ligera HGNetv2 para reemplazar la red principal, basada en la convolución GSConv, reconstruir HGBlock y el módulo C2f, reduciendo así el volumen de los parámetros del modelo mientras se conserva la capacidad de extracción de características del modelo y de fusión. Luego, se propuso un algoritmo de poda adaptativa estructurada La-Depgraph para reducir el tamaño del modelo, reduciendo aún más considerablemente el volumen de los parámetros del modelo; Finalmente, se utilizó una estrategia de aprendizaje de destilación de conocimiento de características intermedias para restaurar las pérdidas de precisión debidas al tamaño, y mejorar las capacidades de detección del modelo. Los resultados experimentales muestran que en comparación con el modelo original, el modelo mejorado de detección de múltiples espectros de fuselaje infrarrojo heterogéneo ligero puede alcanzar una precisión del 96,4%, aumentando en un 1,2%, el volumen de los parámetros del modelo, la potencia de cálculo y el uso de la memoria siendo solo de 0,9 MB, 3,5 GFlops y 2,3 MB, respectivamente reducido en un 88,1%, 81,2% y 82,8%. Por lo tanto, el modelo propuesto es de tamaño pequeño, preciso y tiene un mejor rendimiento de detección, y puede satisfacer mejor las necesidades de detección de objetivos en entornos complejos.

Barco de guerra infrarrojo; detección de múltiples espectros; ligero; poda de modelo; aprendizaje por destilación de conocimiento