Para abordar los problemas del gran tamaño del modelo de detección de objetivos navales basado en la fusión multiespectral infrarroja, baja eficiencia y dificultad para desplegarlo en dispositivos embebidos, este artículo propone un modelo ligero de detección de objetivos navales por fusión multiespectral infrarroja YOLOv8n-MFLW basado en YOLOv8n-MF. Primero, se introduce una red ligera HGNetv2 para reemplazar la red principal, reconstruyendo el bloque HGBlock y el módulo C2f basados en la convolución GSConv, reduciendo el número de parámetros del modelo mientras se mantiene la capacidad de extracción y fusión de características; se propone un algoritmo adaptativo de poda estructurada dispersa La-Depgraph para recortar aún más el modelo, reduciendo significativamente el número de parámetros; finalmente, se adopta una estrategia de aprendizaje por destilación de conocimiento de características intermedias para recuperar la pérdida de precisión causada por la poda y mejorar el rendimiento de detección del modelo. Los resultados experimentales muestran que, en comparación con el modelo original, el modelo ligero mejorado de fusión multiespectral infrarroja para detección de objetivos navales puede alcanzar una precisión de detección del 96.4%, mejorando en un 1.2%, con parámetros del modelo, cálculo y uso de memoria de solo 0.9 MB, 3.5 GFlops y 2.3 MB, respectivamente, reduciendo en un 88.1%, 81.2% y 82.8%. Por lo tanto, el modelo propuesto tiene un tamaño pequeño, alta precisión, mejores capacidades de detección y puede realizar tareas de detección de objetivos navales en entornos complejos.

infrarrojos navales; detección multiespectral de objetivos; ligereza; poda de modelos; destilación de conocimiento