La refracción y dispersión del agua, junto con la iluminación desigual, causan que la textura de los objetivos esté borrosa; los organismos acuáticos suelen ser objetivos pequeños densamente camuflados, y las plataformas submarinas con recursos limitados imponen restricciones en la ligereza y la capacidad en tiempo real, factores que aumentan la dificultad de la detección de objetivos submarinos. Por ello, este artículo propone un modelo mejorado de YOLOv8n con atención automática de cabeza única y fusión en dominio de frecuencia y espacio, denominado YOLOv8n-SD. Primero, se diseñó una red troncal mejorada con fusión de características locales y globales mediante un mecanismo de atención automática de cabeza única que divide dinámicamente la proporción de canales para extraer eficientemente la información global a largo alcance en algunos canales; además, se fusiona con información local de detalles extraída por bloques de características eficientes, logrando un refuerzo complementario de características locales y globales. En segundo lugar, se construyó una red de cuello de fusión eficiente en dominio de frecuencia y espacio, diseñando un módulo de muestreo descendente basado en la transformada de ondícula Haar y la transformación de espacio a profundidad, que fusiona la información de alta frecuencia y espacial importante contenida en características de alta resolución en capas superficiales; a la vez, se adopta una estrategia rápida de ponderación normalizada para optimizar dinámicamente la eficiencia de la fusión de características multi-escala. En conjuntos de datos públicos submarinos URPC2020 y RUOD, los indicadores mAP_0.5∶0.95 y mAP₅₀ de YOLOv8n-SD alcanzaron 51.2%, 85.7% y 50.6%, 85.0% respectivamente. Al mismo tiempo, se redujeron los parámetros en un 42.3% y la carga computacional en un 17.2% en comparación con el modelo base. Los experimentos comparativos validaron aún más que el modelo propuesto ofrece buena precisión y robustez en diversos escenarios submarinos complejos.

Detección de objetivos submarinos;mecanismo de atención automática;transformada de ondícula Haar;detección de objetivos pequeños