| 使用环境 |
在水下环境中，使用摄像头采集图像，对图像进行处理以实现水下小目标的检测，例如在海洋资源勘探、智能化水产养殖和海底武器监视等领域。摄像头安装在水下机器人或潜水设备上，采集图像用于目标识别和定位。 |
| 使用对象 |
水下的小目标，海胆、海参、扇贝、海星等海鲜目标，以及可能存在的其他小型海洋生物或物体。 |
| 使用目的 |
通过精确检测水下小目标，提高海洋资源开发的效率和准确性，减少人工捕捞对海洋环境的破坏，同时为智能化水产养殖提供技术支持。 |
| 输入数据 |
可见光波段图像帧，图像分辨率为640×640像素，RGB三通道。 |
| 输出数据 |
目标检测结果，包括目标类别、位置坐标（x, y）、宽度和高度。 |
| 硬件配置 |
CPU：Intel Core i7-10750H，6核12线程，主频2.6GHz。
GPU：NVIDIA GTX 1080TI，8GB显存。
内存：16GB DDR4 3200MHz。
硬盘：512GB NVMe SSD。
摄像头：索尼Alpha 7 III，2420万像素，支持4K拍摄。
网卡：英特尔I219-V千兆以太网卡，1000Mbps传输速率。 |
| 样本获取 |
在实际使用现场以不同角度录制视频帧，获取3589帧样本图像，其中2589帧用于训练集，1000帧用于测试集。 |
| 测试结果 |
对测试集1000个样本进行测试，平均准确率（mAP）达到77.89%，比基线Faster R-CNN算法提高了2.82%。 |
| 执行速度 |
检测速度12.5帧/秒。 |
| 资源消耗 |
CPU：4核，计算占比平均约60%。 GPU：显存占用约5GB，计算占比平均约80%。 内存：使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件40K，权重文件200M。 |
| 相关备注 |
本算法通过改进特征金字塔网络（FPN）和损失函数，显著提高了水下小目标检测的精度和效率。通过协同非局部注意力模块（CNAM）和三叉戟特征增强模块（TFEM），增强了算法对多尺度特征的提取能力，减少了细粒度信息的损失，提高了前景和背景的区分度。此外，引入线性回归损失增益系数，进一步提高了小目标的定位精度。 |
