面向无人机的深度学习内河船舶小目标检测方法-AET-电子技术应用

面向无人机的深度学习内河船舶小目标检测方法

电子技术应用

李一鹏，杨华

上海海事大学信息工程学院

摘要： 在内河低空无人机视角的船舶检测中，由于小目标和船舶遮挡等问题，传统算法在复杂背景、光照反射和波纹干扰下在准确检测小型船舶方面尚不成熟。为了解决这些问题，提出了一种基于YOLOv11n的改进算法——YOLO11-FFW（YOLO11—FEM FFM_Concat WIoUv2）。为提升小目标船舶的特征提取能力，引入了特征增强模块（FEM），通过多分支空洞卷积扩展感受野并融合多尺度上下文信息。为增强复杂背景下的多尺度特征表达，引入了特征融合模块（FFM_Concat），在BiFPN结构基础上加入可学习的权重重标定机制，实现了高低层特征的自适应融合。为提高模型在水面反光、遮挡及密集目标场景中的鲁棒性，改进了损失函数为WIoUv2，动态加权平衡定位与分类损失。实验结果表明，YOLO11-FFW相比YOLOv11，mAP@0.5提升1.4%，精确率提高0.8%，召回率提高2.4%，验证了该算法在复杂无人机视角下内河场景中检测小型船舶的有效性。

关键词： 深度学习 YOLOv11 无人机视角下内河船舶检测小目标检测多尺度特征融合

中图分类号：TP391.41 文献标志码：A DOI: 10.16157/j.issn.0258-7998.257615
中文引用格式： 李一鹏，杨华. 面向无人机的深度学习内河船舶小目标检测方法[J]. 电子技术应用，2026，52(4)：1-9.
英文引用格式： Li Yipeng，Yang Hua. A deep learning-based method for small target detection of inland river vessels oriented to UAVs[J]. Application of Electronic Technique，2026，52(4)：1-9.

A deep learning-based method for small target detection of inland river vessels oriented to UAVs

Li Yipeng，Yang Hua

School of Information Engineering， Shanghai Maritime University

Abstract： In vessel detection from low-altitude UAV perspectives in inland rivers, traditional algorithms struggle to accurately detect small vessels due to issues such as small target size, vessel occlusion, complex backgrounds, light reflection, and wave disturbances. To address these problems, this study proposes an improved algorithm based on YOLOv11n—YOLO11-FFW (YOLO11—FEM FFM_Concat WIoUv2). To enhance the feature extraction ability for small vessel targets, the Feature Enhancement Module (FEM) is introduced, which expands the receptive field through multi-branch atrous convolution and integrates multi-scale contextual information. To improve multi-scale feature expression in complex backgrounds, the Feature Fusion Module Concat (FFM_Concat) is introduced, incorporating a learnable weight recalibration mechanism on top of the BiFPN structure, achieving adaptive fusion of high- and low-level features. To increase the model's robustness in scenarios with water surface reflection, occlusion, and dense targets, the loss function is improved to WIoUv2, dynamically balancing localization and classification losses. Experimental results show that compared to YOLOv11, YOLO11-FFW achieves a 1.4% increase in mAP@0.5, a 0.8% increase in precision, and a 2.4% increase in recall, which is verified to be effective in detecting small vessels in inland river scenarios from complex UAV perspectives.

Key words : deep learning；YOLOv11；inland river vessel detection from UAV perspectives；small object detection；multi-scale feature fusion；WIoUv2

引言

随着智能航运和水上交通管理的不断发展，基于无人机视角视频监控的船舶识别技术在航道安全、交通流量统计、违章检测等领域[1]得到了广泛应用。然而，在复杂内河环境中，光照反射、波纹扰动、背景复杂以及船舶遮挡等因素使得船舶目标尺寸较小、边缘模糊，传统算法在小目标检测方面存在明显不足，难以满足高精度与实时性要求[2]。为此，提高复杂环境下，特别是小型船舶的检测精度具有重要研究价值。

当前的目标检测算法主要分为两类：（1）Faster R-CNN[3]等两阶段检测器，精度高但推理速度较慢；（2）YOLO[4-5]系列和SSD[6]等单阶段检测器，具有快速检测和易部署的优势。YOLO系列从YOLOv3到YOLOv11[7] 发展，当前主流的目标检测算法在小目标检测改进以及特征融合领域已有许多先例和成果，学者们针对不同场景进行了大量研究与改进。孙超磊等人[8]通过引入多尺度特征融合结构与通道注意力机制，提高了模型在复杂背景下的特征表达能力； MA Y等人[9]采用多尺度特征融合与小目标检测层优化，兼顾了检测精度与实时性能；ZHU Y等人 [10]提出了一种融合和非极大抑制相结合的损失函数后处理算法，从而在后处理阶段获得更精确的边界框，为水面目标检测提供了新的思路[11]。然而，现有方法仍面临小目标特征提取不足、信息冗余和计算复杂度高等问题，限制了其在无人机视角下复杂环境中的应用。

本文在YOLOv11框架基础上提出了一种改进算法——YOLO11-FFW（YOLO11—FEM FFM_Concat WIoUv2）。本研究的创新点如下：

(1)引入特征增强模块（Feature Enhancement Module ,FEM[12]）：通过多分支空洞卷积结构，扩大感受野，增强模型对小目标的特征提取能力，并提升复杂背景下细节特征的可分辨性。

(2)引入特征融合模块（Feature Fusion Module ,FFM_Concat[12]）并重新整合模型结构：在BiFPN结构基础上引入可学习的权重重标定机制（CRC），实现高低层特征的自适应融合，减少冗余信息，提高多尺度特征融合效率。

(3)损失函数WIoUv2[13]改进：通过动态加权机制平衡定位与分类损失，提升小目标检测中的定位精度，增强模型在密集船舶与遮挡场景中的鲁棒性。

这些改进提升了YOLO11-FFW模型在无人机视角下复杂环境中的船舶检测精度，尤其在小型船舶和遮挡环境下的表现，验证了该算法的有效性。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007031

作者信息：

李一鹏，杨华

（上海海事大学信息工程学院，上海 201306）