1. 引言
南极磷虾富含蛋白质及多种人体必需的矿物质元素以及活性酶、虾青素等多种活性成分，具有极高经济价值，已成为极地地区重要的渔业资源[1]。高效、精准地对南极磷虾进行捕捞对极地渔业资源开发具有重要意义[2]-[4]。目前声学探测已成为最常用且高效的海洋生物监测手段，依托声学设备可实现对南极磷虾的种群分布进行广域的实时观测[5] [6]，通过分析声呐回声信号的强度、频率响应等特征，可推断磷虾群体的密度与垂直空间分布以获得最佳捕捞深度，但此类数据通常高度复杂，从中精准提取关键信息的技术难度较高。传统声呐图像识别方法依赖人工目视解读声呐回波图像，存在精度不足与实时性差的问题。以一般南极磷虾捕捞船为例，其船员配额通常为40~70人，除船舶运行值班人员以及轮班休息人员外，参与渔捞作业的船员仅为15~19人[7]，且人工目视解读声呐回波图像为连续性工作，将极大增加南极磷虾捕捞船船员工作时长，增加船员工作负担。
随着深度学习技术的快速发展，为声呐数据处理和人工解读图像困难的问题提供了解决方案[8]-[10]。随着YOLO系列算法的迭代，不仅提升了模型鲁棒性，也显著改善目标检测与分类性能，为深度学习在图像识别中的应用奠定基础[11]-[13]。并因其端到端的检测结构与高检测速度被广泛应用于声呐图像等目标检测场景[14]-[18]。如YOLOv3、YOLOv5、YOLOv7等已经在声呐图像检测中实现了显著性能提升，在不同声学数据集上的检测精度达到89%以上[19]-[21]。
研究表明，构建一种兼具注意力机制、特征提取的轻量化声呐图像识别网络是面向南极磷虾声呐图像识别的关键方向[22]-[26]。对此，本文提出用于南极磷虾群识别的改进YOLOv8s-CBAM检测模型。该模型在YOLOv8s的特征融合网络(Neck)关键节点嵌入CBAM (Convolutional Block Attention Module)注意力模块，构建了一种注意力引导的特征增强机制。通过集成通道与空间双维度的多路池化策略(平均池化与最大池化)，模型能够自适应地重校准特征权重，有效剔除海底混响与假底干扰，同时显著增强对磷虾群目标的特征响应。实验结果表明，该改进策略在保留C2f模块高效特征聚合能力的同时，大幅提升了模型在复杂水声环境下的鲁棒性与识别精度。
2. 基于CBAM模块的YOLOv8s模型
由于渔船上工作状况较差，船载计算机一般采用工控机，其抵抗恶劣环境能力较强，性能稳定，但性能特别是算力资源受限；而声呐图像中南极磷虾群目标特征易受噪声、藻类回声及海底及假底噪声干扰影响，传统检测模型难以在效率与精度之间取得平衡，需要改进一般的YOLO检测算法，以适应这种特殊要求。本文基于YOLOv8s架构，提出了一种深度优化的轻量化注意力检测模型——YOLOv8s-CBAM。该模型在特征融合网络(Neck)的关键路径(P3/P4)中战略性地嵌入CBAM注意力模块，利用其串行通道–空间注意力机制，有效抑制海底回波与环境杂波，并显著增强对微弱磷虾群信号的特征提取能力。配合噪声自适应训练策略，该模型在维持低计算开销的同时，显著提升了复杂海底环境下目标检测的鲁棒性与精度。为南极磷虾资源监测与智能捕捞系统提供了可靠的技术支撑。该方法的网络模型架构图与主干网络如图1和图2所示。
Figure 1. Framework diagram of the YOLOv8s-CBAM network model
图1. YOLOv8s-CBAM网络模型框架图
Figure 2. Main network diagram of the YOLOv8s-CBAM model
图2. YOLOv8s-CBAM模型主干网络图
在模型架构层面，通过在特征金字塔网络(Neck)的特征融合与精炼阶段的P4 (16倍下采样，对应中等目标)和P3 (8倍下采样，对应小目标)特征层集成了CBAM注意力模块保证模型处理机制，采用通道注意力通过自适应重标定特征通道权重，有效增强模型对磷虾回波与背景噪声的语义辨识度；随后采用空间注意力利用7 × 7卷积核进一步细化特征，强化了网络对小规模磷虾群目标空间分布的感知能力。这种设计确保了特征去噪，在低计算增量下显著提升了特征质量。
为进一步抑制背景噪声导致的误检，增加准确率，模型重构了损失函数权重体系，将分类损失权重(λcls)提升至1.5，同时将定位损失权重下调至5.0。确立了“磷虾群分类准确性优先”的导向，使网络专注于学习目标的本质声学特征而非单纯的边界回归。其次，针对声呐数据的低信噪比特性，采用AdamW优化器配合低初始学习率以确收敛稳定性。从而保证了模型在真实声呐环境下的泛化性能。CBAM模块结构图如图3所示。
Figure 3. Schematic diagram of the CBAM module structure
图3. CBAM模块结构示意图
3. 实验与分析
3.1. 训练数据与参数
为验证本文所提出方法的可行性和实用性，本文使用南极磷虾生产船“深蓝号”采集的声呐数据进行研究。“深蓝号”作为我国第一艘自主研制建造的渔业捕捞加工船，主要用于远洋捕捞，采集的声学数据均来自科学回声探测仪设备EK80。EK80作为现代渔业声学调查的重要工具，具有高精度、多频率的数据采集能力，在渔业资源探测和捕捞生产中得到了广泛应用。本文使用的频率EK80设备工作频率为38 kHz。数据采集时间为2023年1月23日到2023年6月16日，数据采集地点在南极磷虾48渔区。声学数据探测范围为0~1100 m，探测数据包括磷虾信息，还有海底深度信息，这些信息为进一步研究海底识别及深度计算方法提供了支撑。采用的EK80数据单ping数据声学数据由75,765个回声点组成，探测精度达到1.5 × 10−2 m，满足磷虾识别的数据精度需求。
Figure 4. Sonar image of Antarctic krill after preprocessing
图4. 预处理后的南极磷虾声呐图像
目前解析声呐数据主要使用Echopype Python工具包。其作为一个为实现声学数据可扩展性而构建的工具包[27]，在海洋声呐数据处理中发挥了重要作用，这些数据广泛用于获取包括南极磷虾在内的各种海洋生物的有关分布和资源情况。但由于Echopype Python工具包的声呐图像处理功能对计算平台要求较高，要求CPU算力较高，船载工控机平台运行困难，因此，本文设计基于python的声呐图像预处理功能，将raw声呐数据转为nc格式，然后转换图像并进行声呐图像降噪预处理后输入YOLOv8s-CBAM模型进行训练。经过预处理后的声呐图像如图4所示。
通过预处理后的声呐图像共1949张，采用随机原则按照8:1:1的比例划分数据集，其中训练集1560张，测试集194张，验证集195张。
模型训练使用的环境为python3.12，使用的IDE为pycharm2025.1.1。通过实验表明，该模型进行70轮训练后，其准确率和召回率均趋于稳定。因此，为了进一步优化模型性能，最终决定将训练轮次设定为100轮。考虑到本研究提出的模型GFLOPs较低，理论上在NVIDIA Jetson TX2或Xavier等边缘计算设备上可满足实时检测需求。未来的工作将在实际船载硬件平台上进一步验证其推理速度。目前为了进一步模拟船载工控机算力，选用的网络模型训练环境参数如表1所示。
Table 1. Model training environment parameters
表1. 模型训练环境参数
Pytorch |
2.5.1 |
Python |
3.12 |
Cuda |
12.1 |
GPU |
NVIDIA-RTX3050 Laptop |
CPU |
12th Gen Intel(R)Core(TM) i5-12400 |
操作系统 |
Windows 11 |
3.2. 定量分析
为进一步定量评价本文方法的可行性和实用性，本文选择常用的精确度(Precision)、召回率(Recall)和mAP，fps，单张处理时长五个指标进行定量评估。将制作的数据集输入神经网络模型进行训练，记录训练时的参数变化，计算模型的查准率和召回率。计算公式如下
式中：TP为识别正确，模型认为是正样本；FP为识别错误，模型认为是正样本；FN为识别错误，模型认为是负样本。
平均精度(Average precision, AP)表示查准率–召回率(Precision-Recall)曲线下的面积，对该图每一类的平均精度求均值即平均精度均值(Mean average precision, mAP)，其计算公式如下
式中：N为该图不同类别目标的总和，本文N = 1。
每秒帧数(FPS)，表示一秒内能够处理和识别(推理)多少张图像，计算公式如下
网络训练过程中设置batchsize = 16，图像尺寸为640 × 640。其余参数均相同。模型训练结果如表2，YOLOv8s-CBAM模型P-R曲线图如图5所示：
Table 2. Comparison of experimental results of different network models
表2. 不同网络模型实验对照效果
组别 |
模型 |
Precision |
Recall |
mAP |
fps |
Parameters |
GFLOPs |
1 |
YOLOv8s |
83.56% |
83.80% |
85.22% |
35 |
11.2 |
28.6 |
2 |
YOLOv8n |
74.15% |
80.31% |
80.55% |
40 |
3.2 |
8.7 |
3 |
YOLOv8-BiFPN |
85.31% |
82.51% |
85.23% |
28 |
12.5 |
32.1 |
4 |
YOLOv8-BiFPN-ghostv2 |
83.90% |
86.56% |
86.04% |
25 |
10.8 |
25.4 |
5 |
YOLOv8m |
86.05% |
85.51% |
86.55% |
22 |
25.9 |
78.9 |
6 |
YOLOv8s-CBAM |
91.70% |
87.20% |
91.61% |
37 |
11.5 |
29.2 |
Figure 5. P-R curve of the YOLOv8s-CBAM model
图5. YOLOv8s-CBAM模型P-R曲线图
对照试验以YOLOv8s模型为基准，采用了YOLOV8n、YOLOv8-BiFPN等常用算法进行算法的定量分析。YOLOv8n通过更小的模型尺寸，虽损失了一定的准确性但提升检测速度；YOLOv8-BiFPN作为引入BiFPN模块之后的检测模型，利用双向特征融合和加权融合机制，更有效地结合不同尺度的特征信息，相较于YOLOv8s的准确性将有所增加；YOLOv8-BiFPN-ghostv2为进一步优化BiFPN模块的YOLOv8-BiFPN检测模型，通过Ghost卷积引入轻量化设计，减少计算量并提升特征表达效率，各项定量评估指标相较于YOLOv8-BiFPN均有所提升；YOLOv8m沿用YOLOv8的核心架构，包括C2f模块、PANet和解耦检测头，牺牲了一部分推理速度，换取更高的平均精度；本文提出的YOLOv8s-CBAM模型通过在通道和空间维度上施加自适应权重，增强了模型对关键特征信息的聚焦能力，提升了网络的特征表示质量，从而优化了目标检测性能。相较于YOLOv8s以及其他模型，各项评估指标总体取得了明显提升。以YOLOv8s模型为基准，Precision提升9.7%，Recall提升1.6%，mAP提升3.7%，fps提升5.7%，验证了本文所提出方法的可行性和有效性。
(a) (0.88) (b) (0.88) (c) (0.90) (d) (0.92)
T1 (YOLOv8s)
(a) (0.86) (b) (0.88) (c) (0.88) (d) (0.89)
T2 (YOLOv8n)
(a) (0.86) (b) (0.88) (c) (0.88) (d) (0.92)
T3 (YOLOv8-BiFPN)
(a) (0.86) (b) (0.87) (c) (0.88) (d) (0.93)
T4 (YOLOv8-BiFPN-ghostv2)
(a) (0.91) (b) (0.90) (c) (0.91) (d) (0.92)
T5 (YOLOv8m)
(a) (0.90) (b) (0.92) (c) (0.89) (d) (0.92)
T6 (YOLOv8s-CBAM)
Figure 6. Comparison of detection results of different models
图6. 不同模型检测结果比较图
3.3. 定性分析
为进一步验证本文方法南极磷虾识别的有效性，我们选择了不同时间尺度、磷虾群密度不同的声呐图像对不同架构的模型进行测试，分别选用(a) 理想水声环境下的单体高密度磷虾群，目标回波强度显著高于背景噪声，边界清晰；(b) 复杂的贴底磷虾生物群落场景，由于南极磷虾具有昼夜垂直移动习性，常贴近海床分布。声呐回波中，高强度的海底反射信号与磷虾群信号在空间上高度重叠，极易造成误检；(c) 小尺度的密集磷虾群场景，目标尺寸跨度大，且群体垂直间距狭窄。(d) 大尺度生物量，同时也未漏检边缘的离散小群体。这四张声呐图像构建了各种工况下的梯度验证体系，全面量化模型在复杂背景抑制、微弱特征捕捉及尺度泛化方面的鲁棒性，从而证明算法在真实南极捕捞作业中的可靠性。下图分别为各模型的测试结果图，图中蓝色实线框表示识别出的南极磷虾群，边界框上方的数值表示预测的置信度分数(Confidence Score)。测试结果如图6所示。
图6中，T1为YOLOv8s基准模型的检测结果，作为性能参考；T2为YOLOv8n模型的检测结果，其通过浅层窄通道轻量化设计显著提升处理速度，但因特征表示能力减弱导致整体精度下降，在声呐噪声场景中鲁棒性不足；T3为YOLOv8-BiFPN模型的检测结果，该模块通过加权双向融合强化多尺度特征交互，提升小目标定位效能，Recall与Precision均获平衡优化；T4为YOLOv8-BiFPN-Ghostv2模型的检测结果，其集成Ghost卷积廉价变换压缩冗余，增强特征表达效率并提升各项指标，置信度整体稳定，检测框精度未见显著下降；T5为YOLOv8m模型的检测结果，沿用YOLOv8的核心架构，包括C2f模块、PANet和解耦检测头，牺牲了一部分推理速度，换取更高的平均精度；T6为本文YOLOv8s-CBAM模型的检测结果，针对相同目标，其检测精度相较T1~T4均有提升，目标框更精确且置信度更高。与T5相比在检测精度上近似相同，但检测速度更快。验证了算法的有效性。
4. 总结与展望
4.1. 总结
针对南极磷虾声学图像识别中存在的设备依赖强、实时处理延迟高以及噪声干扰导致的精度不足问题，本文基于YOLOv8s架构，提出了一种集成CBAM注意力机制与噪声自适应训练策略的改进模型——YOLOv8s-CBAM。通过嵌入通道–空间注意力模块与优化损失–增强机制，有效强化了在复杂水下声学环境下的目标辨识鲁棒性与计算效率，适用于极地渔业资源监测与智能捕捞系统。
首先，在主干网络(Backbone)构建阶段，模型采用YOLOv8s版本的复合缩放系数重构特征提取路径。相较于YOLOv8n版本，该设计显著增加了卷积通道数与模块堆叠深度，提升了模型对声学图像特征的表达容量；同时，末端的SPPF空间金字塔池化模块进一步强化了对磷虾群深度尺度分布的全局捕捉能力，缓解了声学图像中低信噪比目标的特征稀疏问题。
其次，在Neck特征融合阶段嵌入CBAM (Convolutional Block Attention Module)注意力模块。CBAM模块被置入于特征金字塔的C2f模块，针对中尺度通道与小尺度通道特征进行后处理增强。采用通道注意力分支通过全局平均/最大池化与MLP捕捉跨通道依赖；空间注意力分支则利用7 × 7卷积压缩通道信息以生成空间权重。两者通过乘法门控机制协同工作，有效抑制背景噪声，显著提升模型对声呐图像中磷虾、海底与假底三类目标的区分能力。
最后，结合噪声导向的训练优化策略替换原始参数配置。将分类损失权重提升至并适当降低定位损失权重，以优先保证类别判别的准确性，抑制海底和假底导致的假阳性误检，确保模型在包含大量噪点的声学数据集上实现稳定收敛与特征学习。实验结果表明，YOLOv8s-CBAM在南极磷虾声学数据集上实现了性能增益，同时推理速度与基准YOLOv8s保持近似，在维持轻量化优势的前提下，定量与定性分析均优于YOLOv8-BiFPN等对比模型。该方法验证了在极地声学探测场景下的实用可行性，为南极磷虾种群评估与智能化渔业管理提供了可靠技术支撑。
4.2. 展望
本文提出的YOLOv8s-CBAM实现了通道注意力与空间双维度的动态加权，有效强化了深层语义特征的提取，并在上采样阶段对海底与假底进行过滤，准确识别南极磷虾。利用CBAM的平均/最大池化机制，显著增强了对南极磷虾等关键目标的特征响应能力，提升了对复杂背景的鲁棒性，能够应对水下噪声干扰与目标稀疏的挑战，为极地渔业智能化捕捞提出了思路。尽管该模型在特征提取与感知优化方面取得了理论进展，但仍需面对实际部署中的多变环境适应性问题，如多频段声学数据融合与船载平台的实时性约束。此外，目前的识别工作主要基于单帧声呐图像。考虑到实际捕捞作业的连续性，未来的研究将致力于结合DeepSORT或ByteTrack等多目标跟踪算法，将模型从短时间单帧检测扩展到视频流下的磷虾群持续跟踪与轨迹预测，以提供更具动态价值的捕捞辅助信息。
未来研究将聚焦多模态集成策略，将声学图像与水下摄像头、物理海洋数据相结合，利用多种数据共同提升磷虾密度动态估算的准确性；同时，引入知识蒸馏与神经网络量化技术，进一步压缩模型体积，适应南极磷虾捕捞船的低算力平台的应用需求。随着新的网络架构设计的出现，南极磷虾声呐图像的识别能力也将出现更优的方案，推动声学目标检测向更智能的方向演进，促进南极渔业从传统经验向数据驱动转型，最终助力全球海洋资源可持续利用与生态保护。
基金项目
中国水产科学研究院院级基本科研业务费专项：2025CG03南极磷虾无人船探测关键技术研究。
NOTES
*第一作者。
#通讯作者。