中文引用格式： 孫擴，楊航，方思茁，等. 基于YOLOv11改進的海上小目標多光譜特征檢測方法[J]. 電子技術應用，2025，51(12)：20-26.
英文引用格式： Sun Kuo，Yang Hang，Fang Sizhuo，et al. Research on a multi-spectral feature-based small target detection method for the sea based on improved YOLOv11[J]. Application of Electronic Technique，2025，51(12)：20-26.
引言
無人機具備機動性強、部署快速、成本低等優點，在海上救援領域，特別是在搜索與定位小目標（如遇險船只、落水人員等）方面，展現出巨大的潛力[1-2]。傳統的基于可見光成像的目標檢測方法在海上小目標檢測等實際應用中面臨諸多挑戰，包括海洋環境復雜多變，霧霾、強光反射、夜間低照度等條件嚴重影響成像質量，同時小型目標在遠距離成像時往往僅占數個像素，特征信息非常有限。這些因素使得傳統的檢測方法的準確率和魯棒性難以滿足實際需求。
而多光譜成像技術為解決上述問題提供了新的思路，有望顯著提升海上小目標檢測的魯棒性和準確性[3]。
多光譜成像技術已在遙感、農業、軍事等領域廣泛應用，但在海上小目標檢測中的研究相對較少[4]。美國海軍研究實驗室開發的MSI-Net[5]證明了軍事應用中多光譜特征在復雜背景目標識別中的獨特優勢。歐洲海事安全局主導的MultiSpect項目[6]系統評估了多光譜成像在海上監視中的應用潛力，其研究結果顯示，結合可見光和紅外波段可將小型漂浮物的檢測距離延長30%。國內也已經有研究開始探討如何通過數據融合技術整合多種傳感器數據，提升目標檢測的準確性與可靠性[7]。但多光譜數據的綜合利用仍存在優化空間。哈爾濱工程大學團隊提出的雙流特征融合網絡[8]，在多光譜船舶檢測任務中取得了突破性進展，但其模型參數量較大。
YOLO（You Only Look Once：統一實時目標檢測）算法系列是由Joseph Redmon、Ali Farhadi等人于2015年提出的單階段目標檢測網絡[3,9]。YOLOv11算法[10]更具輕量化特性，適用于硬件條件受限的應用場景，未來可移植至嵌入式平臺并搭載于無人機等移動平臺，為實現海上實時檢測和搜救創造有利條件[11]。
針對以上有關海上小目標檢測的問題及現狀，本研究提出一種基于YOLOv11模型改進的海上多光譜特征小目標檢測模型，一是設計雙分支YOLOv11主干網絡解決多光譜特征跨模態數據模型訓練的問題，二是在模型中引入全局注意力機制模塊，提升訓練模型檢測小目標的主要性能指標。
本文詳細內容請下載：
http://www.jysgc.com/resource/share/2000006871
作者信息：
孫擴，楊航，方思茁，張翔宇
（海軍航空大學 青島校區，山東 青島 266041）
