Page 240 - 《水产学报》2026年第3期
P. 240
文章编号: 1000-0615(2026)03-039618-12 , 2026, 50(3): 039618
JOURNAL OF FISHERIES OF CHINA
DOI: 10.11964/jfc.20250414962
李坤达, 刘侦龙, 王骥. 基于改进 YOLOv11 的海洋牧场中鲍的检测方法 [J]. 水产学报, 2026, 50(3): 039618.
Li K D, Liu Z L, Wang J. Underwater abalone detection in sea ranch based on improved YOLOv11 [J]. Journal of Fisheries of
China, 2026, 50(3): 039618 (in Chinese).
基于改进 YOLOv11 的海洋牧场中鲍的检测方法
李坤达 ， 刘侦龙 ， 王 骥 2,3*
1,2
1,2
(1. 广东海洋大学数学与计算机学院，广东 湛江 524088；
2. 广东海洋大学，广东省智慧海洋传感网及其装备工程技术研究中心，广东 湛江 524088；
3. 广东海洋大学电子与信息工程学院，广东 湛江 524088)
摘要： 【目的】针对海洋牧场中鲍栖息环境复杂、能见度低与图像存在大量噪声等问题，
该研究提出了一种基于改进 YOLOv11 模型的水中鲍识别方法 YOLOv11-AMSTAR。 【方法】
该模型的核心优化包括 3 个方面：首先，基于该模型使用 C3K2 和 StarNet 构建新的增强型
特征提取模块（C3Star），通过星操作增强高维特征表达，在保留原始特征信息的同时挖
掘隐藏的高阶关联信息，从而提升模型的非线性表达和特征区分能力。其次，引入下采样
模块（ADown），对输入特征图维度的重新排列和细粒度调整，提升了模型中深层网络对
空间特征的捕捉能力。最后，在颈部网络中加入自注意力与卷积混合模型（ACmix），融合
不同层次的语义信息，增强模型对特征的提取和整合能力，降低杂乱背景信息干扰。 【结果】相
比于原始模型，YOLOv11-AMSTAR 的 mAP@0.5、召回率、准确率和 mAP@0.5:0.95 等指
标分别提升 5.21%、2.06%、2.66% 和 1.79%。 【结论】YOLOv11-AMSTAR 能显著增强在
低对比度、模糊等恶劣水下环境中对鲍的特征提取能力，显著提高了检测精度。本研究不
仅为水下生物的自动化、精准捕捞提供了高效可靠的技术方案，其针对低质图像和伪装目
标的复合改进策略，也为解决其他类似复杂场景下的目标检测问题提供了重要的学术参考
与应用价值。
关键词: 鲍；YOLOv11；水下目标检测；注意力模块；特征提取模块；下采样模块；海洋
牧场
中图分类号: S 968.31；TP 183 文献标志码: A
海洋牧场作为现代海洋经济可持续发展的战 捕捞方式，存在效率低下、成本高昂且可拓展性
略方向，正通过生态化、智能化的创新模式重塑 差等瓶颈，难以适应现代化海洋牧场的发展需求。
海洋资源开发格局。鲍养殖作为海洋牧场体系中 随着计算机视觉和自动化技术的进步，机器智能
的旗舰项目，其生态价值与经济价值已形成双重 捕捞已成为必然趋势 。目前，学界在鲍自动化
[1]
示范效应。然而，当前鲍产业仍采用传统的人工 捕捞方面已进行了诸多探索，相关研究涵盖了自
收稿日期：2025-04-15 修回日期：2025-07-21
资助项目：广东省普通高校重点领域新一代信息技术专项 (2020ZDZX3008)
第一作者：李坤达，从事人工智能研究，E-mail：1191950192@qq.com
通信作者：王骥，从事无线传感器网络、海洋物联网与人工智能研究，E-mail：13902576499@163.com
©《水产学报》编辑部（CC BY-NC-ND 4.0） Copyright © Editorial Office of Journal of Fisheries of China (CC BY-NC-ND 4.0)
中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
1
