Page 247 - 《水产学报》2026年第3期

3 期 水 产 学 报 50 卷

表 1 消融试验 上提高了目标与背景的区分度，但在区分鲍与其
Tab. 1 Ablation experiments 他生物方面仍存在一定的挑战。然而，在同时集
模型 成 ACmix 和 C3Star 模块之后，鲍的识别准确性得
Models mAP@0.5 P R mAP@0.5:0.95
到了显著提升。即便如此，相较于 AMSTAR 模型，
YOLOv11 92.37 97.16 87.56 72.22
它们在分配注意力到目标区域方面仍有不足之处。
YOLOv11-AC 93.45 99.76 87.09 71.86
尽管 ACmix 和 C3Star 从不同的角度优化了注意力
YOLOv11-AD 94.45 98.31 90.48 72.45
机制，使更多的注意力集中在目标区域，但由于
YOLOv11-S 94.07 98.66 88.57 72.48
依赖单一卷积核进行特征提取，缺乏多尺度特征
YOLOv11-ACS 96.01 99.02 88.62 73.01
信息的融合，这限制了检测性能的进一步提升。相
YOLOv11-AMSTAR 97.58 99.82 89.62 74.01
比之下，AMSTAR 通过结合 C3Star 模块引入了更
为了更加清晰直观地分析模型改进的效果， 为细致的粒度特征信息，同时借助 ADown 模块实
本研究采用了热力图进行可视化分析，展示了在 现了粒度特征的精细调整，有效降低了背景噪声
不同条件下对水下鲍图像内目标区域识别的改善 对检测任务的干扰。此外，ACmix 模块进一步增
情况。实验结果如图版Ⅱ所示，鉴于水下环境的 强了模型对鲍目标区域的关注度，提升了对关键
复杂性，原始模型在识别鲍目标区域时缺乏足够 特征的提取能力。这些模块的协同作用使得 AMSTAR
的关注度，并且容易受到其他生物的影响，从而 能够更有效地处理复杂的背景和遮挡问题，从而
导致识别精度不足的问题。尽管 C3Star 模块增加 在提高检测精度方面表现出色，尤其是在水下环
了对鲍目标区域的关注度，但未能完全将目标与 境中执行鲍水下识别任务时，展现了更高的鲁棒
背景分离。引入 ADown 模块后，虽然在一定程度 性和准确性。

20 mm 20 mm 20 mm
1 2 3

20 mm 20 mm 20 mm
4 5 6
图版 Ⅱ 改进模型热力图对比
1.原图，2.YOLOv11 的热力图，3.加入了 C3Star 模块的 YOLOv11-S 的热力图，4.加入了 ADown 模块的 YOLOv11-AD 的热力图，5.加入了
ACmix 模块和 C3Star 模块的 YOLOv11-ACS 的热力图，6.加入了 3 个模块后的 YOLOv11-AMSTAR 的热力图。
Plate Ⅱ Comparison of improved model heat maps
1. original image, 2. heat map generated by YOLOv11, 3. heat map of YOLOv11-S enhanced with the C3Star module, 4. heat map of YOLOv11-AD
incorporating the ADown module, 5. heat map of YOLOv11-ACS integrating both ACmix and C3Star modules, 6. heat map of YOLOv11-AMSTAR
with all three modules integrated.

2.3 不同模型对比实验 果如表 2 所示，各模型 mAP@0.5 曲线如图 6 所示。
为了验证改进后的模型性能，本研究选取了 由 表 2 实 验 数 据 可 以 看 出 ， YOLOv11-
目前主流的目标检测模型 Faster R-CNN、SSD、 AMSTAR 模型在复杂水下环境中对鲍的检测性能
YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv12 明显优于其他当前流行的目标检测模型，具体来
以及 YOLOv11-AMSTAR 进行对比实验，实验结 说，在 mAP@0.5 指标上比 Faster R-CNN、SSD、

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
8