基于改进YOLOv8的复杂天气环境下海面船舶检测算法

doi:10.11772/j.issn.1001-9081.2025060723

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (6): 1998-2006.DOI: 10.11772/j.issn.1001-9081.2025060723

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于改进YOLOv8的复杂天气环境下海面船舶检测算法

熊珍凯¹^,²(), 徐梦军¹^,², 孙胤胤³, 王鑫⁴

^1.安徽理工大学新能源与智能网联汽车学院，合肥 231131
^2.安徽理工大学特种车辆及无人系统研究所，合肥 231131
^3.中汽院智能网联科技有限公司，重庆 401100
^4.西北机电工程研究所，陕西咸阳 712000

收稿日期:2025-06-30 修回日期:2025-09-24 接受日期:2025-09-26 发布日期:2025-10-21 出版日期:2026-06-10
通讯作者: 熊珍凯
作者简介:徐梦军（2001—），男，安徽阜阳人，硕士研究生，主要研究方向：机器视觉、人工智能
孙胤胤（1986—），男，江苏徐州人，硕士，高级工程师，主要研究方向：车辆自动驾驶
王鑫（1979—），男，陕西咸阳人，高级工程师，主要研究方向：机电控制。
第一联系人：熊珍凯（1979—），男，湖北天门人，教授，博士，主要研究方向：无人系统、特种车辆
基金资助:
安徽理工大学高层次人才引进基金资助项目(2023yjrc55)

Maritime ship detection algorithm under complex weather environments based on enhanced YOLOv8

Zhenkai XIONG¹^,²(), Mengjun XU¹^,², Yinyin SUN³, Xin WANG⁴

^1.College of New Energy and Intelligent Connected Vehicle，Anhui University of Science and Technology，Hefei Anhui 231131，China
^2.Institute of Special Vehicles and Unmanned Systems，Anhui University of Science and Technology，Hefei Anhui 231131，China
^3.CAERI Intelligent Network Technology Company Limited，Chongqing 401100，China
^4.Northwest Institute of Mechanical and Electrical Engineering，Xianyang Shaanxi 712000，China

Received:2025-06-30 Revised:2025-09-24 Accepted:2025-09-26 Online:2025-10-21 Published:2026-06-10
Contact: Zhenkai XIONG
About author:XU Mengjun， born in 2001， M. S. candidate. His research interests include machine vision， artificial intelligence.
SUN Yinyin， born in 1986， M. S.， senior engineer. His research interests include vehicle autonomous driving.
WANG Xin， born in 1979， senior engineer. His research interests include electromechanical control.
First author contact:XIONG Zhenkai， born in 1979， Ph. D.， professor. His research interests include unmanned systems， special vehicles.
Supported by:
High-level Talent Introduction Program of Anhui University of Science and Technology(2023yjrc55)

摘要/Abstract

摘要：

针对海面船舶检测任务在雨雾和低光照等复杂天气环境下存在的漏检与误检问题，提出一种基于改进YOLOv8的复杂天气环境海面船舶检测算法。首先，提出跨层次局部与全局注意力融合模块（CGLGAFB），通过构建精细化的局部和全局特征融合机制，并结合多路特征融合策略整合来自不同层次的多源特征信息，提升模型的特征融合能力，抑制噪声干扰与信息冗余；其次，改进原C2f （Faster Implementation of CSP Bottleneck with 2 convolutions）模块为自适应混合C2f模块（C2f-AMB），通过有自适应感受野调节能力的深度卷积分支，使模型能够更灵活、更高效地捕获不同尺度与复杂空间结构的目标特征，增强特征提取能力；最后，提出多尺度空间感知金字塔（MSPP）模块替换SPPF（Spatial Pyramid Pooling-Fast）模块，利用不同空洞率的空洞卷积构建多尺度感受野，获取全面的上下文信息，减少关键信息遗漏。在增强后的数据集SeaShips_aug上的实验结果表明，所提算法的mAP@50和召回率分别达到84.7%和79.3%，比基线模型YOLOv8分别高了2.6和3.9个百分点，验证了所提算法更适合复杂天气环境下的海面船舶检测任务。

关键词: 复杂天气环境, YOLOv8, 深度学习, 船舶检测, 目标识别

Abstract:

To address the problems of missed detection and false detection in maritime ship detection tasks under complex weather environments such as rain， fog， and low light， a maritime ship detection algorithm based on enhanced YOLOv8 under complex weather environments was proposed. Firstly， a Cross-Granularity Local Global Attention Fusion Block （CGLGAFB） was proposed， so that a refined local and global feature fusion mechanism was constructed and multi-path feature fusion strategies were combined to integrate multi-source feature information from different levels， thereby enhancing the model’s feature fusion capability as well as suppressing noise interference and information redundancy. Then， the original C2f （Faster Implementation of CSP Bottleneck with 2 convolutions） module was improved to an adaptive mixed C2f module （C2f-Adaptive Mixer Block， C2f-AMB）. The target features of different scales and complex spatial structure were captured by the model more flexibly and efficiently through deep convolution branches with adaptive receptive field adjustment capability， thereby enhancing feature extraction capabilities. Finally， a Multi-scale Spatial Perception Pyramid （MSPP） module was proposed to replace SPPF（Spatial Pyramid Pooling-Fast） module， so that dilated convolutions with different dilation rates were utilized to construct multi-scale receptive fields， thereby obtaining comprehensive contextual information， and reducing the omission of key information. Experimental results on the enhanced dataset SeaShips_aug show that the proposed algorithm achieves the mAP@50 and recall of 84.7% and 79.3%， respectively， which are 2.6 and 3.9 percentage points higher than those of the baseline model YOLOv8， respectively， verifying that the proposed algorithm is more suitable for maritime ship detection tasks under complex weather environments.

Key words: complex weather environment, YOLOv8, deep learning, ship detection, object recognition

中图分类号:

TP391.4

熊珍凯, 徐梦军, 孙胤胤, 王鑫. 基于改进YOLOv8的复杂天气环境下海面船舶检测算法[J]. 计算机应用, 2026, 46(6): 1998-2006.

Zhenkai XIONG, Mengjun XU, Yinyin SUN, Xin WANG. Maritime ship detection algorithm under complex weather environments based on enhanced YOLOv8[J]. Journal of Computer Applications, 2026, 46(6): 1998-2006.

图/表 12

参考文献 29

[1]	XU Q， LI Y， ZHANG M， et al. COCO-Net： a dual-supervised network with unified ROI-loss for low-resolution ship detection from optical satellite image sequences［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： No.5629115.
[2]	LIU R W， YUAN W， CHEN X， et al. An enhanced CNN-enabled learning method for promoting ship detection in maritime surveillance system［J］. Ocean Engineering， 2021， 235： No.109435.
[3]	CHEN X， WEI C， XIN Z， et al. Ship detection under low-visibility weather interference via an ensemble generative adversarial network［J］. Journal of Marine Science and Engineering， 2023， 11（11）： No.2065.
[4]	LIU T， ZHANG Z， LEI Z， et al. An approach to ship target detection based on combined optimization model of dehazing and detection［J］. Engineering Applications of Artificial Intelligence， 2024， 127（Pt B）： No.107332.
[5]	GUO J， FENG H， XU H， et al. D³-Net： integrated multi-task convolutional neural network for water surface deblurring， dehazing and object detection［J］. Engineering Applications of Artificial Intelligence， 2023， 117（Pt A）： No.105558.
[6]	YU M， HAN S， WANG T， et al. An approach to accurate ship image recognition in a complex maritime transportation environment［J］. Journal of Marine Science and Engineering， 2022， 10（12）： No.1903.
[7]	龙翔，陈华杰，吴浩宇，等. 基于特征增强的海面强干扰目标检测［J］. 激光与光电子学进展， 2025， 62（2）： No.0212008.
	LONG X， CHEN H J， WU H Y， et al. Strong interference target detection on the sea surface based on feature augmentation［J］. Laser and Optoelectronics Progress， 2025， 62（2）： No.0212008.
[8]	李承烨，张震，梁哲恒，等. 目标检测模型综述［J］. 计算机研究与发展， 2025， 62（12）： 2895-2928.
	LI C Y， ZHANG Z， LIANG Z H， et al. A survey on object detection models［J］. Journal of Computer Research and Development， 2025， 62（12）： 2895-2928.
[9]	武雨田，李擎，孙文蔚，等. 复杂天气下车载激光点云目标检测方法综述［J］. 工程科学学报， 2025， 47（5）： 1081-1093.
	WU Y T， LI Q， SUN W W， et al. Overview of object detection methods based on LiDAR point cloud under adverse weather conditions［J］. Chinese Journal of Engineering， 2025， 47（5）： 1081-1093.
[10]	杜宏，顾宸瑜，张孝峥，等. 基于YOLOv10-vehicle算法的复杂天气情况下车辆目标检测方法［J］. 吉林大学学报（工学版）， 2025， 55（10）： 3309-3318.
	DU H， GU C Y， ZHANG X Z， et al. Vehicle target detection method based on the YOLOv10-vehicle algorithm under complex weather conditions［J］. Journal of Jilin University （Engineering and Technology Edition）， 2025， 55（10）： 3309-3318.
[11]	王新蕾，王硕，翟嘉政，等. 多任务联合学习下的复杂天气航拍图像目标检测算法［J］. 计算机工程与应用， 2025， 61（2）： 97-111.
	WANG X L， WANG S， ZHAI J Z， et al. Object detection algorithm of aerial image in complex weather based on multi-task joint learning［J］. Computer Engineering and Applications， 2025， 61（2）： 97-111.
[12]	吕中亮，夏可文，卢震宇，等. 密集特征加权融合网络用于复杂天气下的绝缘子表面缺陷检测［J］. 高电压技术， 2025， 51（3）： 1114-1125.
	LYU Z L， XIA K W， LU Z Y， et al. Weather-robust insulator surface defect detection with dense feature weighted fusion network［J］. High Voltage Engineering， 2025， 51（3）： 1114-1125.
[13]	FENG C J， ZHONG Y， GAO Y， et al. TOOD： task-aligned one-stage object detection［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 3490-3499.
[14]	董甲东，桑飞虎，郭庆虎，等. 基于深度学习的目标检测算法轻量化研究综述［J］. 计算机科学与探索， 2025， 19（8）： 2057-2084.
	DONG J D， SANG F H， GUO Q H， et al. Review of lightweight object detection algorithms based on deep learning［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（8）： 2057-2084.
[15]	王宁，智敏. 深度学习下的单阶段通用目标检测算法研究综述［J］. 计算机科学与探索， 2025， 19（5）： 1115-1140.
	WANG N， ZHI M. Review of one-stage universal object detection algorithms in deep learning［J］. Journal of Frontiers of Computer Science and Technology， 2025， 19（5）： 1115-1140.
[16]	SUNKARA R， LUO T. No more strided convolutions or pooling： a new CNN building block for low-resolution images and small objects［C］// Proceedings of the 2023 Joint European Conference on Machine Learning and Knowledge Discovery in Databases， LNCS 13715. Cham： Springer， 2023： 443-459.
[17]	熊珍凯，程晓强，吴幼冬，等. 基于激光雷达的无人驾驶3D多目标跟踪［J］. 自动化学报， 2023， 49（10）： 2073-2083.
	XIONG Z K， CHENG X Q， WU Y D， et al. LiDAR-based 3D multi-object tracking for unmanned vehicles［J］. Acta Automatica Sinica， 2023， 49（10）： 2073-2083.
[18]	卓力，于婉婷，贾童瑶，等. 基于Transformer的遥感图像变化检测研究进展［J］. 北京工业大学学报， 2025， 51（7）： 851-866.
	ZHUO L， YU W T， JIA T Y， et al. Research progress of Transformer-based remote sensing image change detection［J］. Journal of Beijing University of Technology， 2025， 51（7）： 851-866.
[19]	李沂杨，陆声链，王继杰，等. 基于Transformer的DETR目标检测算法研究综述［J］. 计算机工程， 2026， 52（4）： 62-81.
	LI Y Y， LU S L， WANG J J， et al. Review of DETR object detection algorithm based on Transformer［J］. Computer Engineering， 2026， 52（4）： 62-81.
[20]	CHENG S， ZHU Y， WU S. Deep learning based efficient ship detection from drone-captured images for maritime surveillance［J］. Ocean Engineering， 2023， 285（Pt 2）： No.115440.
[21]	王微，郁强，王五桂，等. YOLOv7-F：一种轻量级船舶实时检测算法［J］.兵器装备工程学报， 2024， 45（11）： 11-18.
	WANG W， YU Q， WANG W G， et al. YOLOv7-F： alight weight real-time ship detection algorithm［J］. Journal of Ordnance Equipment Engineering， 2024， 45（11）： 11-18.
[22]	ZHANG Y， CHEN W， LI S， et al. YOLO-Ships： lightweight ship object detection based on feature enhancement［J］. Journal of Visual Communication and Image Representation， 2024， 101： No.104170.
[23]	梁娟，王凯，李小霞. 海面船舶小目标检测的正交子空间投影算法［J］. 机械设计与制造， 2025（10）： 83-89， 97.
	LIANG J， WANG K， LI X X. Small target detection for ships on the sea surface based on orthogonal subspace projection algorithm［J］. Machinery Design and Manufacture， 2025（10）： 83-89， 97.
[24]	XU S， ZHENG S， XU W， et al. HCF-Net： hierarchical context fusion network for infrared small object detection ［C］// Proceedings of the 2024 IEEE International Conference on Multimedia and Expo. Piscataway： IEEE， 2024： 1-6.
[25]	SHAO Y. Local-Global Attention： an adaptive mechanism for multi-scale feature integration［EB/OL］. ［2025-08-31］..
[26]	WANG C Y， MARK LIAO H Y， WU Y H， et al. CSPNet： a new backbone that can enhance learning capability of CNN［C］// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2020： 1571-1580.
[27]	YU W， SI C， ZHOU P， et al. MetaFormer baselines for vision［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2024， 46（2）： 896-912.
[28]	SHI D. TransNeXt： robust foveal visual perception for vision Transformers［C］// Proceedings of the 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2024： 17773-17783.
[29]	SHAO Z， WU W， WANG Z， et al. SeaShips： a large-scale precisely annotated dataset for ship detection［J］. IEEE Transactions on Multimedia， 2018， 20（10）： 2593-2604.

参数	值	参数	值
输入尺寸	640×640	优化器	SGD
初始学习率	1×10^-2	动量	0.937
迭代次数	150	线程数	4
批量大小	32	热身轮数	3

参数	值	参数	值
输入尺寸	640×640	优化器	SGD
初始学习率	1×10^-2	动量	0.937
迭代次数	150	线程数	4
批量大小	32	热身轮数	3

Baseline	①	②	③	mAP@50/ %	mAP@50-95/ %	Params	FLOPs/ 10⁹	Size/MB
√	×	×	×	0.821	0.563	3 006 818	8.1	6.2
√	√	×	×	0.839	0.580	3 807 842	9.3	8.0
√	×	√	×	0.837	0.554	2 339 190	6.3	4.8
√	×	×	√	0.834	0.568	3 154 274	8.1	6.5
√	√	√	√	0.847	0.571	3 287 670	7.5	6.7

Baseline	①	②	③	mAP@50/ %	mAP@50-95/ %	Params	FLOPs/ 10⁹	Size/MB
√	×	×	×	0.821	0.563	3 006 818	8.1	6.2
√	√	×	×	0.839	0.580	3 807 842	9.3	8.0
√	×	√	×	0.837	0.554	2 339 190	6.3	4.8
√	×	×	√	0.834	0.568	3 154 274	8.1	6.5
√	√	√	√	0.847	0.571	3 287 670	7.5	6.7

模型	P/%	R/%	mAP@50/ %	FLOPs/ 10⁹	Params/ 10⁶	Size/ MB
SSD	61.7	78.0	62.5	30.7	24.4	187.6
Faster R-CNN	61.8	77.1	62.6	208.0	41.4	317.5
YOLOXs	63.4	79.6	64.9	7.6	5.0	70.4
RTMDET-tiny	65.1	80.0	65.7	30.7	24.4	31.7
Cascade RCNN	69.3	75.3	69.7	236.0	69.2	533.0
DINO R-50	65.9	75.2	68.9	274.0	47.6	602.9
YOLOV5s	77.3	76.1	79.8	4.2	1.8	3.8
YOLOV7-tiny	79.6	76.7	80.6	13.1	6.0	11.7
YOLOV10n	83.0	74.0	80.9	6.5	2.3	5.7
YOLO11n	80.8	77.3	81.8	6.3	2.6	5.5
YOLOV12n	82.3	78.0	83.2	5.8	2.5	5.2
YOLOV13n	82.6	73.0	80.9	6.2	2.5	5.2
Hyper-YOLO	82.8	76.1	82.3	11.0	3.9	7.8
YOLOV8n	81.3	75.4	82.1	8.1	3.0	6.2
本文模型	83.3	79.3	84.7	7.5	3.3	6.7

基于改进YOLOv8的复杂天气环境下海面船舶检测算法

Maritime ship detection algorithm under complex weather environments based on enhanced YOLOv8

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 29

相关文章 15

编辑推荐

Metrics

[1]	何丽丽, 曹勐, 张磊, 潘洪军, 刘义, 孙成心. 基于Kolmogorov-Arnold网络与扩散Transformer的手语生成模型[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1801-1810.
[2]	杜艺, 续明进, 孔佳仪, 王力瑶, 赵晨. 基于YOLOv11的低秩自适应参数高效微调算法[J]. 《计算机应用》唯一官方网站, 2026, 46(6): 1738-1745.
[3]	盛兴, 翁孙贤, 陈扩松, 王忠平, 任芮锋, 刘勇. 基于深度学习的电网企业专利价值评估[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1468-1474.
[4]	郭慧洁, 窦天凤, 张振琳, 亓开元, 吴栋, 曲志坚, 李钊, 任崇广. 基于时间依赖建模的动态贝叶斯网络交通预测[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1507-1517.
[5]	刘馨瑶, 梁军, 龙嘉濠, 颜仁梁. 基于特征融合和通道信息补偿的中草药细粒度图像分类[J]. 《计算机应用》唯一官方网站, 2026, 46(5): 1677-1683.
[6]	陈浩轩, 叶培昌, 刘磊, 刘承明, 胡文华. 自动代码编辑推荐综述[J]. 《计算机应用》唯一官方网站, 2026, 46(4): 1227-1237.
[7]	余松森, 何皇, 薛国鹏, 崔恒拓. 基于改进FENet的瓷砖色差量化分级方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 959-968.
[8]	张健, 于剑波, 汤健. 基于多层预处理的城市固废焚烧状态识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 940-949.
[9]	陈敏, 秦小林, 李绍涵, 杨昊, 李韬弘. 深度学习应用于强对流天气预测的综述[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 980-992.
[10]	姜勇维, 陈晓清, 付麟杰. 基于频谱分解的高频保持医学图像弹性配准模型[J]. 《计算机应用》唯一官方网站, 2026, 46(3): 924-932.
[11]	姜皓骞, 张东, 李冠宇, 陈恒. 基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 368-377.
[12]	韩锋, 卜永丰, 梁浩翔, 黄舒雯, 张朝阳, 孙士杰. 基于多层次时空交互依赖的车辆轨迹异常检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 604-612.
[13]	陈晓雷, 郑芷薇, 黄雪, 曲振彬. 结合球面对齐与自适应几何校正的全景视频超分辨率网络[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 528-535.
[14]	刘权捷, 顾兆一, 王春源. 复杂光照条件下的不安全驾驶行为检测[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 613-619.
[15]	林金娇, 张灿舜, 陈淑娅, 王天鑫, 连剑, 徐庸辉. 基于改进图注意力网络的车险欺诈检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 437-444.