.png){kind=icon}
返回
CEC-YOLO: a floating-debris detection algorithm for complex water-surface environments
.png){kind=icon}
OA
AI
DOI：10.3389/fmars.2026.1914553.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自主水清洁船舶依赖对漂浮垃圾的精确实时感知，但复杂水面环境中的检测仍因目标尺寸小、尺度变化、水面反射和光照干扰而困难。我们提出CEC-YOLO，一种基于YOLO11n的轻量级检测算法，解决了该场景中精度与推理速度的持续权衡。CEC-YOLO未引入新的基础算子，而是在YOLO11n内部开发任务特定的结构集成，整合现有的轻量级特征提取与校准机制。CSP-EDLAN与P2–P5骨干网络层次阶段匹配，以紧凑计算预算增强多尺度垃圾表征。基于分割的CFC-CRB和SFC-G2模块被重组为不对称级联拓扑，其中语义上下文先在P5校准，再用于引导P3的空间对齐。这种尺度特异性耦合针对反射引起的伪纹理、密集聚集、模糊边界和视角依赖变形，而非将三模块视为可互换插件。在复杂水面漂浮垃圾数据集上评估，CEC-YOLO达到88.9%的mAP@0.50，同时在RTX 3090上保持175帧/秒，超越YOLO11n基线及其他主流检测器在精度-速度平衡上的表现。在公开IWHR-AI-Lable-Floater-V1数据集上的跨数据集评估进一步证实，这些优势并非局限于自建数据。通过在紧凑模型中以实时速度提供高精度，CEC-YOLO为智能表面清洁船舶提供可部署的感知方案，并为自动化海洋污染监测与缓解贡献了实用路径。
Keyword:
deep learning,real-time detection,feature calibration,lightweight object detection,YOLO11,marine pollution monitoring,water-surface floating-debris detection
