基于深度神经网络的水下目标检测综合研究：YOLOv8与YOLOv9在海洋垃圾识别中的应用

本文针对水下目标检测展开深度研究，利用YOLOv8和YOLOv9模型在TrashCan 1.0数据集上进行32种实验配置，评估模型变体、类别分布及学习率对检测性能的影响，为海洋环境保护和水下机器人视觉提供技术参考。

研究背景与意义

海洋覆盖地球表面超70%，但海洋垃圾污染已成全球性问题，每年超800万吨塑料垃圾进入海洋威胁生态。传统水下监测依赖人工潜水或简单摄像设备，效率低、成本高。水下环境存在光线衰减、水体浑浊等挑战，常规计算机视觉算法效果不佳。深度学习技术（尤其是YOLO系列模型）为解决这些难题提供新可能。

实验设计与方法论

研究进行32组实验，考察模型变体、数据集结构和学习率三个变量：

• 模型选择：YOLOv8（n/s/m/l）和YOLOv9（t/s/m/c）多个变体；
• 数据集配置：TrashCan1.0数据集分三类别（垃圾、动物、ROV）和四类别（增加植物），含训练/验证/测试图像；
• 训练参数：所有模型训练100个epoch，学习率设为0.01和0.0001两档。

核心发现与结果分析

1. 模型容量与性能正相关：YOLOv9c在三类别数据集表现最佳，YOLOv8l在四类别数据集领先；
2. 类别数量影响检测难度：三类别数据集模型表现优于四类别，简化类别可提升准确率；
3. 评估指标：高容量模型在精确率、召回率、mAP指标上均占优势，YOLOv8l和YOLOv9c表现突出。

实际应用价值

• 海洋环保：自动化检测系统可部署于AUV/ROV，实现大范围长时间监测，成本低、覆盖广；
• 水下机器人视觉：为自主导航、目标跟踪等提供技术基础；
• 扩展领域：可应用于水下考古、海洋生物学研究、水下设施检查等。

研究局限与未来方向

局限：数据集未包含在代码库，需用户自行获取，增加复现门槛；模型权重可能需单独提供或训练。

未来方向：探索轻量级模型适应嵌入式设备；研究多模态融合（声纳+光学图像）；开发在线学习机制适应不同水下环境。

结论

本研究通过系统性实验，全面评估YOLOv8和YOLOv9在水下目标检测中的性能。发现模型容量与检测性能正相关，类别复杂度控制对实际应用有重要影响。研究成果为水下计算机视觉系统开发提供参考，助力海洋环境保护。