农业机械学报

作者：田芳，杨欣垚，孙楠清，高行，陈俊轶，覃章念，庹兴敏，陈李溶，何垒

单位：湖北民族大学,湖北民族大学,湖北民族大学,湖北民族大学,湖北民族大学,湖北咸丰忠建河大鲵国家级自然保护区管理中心,湖北咸丰忠建河大鲵国家级自然保护区管理中心,湖北咸丰忠建河大鲵国家级自然保护区管理中心,湖北咸丰忠建河大鲵国家级自然保护区管理中心,

关键词：大鲵;目标检测;YOLO 11;深度学习;大鲵检测装置

基金：湖北省自然科学基金计划青年项目（2020CFB337）和湖北咸丰忠建河大鲵国家级自然保护区大鲵行为监测研究项目（XF2024070301DN）

为实现野外复杂环境下大鲵的快速准确识别，提出一种基于改进YOLO 11n的识别模型。采用在Backbone层引入高效注意力模块（Efficient multi-scale attention module，EMA），同时将CIoU（Complete intersection over union）损失函数替换为Wise-IoU（WIoU）损失函数，在Head层引入轻量级自适应提取卷积（Lightweight adaptive extraction of convolutions，LAE）。通过消融实验和对比实验可知：改进模型在召回率、精确率、F1分数和帧率等方面，分别达到94.85%、95.39%、95.12%和77.20f/s，模型内存占用量为11.56MB，浮点运算量为8.65×109;与基础YOLO 11n相比较，召回率、精确率、F1分数和帧率分别高5.70、6.13、5.92个百分点和27.1f/s。本文所提出模型YOLO 11n-EWL在模型的稳定性、识别速度及精度等方面都有显著提高。改进模型可满足大鲵在野外的实时检测需求且可长期适应户外工作，并构建一套大鲵全天候图像智能识别及行为检测系统。本文可为野外复杂环境下的大鲵实时检测提供理论技术支撑。

来源：2025年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第10期