摘要： 针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低 等问题：首先构建出雾环境下的船舶目标检测数据集；接着在 ＹＯＬＯｖ５基础上进行改进，在原网 络结构基础上，为使深度可分离卷积更接近可分离卷积，使用 ＧＳＣｏｎｖ模块替换 Ｈｅａｄ部分 ＣＢＳ 模块，以提高模型精准度，并引入 ＳｌｉｍＮｅｃｋ范式，进一步提高模型平均精准度，降低模型的计算 量。同时，采用多项式损失函数替换原二元交叉熵损失函数，以提高模型的精准度，并引入 ＳＩｏＵ Ｌｏｓｓ消除真实框与预测框方向问题的缺陷，以提高训练速度和推理准确性。实验结果表明，模 型在 ｍＡＰ０．５指标上达到 ９５．７％，相较于基础 ＹＯＬＯｖ５模型，改进后的船舶目标检测模型 ｍＡＰ０．５ 提高 ０．９％、ｍＡＰ０．９５提高 ０．９％，同时 ＦＬＯＰｓ也降低 ２．１Ｇ。这一结果表明，雾环境下的船舶目标 检测模型具有更优的精准度和更轻量的模型结构，在提高雾环境下船舶检测的精准度和效率方 面具有很好的应用前景

关键词: 深度学习；目标检测；智能船舶；雾环境

中图分类号: 

• ＴＰ３９1