基于Dual-YOLOv7模型的在轨卫星遥感图像船舶检测

来源：海洋技术学报杂志2026年第02期北京时间：

作者：肖飞,孙震笙,金俊杰

单位：单位肖飞，孙震笙，金俊杰（中国星网数字科技有限公司,河北雄安新区071700）

摘要：在海洋监测领域，对遥感影像中的船舶进行实时、精准的目标检测是确保海上交通安全和海洋环境监管的重要任务。本文提出了一种基于双YOLOv7 （Dual You Only Look Once v7，Dual-YOLOv7） 模型的船舶检测方法，旨在提高遥感影像中船舶检测的效率和准确性。引入交叉注意力融合（Criss-Cross Attention Fusion，CC Attention-Fusion） 模块，并对随机融合（Shuffle-Fusion） 模块进行改进，以有效融合红外图像与可见光图像的特征，从而增强模型对不同光照和天气条件下的适应能力。同时，引入深度可分离卷积模型，构造深度可分离空间金字塔池化快速（Depthwise Separable Spatial Pyramid Pooling Fast，D-SimSPPF） 模块，在保证检测精度的同时，显著提升了检测速度。此外，构造了CIoU-C （Complete Intersection over Union-Complement）损失函数，使得目标框尺寸的选定更加贴近真实船舶的尺寸，进一步提高了检测的准确性。为了验证模型的实际应用能力，本文将Dual-YOLOv7 模型部署在AGX Orin 嵌入式平台上，并在多模态船舶MMShip 数据集上进行了训练和测试。实验结果表明：与现有的掩码-区域卷积神经网络（Mask Region -Convolutional Neural Networks，Mask R -CNN）、YOLOv8 分割（YOLOv8-seg） 模型、YOLOv5 分割（YOLOv5-seg） 模型、YOLOv7 分割（YOLOv7-seg） 模型和实时检测变换器（Real-time Detection Transformer，RT-DETR） 相比，Dual-YOLOv7 模型的平均精度（mean Average Precision 50%，mAP50%） 指标达到了91.6%，展现出最高的检测精度。同时，该模型的总计算量仅为1176 亿次浮点运算，即117.6 GFLOPs （Giga Floating-Point Operations Per Second），算力消耗最低，表明其在实际应用中具有显著的效率优势。结果表明：Dual-YOLOv7模型在船舶检测任务中具有良好的应用前景，能够为海洋监测和管理提供有力的技术支持。

关键词：目标检测；船舶识别；遥感影像；深度学习；Dual-YOLOv7 模型