基于YOLOv8n的輕量化魚類檢測算法

摘" 要： 目前極區(qū)是通過聲吶探測結(jié)合人工捕撈統(tǒng)計的方法對魚類進行監(jiān)測考察，該方法受經(jīng)濟成本和作業(yè)區(qū)域、時間的限制。基于深度學習的目標檢測算法可在滿足經(jīng)濟性要求的同時對魚類進行識別檢測，然而傳統(tǒng)的目標檢測算法往往參數(shù)量、計算量較大，無法適應極區(qū)能耗、存儲受限的嚴苛條件。針對這一問題，文中提出一種改進YOLOv8n的輕量化魚類檢測算法，在骨干和頸部網(wǎng)絡中使用GhostC2f代替C2f，用GhostConv代替網(wǎng)絡中部分Conv；在骨干網(wǎng)絡中引入EMA注意力機制，以提高特征提取能力；最后，使用計算過程更簡單的MPDIoU損失函數(shù)代替CIoU，提高檢測速度。在自制的魚類數(shù)據(jù)集上實驗表明：改進后的算法參數(shù)量和計算量分別變?yōu)?.49×106和4.7×109，僅用了原YOLOv8n算法49.67%的參數(shù)實現(xiàn)了略優(yōu)于YOLOv8n的檢測精度；部署到嵌入式設備Jetson Xavier NX中檢測速度能達到47 f/s，可以為硬件條件受限情況下的魚類檢測提供技術支撐。

關鍵詞： 魚類檢測； YOLOv8n； 輕量化； 極區(qū)； 聲吶探測； EMA注意力機制

中圖分類號： TN911?34； S951.2" " " " " " " " " " " "文獻標識碼： A" " " " " " " " " 文章編號： 1004?373X（2025）05?0079?07

Lightweight fish detection algorithm based on YOLOv8n

WANG Minghui1， 2， 3， CHEN Yan1， 2， 3， KOU Liwei1， 2， 3， DOU Yinke1， 2， 3

（1. College of Electrical and Power Engineering， Taiyuan University of Technology， Taiyuan 030024， China;

2. Shanxi Energy Internet Research Institute， Taiyuan 030032， China;

3. Key Laboratory of Cleaner Intelligent Control on Coal and Electricity， Ministry of Education， Taiyuan 030024， China）

Abstract： At present， the fishes in polar region are monitored and investigated by combining sonar detection with artificial fishing statistics. However， this method is limited by economic cost， operation area and time. Object detection algorithms based on deep learning can identify and detect fishes while meeting economic requirements. In the traditional object detection algorithms， however， there are a large number of parameters and large calculation quantity， so the algorithms fail to adapt to the harsh conditions of energy consumption and storage limitations in the polar region. In view of this， an improved lightweight fish detection algorithm based on YOLOv8n is proposed. In the algorithm， the GhostC2f module is used to replace C2f in the backbone and neck networks， and GhostConv is used to replace part of the Conv in the network， and the EMA is introduced in the backbone network to improve the feature extraction ability. Finally， the loss function MPDIoU， which has a simpler calculation， is used to replace the CIoU to improve the detection speed. Experiments on the self?made fish dataset show that the number of parameters and computation burden of the improved algorithm become 1.49×106 and 4.7×109， respectively， and only 49.67% of the parameters of the original YOLOv8n are used to achieve a detection accuracy slightly higher than that of the YOLOv8n. When the proposed algorithm is deployed in the embedded Jetson Xavier NX， it can achieve an inspection speed of up to 47 f/s， so it can provide technical support for fish detection in hardware?constrained situations.

Keywords： fish detection; YOLOv8n; lightweight; polar region; sonar detection; EMA

0" 引" 言

對極地冰下上層海洋中的魚類進行識別監(jiān)測可以幫助人們了解極區(qū)上層海洋系統(tǒng)的變化過程。但極區(qū)環(huán)境面臨能耗、數(shù)據(jù)通信等諸多限制，而傳統(tǒng)的深度學習算法往往模型較大、運行時間較長，且無法部署到計算存儲能力有限的移動設備中。輕量化的深度學習算法可以通過少量的卷積計算來完成目標檢測工作，更容易部署到移動設備中[1]。因此研究輕量化魚類檢測識別技術對于極區(qū)海洋生物監(jiān)測具有重要意義。

極區(qū)傳統(tǒng)的魚類檢測是通過聲吶探測結(jié)合人工統(tǒng)計的方式實現(xiàn)的，但該方法受經(jīng)濟成本和人工耗時限制。已有學者將基于深度學習的目標算法用于魚類的檢測識別，如文獻[2]提出了一種基于SSD的改進模型，在LifeCLEF2015數(shù)據(jù)集上達到了79.6%的準確率。文獻[3]提出了一種基于RepVGG的雙線性海洋魚類細粒度識別模型，利用兩個RepVGG網(wǎng)絡組成雙線性CNN 以提高模型的判別和泛化能力，改進后的模型在WildFish數(shù)據(jù)集上表現(xiàn)出了較高的準確率。文獻[4]在原始YOLOv5s算法中引入SEnet注意力機制形成了改進的YOLOv5s算法，并將其應用到珊瑚、珊瑚魚類與海星的識別中，mAP@0.5較原模型提升了2.4%。

以上針對魚類的檢測是在經(jīng)典網(wǎng)絡的基礎上進行改進以提高模型的識別檢測準確率，但未考慮模型的計算量和參數(shù)量問題，改進后的模型可以在個人電腦上實現(xiàn)檢測，但無法部署到邊緣設備中。為此，很多學者提出了輕量化的檢測模型，文獻[5]基于YOLOv4進行改進，將其特征提取網(wǎng)絡由CSPDarknet53改為輕量化的MobileNetV3以提高檢測速度。

文獻[6]采用輕量化的MobileNetV3作為YOLOv4的主干網(wǎng)絡，改進后的模型參數(shù)量和計算量分別減少了87.25%、89.86%。文獻[7]提出了一種改進YOLOv5的模型，主干網(wǎng)絡采用輕量級的MobileNetV3，頸部采用路徑聚合結(jié)構(gòu)增強特征融合能力，提高了模型的檢測精度和推理速度。

YOLOv8是在2023年提出的一種全新SOTA模型，相比于YOLO其他系列，速度更快、準確性更高。已有學者對YOLOv8進行改進以適應各種實際應用需求。文獻[8]基于YOLOv8進行改進，在主干網(wǎng)絡中使用GhostblockV2代替C2f模塊，頸部引入Bi?PAN?FPN，在自建的無人機檢測數(shù)據(jù)集上達到了91.7%的準確率，但參數(shù)量是原模型的86.8%。文獻[9]提出了一種基于YOLOv8的改進模型，主干和頸部網(wǎng)絡采用DSConv代替Conv減少計算量，設計雙路徑門控注意力模塊DPAG提高檢測精度，改進后模型的參數(shù)量變?yōu)樵Ｐ偷?1.6%。文獻[10]提出了一種基于YOLOv8n的改進模型，主干網(wǎng)絡中使用GSBlock模塊對C2f進行改進，特征融合部分GSConv代替Conv，進一步減少計算量，改進后的模型計算量為7.7×109，在FishNet數(shù)據(jù)集的標簽L2上的準確率為52.7%。

以上改進有助于減少網(wǎng)絡的參數(shù)量和計算量，但處理極地嚴苛復雜環(huán)境下水聲生物的識別檢測任務依然存在困難。極區(qū)環(huán)境的能源供應受到限制，這就對極區(qū)魚類目標檢測算法提出了低能耗的要求，即要求模型計算量低；同時布放在極區(qū)的設備僅僅擁有一定的計算能力且體積較小，這要求極區(qū)魚類目標檢測算法具有低存儲的特點，即要求模型參數(shù)量小。

基于以上考慮，本文提出一種基于YOLOv8n的改進模型。借助輕量化網(wǎng)絡GhostNet的思想設計GhostC2f代替C2f以降低模型的計算量和參數(shù)量；在骨干網(wǎng)絡中引入EMA注意力模塊提高檢測精度；最后，使用MPDIoU替換CIoU以進一步提高檢測速度。通過綜合對比分析，保證在滿足檢測精度和速度的同時，模型參數(shù)量和計算量大幅減少，滿足極區(qū)水下移動平臺的部署和應用要求。

1" YOLOv8n算法網(wǎng)絡結(jié)構(gòu)

YOLOv8按網(wǎng)絡結(jié)構(gòu)大小可分為 n、s、m、l 和x等5個版本，其中YOLOv8n模型最小、速度最快，選擇其作為基準模型進行改進。YOLOv8n[11]的網(wǎng)絡結(jié)構(gòu)如圖1所示。

2" YOLOv8n算法改進

本文在YOLOv8n的基礎上做了以下改進。

1） 設計GhostC2f代替C2f，同時將YOLOv8n中的部分卷積替換為GhostConv。

2） 為了彌補輕量化帶來的檢測精度降低的問題，引入EMA注意力機制。

3） 使用MPDIoU替換原CIoU，直接最小化預測邊界框和實際標注邊界框之間的左上角和右下角點距離。

改進后的網(wǎng)絡結(jié)構(gòu)如圖2所示。

2.1" 改進C2f模塊

YOLOv8n網(wǎng)絡借助多個C2f模塊實現(xiàn)圖像的特征提取和下采樣，但同時也引入了較多的參數(shù)，增加了計算的復雜度。本文借助GhostConv[12]對C2f進行優(yōu)化。

在實際操作中：假設輸入數(shù)據(jù)張量是[c×h×w]，經(jīng)過一次卷積后輸出數(shù)據(jù)張量為[n×h'×w']，[c]和[n]分別是輸入、輸出通道數(shù)，[h]、[h']和[w]、[w']分別是輸入輸出特征圖的高和寬，常規(guī)卷積核大小為[d]，經(jīng)過[s]次變換，普通卷積的計算量為：[n×h×w×c×k×k]，GhostConv的計算量為：[ns×h×w×c×k×k+s-1×ns×h×w×d×d]，計算量之比[γs≈s]。普通卷積的參數(shù)量為：[n×c×k×k]，GhostConv的參數(shù)量為：[ns×c×k×k+s-1×ns×d×d]，參數(shù)量之比為[γc≈s]。

綜上可知，GhostConv的計算量和參數(shù)量都大幅降低，因此借助GhostConv設計GhostC2f減少模型復雜度，GhostC2f和GhostBottleneck模塊的結(jié)構(gòu)如圖3所示。

2.2" YOLOv8n卷積操作的改進

本文使用GhostConv替換部分Conv，降低模型的參數(shù)量和計算量[13]，提高檢測速度。SPPF和CBS中的Conv被替換后分別命名為GhostSPPF和GCBS。

2.3" 引入EMA注意力模塊

EMA[14]是一種高效多尺度注意力模塊，借助并行子結(jié)構(gòu)來避免更多的順序處理，降低網(wǎng)絡深度，能夠在保留各通道信息的同時降低計算量。EMA注意力模塊結(jié)構(gòu)如圖4所示。

EMA使用并行的2條1×1分支和1條3×3分支來提取分組特征圖的注意力權(quán)重。對于1×1分支，分別在[x]、[y]方向通過自適應全局池化對通道進行編碼，并將兩個編碼連接起來，再通過1×1 Conv輸出兩個向量送入Sigmoid函數(shù)，最后通過乘法聚合通道注意力實現(xiàn)跨通道交互。對于3×3分支，使用3×3 Conv捕獲多尺度特征。

使用全局平均池化對各分支輸出的全局信息編碼，接著使用Softmax擬合線性變換，再利用矩陣點積運算將上述并行處理的結(jié)果相乘，得到空間注意力圖。最后把兩組的輸出特征映射相加，再通過Sigmoid函數(shù)和乘法操作得到與[x]大小相同的輸出。

2.4" 損失函數(shù)的改進

YOLOv8n使用的邊界框損失函數(shù)為CIoU[15]，CIoU綜合考慮了預測框與真實框的長寬比、中心點距離以及重疊面積，但使用到的參數(shù)量較多，計算過程較為復雜。

為了提高模型的檢測速度，使用計算過程較為簡單的MPDIoU[16]代替CIoU，以圖5為例，虛線、實線矩形分別表示真實、預測邊界框，其計算方式如下：

[d21=xprd1-xgt12+yprd1-ygt12] （1）

[d22=xprd2-xgt22+yprd2-ygt22] （2）

[MPDIoU=IoU-d21w2+h2-d22w2+h2] （3）

式中：[w]、[h]是輸入圖像的寬度、高度。

基于MPDIoU的損失函數(shù)如式（4）所示：

[LMPDIoU=1-MPDIoU] （4）

3" 實驗結(jié)果與分析

3.1" 實驗環(huán)境及參數(shù)設置

本文在PC端實現(xiàn)模型的訓練和測試，實驗環(huán)境是Windows 11系統(tǒng)，CUDA 11.6，顯卡為 GeForce RTX 3090，網(wǎng)絡開發(fā)框架為PyTorch 1.13.1，開發(fā)語言為Python 3.10，集成開發(fā)環(huán)境是Jupyter。

統(tǒng)一設置訓練輪次為 800，批大小為4，初始學習率設置為0.01，優(yōu)化器設置為auto模式，即模型會綜合已設置的參數(shù)自動選擇合適的優(yōu)化器。改進后的模型損失曲線如圖6所示，模型在訓練輪次為400時基本已達到收斂。

模型部署與推理平臺為Jetson Xavier NX。操作系統(tǒng)是Ubuntu 18.04，編程語言采用C++，CUDA 10.2，視覺工具是OpenCV 4.1.1。

為加快圖像處理速度，采用TensorRT推理加速框架，把在PC端訓練好的.pt權(quán)重文件轉(zhuǎn)換為ONNX格式，然后將其導入Jetson Xavier NX開發(fā)板中進行優(yōu)化編譯并創(chuàng)建引擎，部署方案如圖7所示。

3.2" 實驗數(shù)據(jù)集

把從WildFish[17]野生魚類數(shù)據(jù)集中選取和通過Python爬蟲得到的1 740張五種魚類圖片（Arothron_ meleagris、Arothron_hispidus、Amphiprion_clarkii、Aluterus_scriptus、Acanthurus_coeruleus）作為實驗數(shù)據(jù)集，按9∶1的比例劃分為訓練集和驗證集。

3.3" 實驗評價指標

本文選擇精確率[P]、召回率[R]、平均精度均值（mAP）、參數(shù)量（Params）、計算量（GFLOPs）作為模型訓練測試時的評價指標，選擇FPS作為模型部署與推理時的速度評價指標。[P]、[R]的定義如式（5）、式（6）所示：

[P=TPTP+FP] （5）

[R=TPTP+FN] （6）

式中：TP表示真正例；FP表示假正例；FN表示假反例。

[mAP]用于評估模型在不同類別上的性能，[mAP]@0.5表示IoU為0.5時的平均精度，[mAP]@0.5：0.95表示IoU取不同值（從0.5～0.95，步長為0.05）的平均精度。

3.4" 結(jié)果分析

為了分析本文提出的改進方案的有效性，對應于第二部分的改進，分別設計了對比實驗。首先針對原YOLOv8n的C2f模塊和頸部結(jié)構(gòu)的輕量化改進，設計了用改進后的模塊替換原模塊的不同網(wǎng)絡結(jié)構(gòu)對比實驗；為驗證所加入注意力機制對模型檢測精度提高的影響，引入不同的注意力模塊和不同的注意力機制加入網(wǎng)絡方式進行對比實驗；用各種不同的損失函數(shù)替換原損失函數(shù)，驗證了計算過程更為簡單的MPDIoU可實現(xiàn)較高的檢測精度。同時設計消融實驗對各種改進方案的實驗結(jié)果進行綜合分析。

3.4.1" 不同網(wǎng)絡結(jié)構(gòu)對比實驗

本文參考了幾種輕量化模塊重新設計了GhostC2f、FasterC2f[18]替換C2f；參考Slim?neck的思想，使用VoVGSCSP[19]代替頸部的C2f；借助Gold?YOLO的聚集分發(fā)機制設計全新的頸部結(jié)構(gòu)代替YOLOv8n的頸部。同時，用GhostConv替換部分Conv，實驗結(jié)果如表1所示。

從表1可見，頸部使用VoVGSCSP結(jié)構(gòu)的模型mAP結(jié)果最差。采用FasterC2f和RepGD的結(jié)構(gòu)參數(shù)量、計算量都略大，不符合模型輕量化的目的。相比較而言，采用GhostC2f替換C2f的改進方式整體性能最好。將此改進后的模型命名為L?YOLOv8n，且此后實驗都在L?YOLOv8n基礎上進行。

3.4.2" 注意力機制對比實驗

L?YOLOv8n在輕量化的同時帶來了檢測精度的損失，考慮加入注意力機制提高模型精度。本文采用了TripletAttention[20]、GAM[21]、EMA、SimAM四種注意力機制做對比。分別通過兩種方式加入到網(wǎng)絡中，方式一是直接把注意力模塊加入到骨干網(wǎng)絡中，方式二是借助注意力機制重新設計GhostC2f用于三個檢測頭處。注意力機制對比實驗結(jié)果如表2所示。

由表2可知，方式二的改進帶來了精度的略微提升，但也增大了參數(shù)量、計算量。方式一中GAM帶來了很大的參數(shù)量提高，SimAM在mAP@0.5：0.95上表現(xiàn)較差，EMA能使精確率[P]得到很大提升，TripletAttention能在提升精確率[P]的同時保持與L?YOLOv8n相當?shù)钠骄龋罄m(xù)的改進在這兩種機制的基礎上進行。

3.4.3" 損失函數(shù)對比實驗

本節(jié)比較了幾種常見的損失函數(shù)：WIoU[22]、SIoU、MPDIoU、GIoU、DIoU、EIoU。實驗結(jié)果如表3所示，可得出MPDIoU使模型具有更高的精度。

由于在注意力機制實驗中，TripletAttention和EMA效果相當，又對比了以下實驗以選出最優(yōu)結(jié)果。表4為不同改進對比實驗結(jié)果。

由表4可看出，EMA+MPDIoU的組合能取得最優(yōu)的整體效果。所以本文最終采用MPDIoU作為損失函數(shù)，選擇把EMA模塊加入到網(wǎng)絡中。

3.4.4" 消融實驗

為了驗證本文所提出的改進模塊的效果，設計了消融實驗。在YOLOv8n的基礎上，依次使用GhostC2f替換C2f、加入EMA、更換為MPDIoU損失函數(shù)，實驗結(jié)果如表5所示。其中除檢測速度之外都是在PC端的測試結(jié)果，檢測速度是部署到Jetson Xavier NX中的結(jié)果。

從表5可以看出，更換C2f之后參數(shù)量和計算量都大幅減小，但檢測準確率[P]也降低。加入EMA能彌補準確率降低的問題，同時參數(shù)量進一步減少，但召回率和mAP小幅降低。替換損失函數(shù)后，召回率和mAP得到提升。改進后的模型與原模型相比，參數(shù)量和計算量分別降低了50.4%、41.3%，[P]、[R]、mAP@0.5、mAP@0.5：0.95分別提升了0.7%、2.6%、0.2%、0.7%。部署到Jetson Xavier NX之后，檢測速度與原YOLOv8n一致。

如圖8所示，圖8a）、圖8c）是原YOLOv8n算法檢測結(jié)果示例，圖8b）、圖8d）是改進后的算法檢測結(jié)果示例，改進后的算法能在計算量和參數(shù)量都減少的情況下保持與原YOLOv8n相當?shù)臋z測精度。

4" 結(jié)" 論

針對極區(qū)能耗限制和設備計算存儲能力有限的問題，本文提出了基于YOLOv8n的輕量化魚類檢測算法。首先設計了輕量級的GhostC2f代替C2f，降低了模型的參數(shù)量和計算量；然后加入EMA注意力模塊，提升了模型的檢測精度，模型參數(shù)量也進一步減小；最后將原有的CIoU替換為MPDIoU，簡化損失函數(shù)計算過程，使模型的邊界框回歸性能得到提升。改進后的模型在達到略優(yōu)于YOLOv8n檢測精度的同時，參數(shù)量、計算量都大幅降低，但由于改進過程增加了網(wǎng)絡層數(shù)，最終檢測速度與原模型相同。本文提出的模型能夠在占用更少的存儲和計算資源的同時，保證檢測精度和實時檢測，為極區(qū)魚類的檢測識別提供了參考。

注：本文通訊作者為陳燕。

參考文獻

[1] 湯永華，張志鵬，林森，等.基于深度學習的魚類識別相關技術研究現(xiàn)狀及展望[J].海洋漁業(yè)，2024，46（2）：246?256.

[2] 鄧權(quán).基于深度學習的海洋魚類檢測技術研究[D].濟南：山東大學，2021.

[3] 張琳.基于深度學習的海洋魚類圖像檢測與識別算法研究[D].青島：青島科技大學，2023.

[4] 花明珠.基于深度學習的珊瑚、珊瑚礁魚類與海星識別方法研究[D].長春：東北師范大學，2023.

[5] YIN J H， WU J F， GAO C Q， et al. LIFRNet： A novel lightweight individual fish recognition method based on deformable convolution and edge feature learning [J]. Agriculture， 2022， 12（12）： 1972.

[6] 杜德峰.基于深度學習的輕量化鯨類目標檢測算法研究[D].長春：吉林大學，2023.

[7] 羅毅智，陸華忠，周星星，等.基于YOLOV5?MobilenetV3和聲吶圖像的魚類識別輕量化模型[J].廣東農(nóng)業(yè)科學，2023，50（7）：37?46.

[8] LI Y T， FAN Q S， HUANG H S， et al. A modified YOLOv8 detection network for UAV aerial image recognition [J]. Drones， 2023， 7（5）： 304.

[9] YANG G L， WANG J X， NIE Z L， et al. A lightweight YOLOv8 tomato detection algorithm combining feature enhancement and attention [J]. Agronomy， 2023， 13（7）： 1824.

[10] 袁紅春，陶磊.基于改進的Yolov8商業(yè)漁船電子監(jiān)控數(shù)據(jù)中魚類的檢測與識別[J].大連海洋大學學報，2023，38（3）：533?542.

[11] JOCHER G， QIU J， CHAURASIA A. Ultralytics YOLO （Version 8.0.0） [Computer software] [EB/OL]. [2023?06?19]. https：//github.com/ultralytics/ultralytics.

[12] HAN K， WANG Y H， TIAN Q， et al. GhostNet： More features from cheap operations [C]// Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. New York： IEEE， 2020： 1577?1586.

[13] 梅海彬，黃政，袁紅春.基于YOLOv7模型改進的輕量級魚類目標檢測方法[J].大連海洋大學學報，2023，38（6）：1032?1043.

[14] OUYANG D L， HE S， ZHANG G Z， et al. Efficient multi?scale attention module with cross?spatial learning [C]// 2023 IEEE International Conference on Acoustics， Speech and Signal Processing （ICASSP）. New York： IEEE， 2023： 1?5.

[15] ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation [J]. IEEE transactions on cybernetics， 2022， 52（8）： 8574?8586.

[16] MA S L， XU Y. MPDIoU： A loss for efficient and accurate bounding box regression [EB/OL]. [2023?07?25]. https：//doi.org/10.48550/arXiv.2307.07662.

[17] ZHUANG P Q， WANG Y L， QIAO Y. WildFish： A large benchmark for fish recognition in the wild [C]// Proceedings of the 26th ACM International Conference on Multimedia. New York： IEEE， 2018： 1301?1309.

[18] CHEN J R， KAO S H， HE H， et al. Run， don′t walk： Chasing higher FLOPS for faster neural networks [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New York： IEEE， 2023： 12021?12031.

[19] LI H L， LI J， WEI H B， et al. Slim?neck by GSConv： A better design paradigm of detector architectures for autonomous vehicles [EB/OL]. [2024?10?06]. https：//doi.org/10.48550/arXiv.2206.02424.

[20] MISRA D， NALAMADA T， ARASANIPALAI A U， et al. Rotate to attend： Convolutional triplet attention module [C]// Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. New York： IEEE， 2021： 3139?3148.

[21] LIU Y C， SHAO Z R， HOFFMANN N. Global attention mechanism： Retain information to enhance channel?spatial interactions [EB/OL]. [2021?12?14]. https：//arxiv.org/abs/2112.05561.

[22] TONG Z J， CHEN Y H， XU Z W， et al. Wise?IoU： Bounding box regression loss with dynamic focusing mechanism [EB/OL]. [2023?01?26]. https：//doi.org/10.48550/arXiv.2301.10051.

基金項目：國家重點研發(fā)計劃（2022YFC2807603）；山西省基礎研究計劃資助項目（202203021211175，202103021223048）

作者簡介：王明慧（1999—），女，河南周口人，碩士研究生，主要研究方向為計算機視覺、目標檢測。

陳" 燕（1977—），女，山西太原人，博士研究生，教授，碩士生導師，主要研究方向為新能源發(fā)電技術、特殊電機設計及控制。

寇立偉（1993—），男，山西朔州人，博士研究生，講師，主要研究方向為多智能體協(xié)同控制及其在極地無人系統(tǒng)中的應用。

竇銀科（1973—），男，山西太原人，博士研究生，教授，博士生導師，主要研究方向為極地環(huán)境探測和新能源利用。