摘要
近年来，气候变化与海洋污染严重损害了珊瑚礁生态系统，凸显了开展自动化珊瑚检测以监测海洋环境的紧迫性。然而，水下珊瑚检测面临诸多独特挑战，包括图像对比度低、珊瑚结构复杂以及珊瑚密集生长等问题，这些因素显著限制了通用目标检测算法的性能。为应对上述挑战，本文提出一种基于YOLO架构的软珊瑚检测模型——SCoralDet。首先，我们设计了多路径融合模块（Multi-Path Fusion Block, MPFB），以多尺度方式捕获珊瑚特征，有效提升模型在光照不均和图像模糊等复杂条件下的鲁棒性；同时，通过引入重参数化技术，进一步优化推理效率。其次，模型集成轻量化组件（如GSConv与VoV-GSCSP），在不牺牲检测性能的前提下显著降低计算开销。此外，我们提出一种自适应幂变换标签分配策略，动态调整锚框对齐度量标准；结合软标签与软中心区域损失函数，引导模型优先生成高质量、高对齐度的预测结果。在Soft-Coral数据集上的实验表明，SCoralDet实现9.52毫秒的推理延迟和81.9的mAP50指标，优于YOLOv5（79.9）、YOLOv6（79.4）、YOLOv8（79.5）、YOLOv9（78.3）以及YOLOv10（79.5）等主流模型。实验结果充分验证了SCoralDet在水下珊瑚检测任务中的有效性与实际应用潜力。