基于改进YOLOv8n模型的河湖鸟类智能识别方法

　　

摘要： 为解决鸟类目标识别算法轻量化与高精度的平衡问题,针对河湖环境中鸟类目标体积小、分布稀疏及背景复杂的特点,本研究基于原始模型YOLOv8n提出一种改进模型YOLOv8-MAT-2H。首先,引入多尺度特征模块(MSBlock),增强对鸟类特征的表示能力。其次,采用自适应下采样模块(ADown)强化边缘及细粒度特征提取。然后,使用减少检测头(Reduced Head)剪裁P5分支,显著减少参数量和计算成本。最后,在损失函数中引入自适应阈值焦点损失(ATFL),使模型更关注难识别目标。利用包含17类19003张图像的数据集进行实际测试。结果表明: YOLOv8-MAT-2H将原始模型的平均准确率均值由0.704提升至0.722,参数量从3.01 M降至2.41 M,每秒千兆浮点运算数从8.1降至7.3,在保持每秒714.3帧实时检测性能的同时,显著提升了对小目标和复杂背景的响应能力,为河湖鸟类智能监测系统的边缘部署提供了高效实用的解决方案。