张文博副教授等：CAGE-YOLO: 基于遥感影像的水产养殖网箱高密度小目标检测模型（《智慧农...

来源：市场资讯

（来源：智慧农业期刊）

引用格式: 张文博, 江一珏, 宋巍, 贺琪, 张文博. CAGE-YOLO: 基于遥感影像的水产养殖网箱高密度小目标检测模型[J]. 智慧农业(中英文), 2026, 8(2): 98-117.

DOI: 10.12133/j.smartag.SA202508023

ZHANG Wenbo, JIANG Yijue, SONG Wei, HE Qi, ZHANG Wenbo. CAGE-YOLO: A Dense Small Object Detection Model for Aquaculture Net Cages Based on Remote Sensing Images[J]. Smart Agriculture, 2026, 8(2): 98-117.

DOI: 10.12133/j.smartag.SA202508023

CAGE-YOLO： 基于遥感影像的水产养殖网箱高密度小目标检测模型

张文博1， 江一珏1， 宋巍1， 贺琪1*， 张文博2

（1.上海海洋大学信息学院，上海 201306，中国； 2.上海海洋大学水产与生命学院，上海 201306，中国）

摘要：

［目的/意义］针对复杂背景下密集且小尺度海水网箱目标检测困难的问题，本研究构建专用数据集并设计具有针对性的检测模型，以提升在实际养殖管理中的识别精度与鲁棒性。

［方法］基于来自澳大利亚、加拿大、智利、克罗地亚、希腊、中国及法罗群岛七个具有代表性的海水养殖区域的高分辨率遥感影像，构建了海水网箱数据集；提出了基于 YOLOv5的Cage-YOLO 深度学习检测模型，用于密集小目标网箱的自动识别。首先，引入自适应密集感知算法，自动选择并生成反映小型网箱密集分布特征的特征图；其次，集成改进的快速空间金字塔池化模块，有效减少背景噪声干扰并增强全局特征提取能力；最后，加入混合注意力模块，进一步提升模型对密集小目标的感知能力。

［结果和讨论］ 实验结果表明，Cage-YOLO在精度、召回率及平均精度方面分别较原始YOLOv5提升了5.6、21.8和17.4个百分点。模型体积保持为16.9 MB，兼具优越性能与良好的部署优势。

［结论］本研究为密集小目标检测提供了一种有效的新方法，并为海洋网箱养殖的智能化管理提供了重要的技术支持。

关键词：水产养殖网箱；小目标检测；自适应密集感知算法；增强型快速空间金字塔池化；混合注意力模块

Fig. 1 Effect of aquaculture net cages image after data augmentation

Fig. 2 Examples of figure annotations in the detection of aquaculture net cages study

Fig. 3 The network structure of YOLOv5-6.0

Note: Adaptive dense perception algorithm, ADPA; Enhancement spatial pyramid pooling fast, ESPPF; Mix attention block, MAB.

Fig. 4 The network structure of Cage-YOLO

Fig. 5 The work flow of ADPA

Note： × means element-by-element multiplication.

Fig. 6 The network structure of FEBlock

Fig. 7 Comparison between SPPF and ESPPF

Note: × is Element-by-element multiplication; + is residual link.

Fig. 8 Composition of MAB

Fig. 9 Model training results of Cage-YOLO

Fig. 10 Comparison of detection results in the detection of aquaculture net cages

Fig. 11 Examples of Cage-YOLO detection failures in the detection of aquaculture net cages

Fig. 12 Comparison of heat maps in the detection of aquaculture net cages

Fig. 13 Comparison of backbone output heatmaps

作者介绍

张文博 副教授

张文博，上海海洋大学信息学院副教授，硕士生导师，CCF高级会员。2014年于东南大学获得工学学士学位，2020年于上海交通大学获工学博士学位，师从傅育熙教授。研究方向为数字海洋、人工智能、形式化方法等。 学术兼职包括CCF形式化方法专委会执行委员，CCF YOCSEF上海通讯委员，上海市计算机学会理论计算机科学专委会委员等。主持或参与了国家重点研发计划、国家自然科学基金等多项课题，入选上海市科委扬帆计划。

江一珏 硕士研究生

江一珏，硕士研究生。就读于上海海洋大学信息学院计算机科学与技术专业。研究方向为计算机视觉、目标检测。

贺琪 教授

贺琪，教授，博士生导师，现任上海海洋大学信息学院教师;主要研究方向：海洋大数据分析、遥感影像分类与目标识别等。作为项目负责人主持和参与了国家重点研发计划、国家自然基金（面上）、国家海洋公益性行业科研专项等十余项项目；在国内外重要期刊与会议上发表相关论文70余篇；出版专著《海洋智能感知—基于计算机视觉的新技术与应用》《案例驱动的大数据原理技术及应用》等；获得国家海洋科学技术奖一等奖，中国产学研合作创新成果奖优秀奖，上海海洋科学技术奖一等奖等奖项。

张文博 副教授

张文博，2014年获英国斯特灵大学水产养殖博士学位，现为上海海洋大学水产与生命学院副教授，并兼任联合国粮农组织顾问。主讲国家级精品课程《鱼类增养殖学》，长期从事水产养殖可持续发展研究，聚焦社会-经济-环境跨学科问题，在Nature等期刊发表论文，他引4300次。作为中国政府代表，多次出任联合国粮农组织渔业委员会及水产养殖分委员，深度参与国家及地方渔业政策咨询与规划编制。

来源：《智慧农业（中英文）》2026年第2期