1.一种基于改进YOLOv8的水下声纳图像识别方法，其特征在于，包括：

获取水下声纳设备采集监测区域的声纳监测图像，将声纳监测图像输入至预设的YOLOv8‑MDPA‑CL网络模型获得水下目标检测结果；

所述YOLOv8‑MDPA‑CL网络模型构建和训练过程包括：

基于YOLOv8网络模型、多维并行注意力机制和对比学习架构构建YOLOv8‑MDPA‑CL网络模型，具体包括：将基于YOLOv8网络模型的骨干网络与多维并行注意力机制组合获得改进型骨干网络；

所述改进型骨干网络包括初始层、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层；所述初始层设置为CBL模块，第一特征提取层、第二特征提取层和第三特征提取层包括依次连接CBL模块和C2f模块；基于多维并行注意力机制构建MDPA模块，第四特征提取层包括依次连接的CBL模块、SPPF模块和MDPA模块；

由MDPA模块对SPPF模块输出的中间特征图进行特征提取获得改进型骨干网络的输出特征图；

MDPA模块连接对比学习架构，由对比学习架构根据对比损失函数计算对比损失值，所述对比损失值用于约束改进型骨干网络的特征提取；

根据改进型骨干网络、对比学习架构、YOLOv8网络模型的颈部网络和头部网络构建获得YOLOv8‑MDPA‑CL网络模型；

获取多种设定水下场景下监测目标的声纳训练图像，对声纳训练图像进行预处理并添加真实标签获得训练样本；利用训练样本对YOLOv8‑MDPA‑CL网络模型进行训练获得训练识别结果，利用对比损失函数和YOLOv8损失函数计算训练识别结果与真实标签之间的训练损失值，根据训练损失值对YOLOv8‑MDPA‑CL网络模型的权重参数进行优化，重复迭代YOLOv8‑MDPA‑CL网络模型的训练过程，直至达到迭代终止条件输出训练后的YOLOv8‑MDPA‑CL网络模型。

2.根据权利要求1所述的水下声纳图像识别方法，其特征在于，获取水下声纳设备采集监测区域的声纳监测图像，具体包括：所述水下声纳设备设定为多波束前瞻性声纳探测设备，控制多波束前瞻性声纳探测设备在监测区域同时释放720kHz声纳信号和1200kHz声纳信号；720kHz声纳信号用于第一距离范围内目标检测，1200kHz声纳信号用于第二距离范围内目标检测，第一距离范围内的最大距离值大于第二距离范围内的最大距离值；

对目标在多个位置和角度进行声纳成像时，使用前瞻性声纳标注工具对相同目标进行实时标注获得声纳监测图像。

3.根据权利要求1所述的水下声纳图像识别方法，其特征在于，对声纳训练图像进行预处理的过程包括：利用高斯滤波算法对声纳训练图像进行去噪处理，所述高斯滤波算法中高斯核尺寸设置为 或 ，标准差设置为0；

将声纳训练图像旋转 ；随机将声纳训练图像进行水平和垂直翻转；随机裁剪并缩放声纳训练图像获得训练样本。

4.根据权利要求1所述的水下声纳图像识别方法，其特征在于，由MDPA模块对SPPF模块输出的中间特征图进行特征提取获得改进型骨干网络的输出特征图，具体包括：将中间特征图划分为多个独立子空间转换为输入向量X，每个独立子空间中的输入向量X分别与映射矩阵 、 、 进行逐点卷积，生成查询向量矩阵Q、键向量矩阵K和值向量矩阵V；

将查询向量矩阵Q和键向量矩阵K相乘获得内容注意力分数矩阵；对独立子空间从高度和宽度两个维度进行位置编码并相加得到位置编码矩阵R；将位置编码矩阵R与查询向量矩阵Q相乘得到位置编码注意力分数矩阵；

将位置编码注意力分数矩阵与内容注意力分数矩阵相加，通过softmax函数进行归一化处理获得归一化特征结果；将归一化特征结果与值向量矩阵V相乘得到单维度注意力输出特征，将各个独立子空间的单维度注意力输出拼接生成多维并行注意力输出特征，所述多维并行注意力输出特征为改进型骨干网络的输出特征图。

5.根据权利要求1所述的水下声纳图像识别方法，其特征在于，由对比学习架构根据对比损失函数计算对比损失值，具体包括：；

其中，N表示YOLOv8‑MDPA‑CL网络模型预测出的样本框的数量， 为对比损失值；

和 表示训练样本 和训练样本 的特征向量， 表示训练样本 的真实标签；表示对比损失函数的温度系数， 为训练样本k的特征向量。

6.根据权利要求5所述的水下声纳图像识别方法，其特征在于，利用对比损失函数和YOLOv8损失函数计算训练识别结果与真实标签之间的训练损失值，具体包括：；

；

公式为， 为YOLOv8损失值； 为对比损失值；、和 为YOLOv8损失函数中的权重系数； 和 分别为对比损失值和YOLOv8损失值的权重系数； 为训练识别结果与真实标签之间的训练损失值， 为分类损失值， 为边界框回归损失， 为置信度损失。

7.一种基于改进YOLOv8的水下声纳图像识别系统，其特征在于，包括：

监测单元，用于获取水下声纳设备采集监测区域的声纳监测图像，将声纳监测图像输入至预设的YOLOv8‑MDPA‑CL网络模型获得水下目标检测结果；

模型构建单元，用于基于YOLOv8网络模型、多维并行注意力机制和对比学习架构构建YOLOv8‑MDPA‑CL网络模型；

获取单元，用于获取多种设定水下场景下监测目标的声纳训练图像，对声纳训练图像进行预处理并添加真实标签获得训练样本；

训练单元，用于利用训练样本对YOLOv8‑MDPA‑CL网络模型进行训练获得训练识别结果，利用对比损失函数和YOLOv8损失函数计算训练识别结果与真实标签之间的训练损失值，根据训练损失值对YOLOv8‑MDPA‑CL网络模型的权重参数进行优化，重复迭代YOLOv8‑MDPA‑CL网络模型的训练过程，直至达到迭代终止条件输出训练后的YOLOv8‑MDPA‑CL网络模型；

模型构建单元基于YOLOv8网络模型、多维并行注意力机制和对比学习架构构建YOLOv8‑MDPA‑CL网络模型，具体包括：将基于YOLOv8网络模型的骨干网络与多维并行注意力机制组合获得改进型骨干网络；

所述改进型骨干网络包括初始层、第一特征提取层、第二特征提取层、第三特征提取层和第四特征提取层；所述初始层设置为CBL模块，第一特征提取层、第二特征提取层和第三特征提取层包括依次连接CBL模块和C2f模块；基于多维并行注意力机制构建MDPA模块，第四特征提取层包括依次连接的CBL模块、SPPF模块和MDPA模块；

由MDPA模块对SPPF模块输出的中间特征图进行特征提取获得改进型骨干网络的输出特征图；

MDPA模块连接对比学习架构，由对比学习架构根据对比损失函数计算对比损失值，所述对比损失值用于约束改进型骨干网络的特征提取；

根据改进型骨干网络、对比学习架构、YOLOv8网络模型的颈部网络和头部网络构建获得YOLOv8‑MDPA‑CL网络模型。

8.电子设备，包括存储介质和处理器；所述存储介质用于存储指令；其特征在于，所述处理器用于根据所述指令进行操作以执行权利要求1至6任一项所述的水下声纳图像识别方法。