1.一种基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，包括以下步骤：

获取水下侧扫声纳设备采集的监测图像；

将监测图像输入至预设的EDA-Net模型获得水下目标检测结果，其中，EDA-Net模型包括改进型骨干网络、改进型颈部网络和头部网络；

所述改进型骨干网络基于YOLOv11框架构建，其中设置有双径异构注意力模块；所述双径异构注意力模块用于将输入特征图在通道维度按预设比例划分为轻量分支和增强分支，所述轻量分支通过深度卷积和逐点卷积提取局部信息，所述增强分支经堆叠的卷积层提取深层信息后，依次通过通道注意力机制和空间注意力机制进行联合增强，再与轻量分支融合输出；

所述改进型颈部网络中设置有瓶颈卷积-无参数注意力模块；所述瓶颈卷积-无参数注意力模块用于使输入特征依次经无参数注意力机制初步增强、多级瓶颈卷积块逐层增强、可学习权重动态融合后输出；其中，所述无参数注意力机制基于输入特征图的通道统计偏差、空间局部对比度和梯度信息生成注意力权重，且该注意力权重的计算不引入可学习参数，其表达式为：其中， 表示输入特征图， 表示输出特征图； 为通道偏离度；表示局部对比度；

表示由空间差分计算得到的梯度响应； 表示逐元素乘法； 与 分别表示均值与标准差，为常数；

所述头部网络用于根据改进型颈部网络输出的特征图进行目标检测。

2.根据权利要求1所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，所述双径异构注意力模块中，所述轻量分支与增强分支的通道维度划分比例为1:3；所述增强分支依次经过两轮堆叠的DPC层提取深层信息。

3.根据权利要求1所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，所述改进型颈部网络包括上采样部分和下采样部分；所述上采样部分包括依次连接的上采样模块、拼接模块和瓶颈卷积-无参数注意力模块；所述下采样部分包括依次连接的瓶颈卷积-无参数注意力模块、拼接模块和CBS模块。

4.根据权利要求3所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，所述上采样部分的上采样模块、拼接模块依次连接骨干网络的第二特征提取层、第三特征提取层和第四特征提取层的双径异构注意力模块。

5.根据权利要求3所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，所述下采样部分的拼接模块、CBS模块连接上采样部分对应的瓶颈卷积-无参数注意力模块与骨干网络的第四特征提取层的双径异构注意力模块。

6.根据权利要求1所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，DPC层由一个3×3深度卷积、一个1×1逐点卷积和一个1×1投影层组成。

7.根据权利要求1所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，所述空间注意力机制从输入特征中提取平均响应图、最大响应图以及通过可学习卷积生成的边缘响应图，将三者拼接后使用多个不同感受野的卷积核进行多尺度建模，通过可学习尺度权重进行自适应融合，经Sigmoid激活生成空间权重后输出。

8.一种基于双注意力机制的水下侧扫声纳图像识别系统，用于实现权利要求1 7任一~

项所述的基于双注意力机制的水下侧扫声纳图像识别方法，其特征在于，包括：

检测结果输出单元，接收由水下侧扫声纳设备输出的声纳图像，并将声纳图像送入预设的EDA-Net模型，输出对应的水下目标检测结果；

模型构建单元，根据改进型骨干网络、改进型颈部网络、YOLOv11网络模型的头部网络获得EDA-Net模型；

样本获取单元，采集多个预设水下环境中的目标侧扫声纳训练图像，对获取的训练图像进行预处理，并添加真实标注信息构建训练样本；

模型训练单元，基于训练样本对EDA-Net模型进行训练，采用分类损失函数与边界框回归损失函数计算训练输出结果与真实标签之间的损失值，根据损失值对模型权重进行迭代更新，直至达到预设结束条件后，获得训练完成的EDA-Net模型。

9.根据权利要求8所述的基于双注意力机制的水下侧扫声纳图像识别系统，其特征在于，所述样本获取单元中的预处理包括：将声纳训练图像随机旋转，随机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。

10.根据权利要求8所述的基于双注意力机制的水下侧扫声纳图像识别系统，其特征在于，所述模型训练单元中的预设结束条件为：EDA-Net模型的精确度超过90%或者平均精度均值超过70%。