在抽油机井动液面声学测量中，接箍回声的周期精度直接决定井筒声速计算结果，进而影响液面深度测量准确性。传统相关或峰值检测方法在强噪声、弱幅值及多径干扰条件下易出现周期漂移和漏检，导致声速误差超限。本文提出一种将一维声幅序列转化为二维时频谱图的视觉识别思路，把接箍周期定位问题转化为小目标检测任务，利用改进YOLO网络实现快速、鲁棒的周期提取。首先，通过滑动窗灰度映射保留接箍回波的空间等距特征；其次，在原有骨干网络中引入P2检测层，增强像素级别弱条纹感知能力，提升识别精度；最后，采用线性坐标变换将检测结果转换为采样点序号，结合固定采样频率计算平均周期，从而得到井筒声速。实验采用现场采集的4000张谱图进行训练、验证与测试。结果表明，改进网络mAP@0.5达98.7%，Recall为99.1%，单帧推理时间14ms，像素误差由基准YOL0的3.8像素降至1.8像素，降幅53%。在模拟井段400–2500m、声速270–380m/s范围内，声速计算最大相对误差为0.098%，显著优于油田≤0.5%的精度要求。该方法将深度学习跨域特征提取与声波测井物理模型耦合，无需人工阈值，可在5dB低信噪比环境下稳定运行，为后续动液面高精度深度测量提供了可靠的声速输入。研究成果已在中部某油田5口井现场测试，测量结果与人工电声仪对比，平均相对误差小于0.1%，满足工程化推广需求。

YOLO；接箍周期；声速计算；小目标检测；动液面深度测量