基于改进YOLOv11的露天矿复杂背景下小目标检测
朱永军1
蔡光琪2
韩进2
缪燕子3
马小平1
焦文华3
1.中国矿业大学信息与控制工程学院,江苏徐州 2211162.中煤平朔集团有限公司,山西朔州 0360063.中国矿业大学信息与控制工程学院,江苏徐州 221116;中国矿业大学人工智能研究院,江苏徐州 221116
摘要：露天矿小目标检测任务面临视角广、检测距离远导致目标成像小的挑战,现有目标检测模型存在图像逐层下采样操作引发的特征衰减问题.针对该问题,提出了一种改进YOLOv11模型,并将其用于露天矿复杂背景下小目标检测.改进YOLOv11模型通过引入鲁棒特征下采样(RFD)模块替换跨步卷积下采样模块,有效保留了小目标的特征信息;设计了小目标特征增强颈部(STFEN)网络替代原有特征金字塔结构的颈部网络,在模型颈部引入跨阶段部分融合模块,整合来自不同层级的特征图;将原有的CIoU损失函数替换为Powerful-IoU(PIoU)损失函数,解决了训练过程中锚框膨胀问题,使模型快速精准聚焦小目标.在露天矿区小目标数据集上的实验结果表明:①RFD模块使模型参数量减少的同时mAP提升了 1.5％;STFEN网络虽使模型参数量有所增加,但mAP提升了 2.2％;PIoU损失函数在未改变模型参数量及每秒浮点运算次数的前提下使mAP提升了1.7％;三者联合应用最终使模型mAP提升了 3.9％.②改进YOLO11模型在保持较高推理速度的同时实现了精度提升,其 mAP 较 YOLOv5m,YOLOv8m,YOLOv11m 和 RtDetr-L 分别提高了 2.6％,1.5％,0.9％和 2.2％,且模型参数量更小,易于边缘部署.
关键词：露天矿小目标检测YOLOv11鲁棒特征下采样小目标特征增强颈部PIoU损失函数
分类号：TD67/804(矿山电工)
资助基金：国家自然科学基金(62473370)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 93-99 )
英文信息