针对无人机公路日常巡检任务中检测目标小、背景复杂、计算量大导致的检测精度不足、实时性差等问题,该文提出一种基于YOLOv11n改进的无人机公路日常巡检算法YOLOv11-UR。该算法将MLCA注意力机制加入主干网络,融合通道与空间维度信息,...针对无人机公路日常巡检任务中检测目标小、背景复杂、计算量大导致的检测精度不足、实时性差等问题,该文提出一种基于YOLOv11n改进的无人机公路日常巡检算法YOLOv11-UR。该算法将MLCA注意力机制加入主干网络,融合通道与空间维度信息,整合局部与全局感受野,有效增强特征表达能力。在仅增加少量参数的前提下,实现了检测精度的显著提升。在Neck部引入GSConv替换标准卷积,使卷积计算的输出尽可能接近标准卷积的同时,降低计算成本;引入VoVGSCSP替换C3k2,降低模型参数量和计算复杂度的同时增强特征提取能力。试验结果表明:YOLOv11-UR算法在无人机公路日常巡检方面具有显著优势,在未损失过多推理速度的情况下,有效减少了模型的参数量与计算开销,且模型检测精确率(Precision,RP)和平均精度均值(Mean Average Precision,mAP)分别达到78.26%和73.34%。改进算法兼顾检测精度与推理效率,能够更好地满足无人机公路日常巡检需求。展开更多
针对现有道路缺陷检测方法在复杂道路背景下存在准确度低、易漏检误检、难以满足实时性要求等问题,提出一种轻量化YOLO11-AKAD道路缺陷检测算法。首先,在YOLOv11n的主干网络中设计了基于自适应核特征提取C3k2_AKConv模块,增强模型的局...针对现有道路缺陷检测方法在复杂道路背景下存在准确度低、易漏检误检、难以满足实时性要求等问题,提出一种轻量化YOLO11-AKAD道路缺陷检测算法。首先,在YOLOv11n的主干网络中设计了基于自适应核特征提取C3k2_AKConv模块,增强模型的局部特征提取;其次,使用ADown模块优化了下采样过程,优化多尺度上下文信息传递,减少参数量;最后,在输入测试时采用自适应图片缩放的方式解决原始缩放方法可能产生大量冗余信息的问题。实验结果表明:YOLO11-AKAD在China_RDD数据集中的mAP@0.5指标达到了81.6%,参数量和浮点运算量分别降低至2.09 M和5.1 G FLOPs;相较于基准的YOLOv11n,mAP@0.5指标提高了1.8%,模型参数规模减少了19%。该方法能在一定程度上有效提高道路缺陷检测性能。展开更多
文摘针对无人机公路日常巡检任务中检测目标小、背景复杂、计算量大导致的检测精度不足、实时性差等问题,该文提出一种基于YOLOv11n改进的无人机公路日常巡检算法YOLOv11-UR。该算法将MLCA注意力机制加入主干网络,融合通道与空间维度信息,整合局部与全局感受野,有效增强特征表达能力。在仅增加少量参数的前提下,实现了检测精度的显著提升。在Neck部引入GSConv替换标准卷积,使卷积计算的输出尽可能接近标准卷积的同时,降低计算成本;引入VoVGSCSP替换C3k2,降低模型参数量和计算复杂度的同时增强特征提取能力。试验结果表明:YOLOv11-UR算法在无人机公路日常巡检方面具有显著优势,在未损失过多推理速度的情况下,有效减少了模型的参数量与计算开销,且模型检测精确率(Precision,RP)和平均精度均值(Mean Average Precision,mAP)分别达到78.26%和73.34%。改进算法兼顾检测精度与推理效率,能够更好地满足无人机公路日常巡检需求。
文摘针对现有道路缺陷检测方法在复杂道路背景下存在准确度低、易漏检误检、难以满足实时性要求等问题,提出一种轻量化YOLO11-AKAD道路缺陷检测算法。首先,在YOLOv11n的主干网络中设计了基于自适应核特征提取C3k2_AKConv模块,增强模型的局部特征提取;其次,使用ADown模块优化了下采样过程,优化多尺度上下文信息传递,减少参数量;最后,在输入测试时采用自适应图片缩放的方式解决原始缩放方法可能产生大量冗余信息的问题。实验结果表明:YOLO11-AKAD在China_RDD数据集中的mAP@0.5指标达到了81.6%,参数量和浮点运算量分别降低至2.09 M和5.1 G FLOPs;相较于基准的YOLOv11n,mAP@0.5指标提高了1.8%,模型参数规模减少了19%。该方法能在一定程度上有效提高道路缺陷检测性能。
