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
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。
