植被侵蚀是导致长城结构坍塌的重要潜在因素,相关检测研究主要包括人工巡检与自动化模型。前者现场勘查效率低下;后者受限于小目标漏检与计算冗余,难以实现精准高效的监测。因此,提出一种基于YOLOv11网络架构改进的长城植被侵蚀智能检...植被侵蚀是导致长城结构坍塌的重要潜在因素,相关检测研究主要包括人工巡检与自动化模型。前者现场勘查效率低下;后者受限于小目标漏检与计算冗余,难以实现精准高效的监测。因此,提出一种基于YOLOv11网络架构改进的长城植被侵蚀智能检测算法GWVE-YOLO(the Great Wall vegetation erosion,you only look once)。通过新增P2尺度小目标检测层,增强高分辨率浅层特征提取能力,显著降低微小病害目标的漏检率;在主干与颈部浅层引入RCS-OSA(reparameterized convolution based on channel shuffle of one-shot aggregation)模块,通过通道重排与结构重参数化技术优化特征融合效率,在维持精度的同时降低计算冗余;采用动态非单调聚焦机制的W-IoU(wise intersection over union)v3损失函数,自适应调整低质量样本梯度权重,以提升复杂背景下小目标定位精度。在自建无人机长城病害数据集,经实验表明,所提方法的m AP50达到78.8%、精确率达到79.8%,每秒帧数114,综合性能优于YOLO系列及其已有改进等主流检测模型。展开更多
文摘植被侵蚀是导致长城结构坍塌的重要潜在因素,相关检测研究主要包括人工巡检与自动化模型。前者现场勘查效率低下;后者受限于小目标漏检与计算冗余,难以实现精准高效的监测。因此,提出一种基于YOLOv11网络架构改进的长城植被侵蚀智能检测算法GWVE-YOLO(the Great Wall vegetation erosion,you only look once)。通过新增P2尺度小目标检测层,增强高分辨率浅层特征提取能力,显著降低微小病害目标的漏检率;在主干与颈部浅层引入RCS-OSA(reparameterized convolution based on channel shuffle of one-shot aggregation)模块,通过通道重排与结构重参数化技术优化特征融合效率,在维持精度的同时降低计算冗余;采用动态非单调聚焦机制的W-IoU(wise intersection over union)v3损失函数,自适应调整低质量样本梯度权重,以提升复杂背景下小目标定位精度。在自建无人机长城病害数据集,经实验表明,所提方法的m AP50达到78.8%、精确率达到79.8%,每秒帧数114,综合性能优于YOLO系列及其已有改进等主流检测模型。
