为解决无人机航拍图像中小目标检测困难和复杂背景干扰等问题,提出了空间重建卷积和动态上采样-你只看一次第11版(spatital reconstruction convolution and dynamic upsampling-you only look once version 11,SD-YOLOv11)模型,用于路...为解决无人机航拍图像中小目标检测困难和复杂背景干扰等问题,提出了空间重建卷积和动态上采样-你只看一次第11版(spatital reconstruction convolution and dynamic upsampling-you only look once version 11,SD-YOLOv11)模型,用于路面病害检测。首先,该模型在YOLOv11纳米型(YOLOv11 nano, YOLOv11n)的基础上引入了空间和通道重建卷积模块(spatital and channel reconstruction convolution, SCConv),减少了特征图在空间和通道的冗余信息,提升了特征提取的质量。然后,该模型在多尺度融合阶段采用了动态上采样(dynamic upsampler, DySample),增强了模型的学习能力,并有效提升了小目标检测性能。最后,结合挤压和激励注意力(squeeze-and-excitation attention, SEAttention)机制,减少了背景信息的干扰,提高了病害检测精度。结果表明,与YOLOv11n模型相比,SD-YOLOv11模型在交并比阈值设置为0.50、0.50~0.95之间的平均精确率均值分别上升了8.2%、15.0%,且计算量和参数量得到了优化。SD-YOLOv11模型不仅提高了路面病害检测的准确性,而且体现了减少复杂背景误检方面的优势,为准确检测航拍道路病害提供了高效的解决方案。展开更多
文摘为解决无人机航拍图像中小目标检测困难和复杂背景干扰等问题,提出了空间重建卷积和动态上采样-你只看一次第11版(spatital reconstruction convolution and dynamic upsampling-you only look once version 11,SD-YOLOv11)模型,用于路面病害检测。首先,该模型在YOLOv11纳米型(YOLOv11 nano, YOLOv11n)的基础上引入了空间和通道重建卷积模块(spatital and channel reconstruction convolution, SCConv),减少了特征图在空间和通道的冗余信息,提升了特征提取的质量。然后,该模型在多尺度融合阶段采用了动态上采样(dynamic upsampler, DySample),增强了模型的学习能力,并有效提升了小目标检测性能。最后,结合挤压和激励注意力(squeeze-and-excitation attention, SEAttention)机制,减少了背景信息的干扰,提高了病害检测精度。结果表明,与YOLOv11n模型相比,SD-YOLOv11模型在交并比阈值设置为0.50、0.50~0.95之间的平均精确率均值分别上升了8.2%、15.0%,且计算量和参数量得到了优化。SD-YOLOv11模型不仅提高了路面病害检测的准确性,而且体现了减少复杂背景误检方面的优势,为准确检测航拍道路病害提供了高效的解决方案。
